Статьи
Обучающие материалы
Интерактивные руководства
Настройка предварительно обученной модели AWS SageMaker
![Фото Уоррена Марусяка](https://wac-cdn.atlassian.com/dam/jcr:7509aefb-43e8-401d-90fe-0850cbe6bb13/wmarusiak_headshot%20(1).png?cdnVersion=1880)
Уоррен Марусяк
Старший технический эксперт
Чтобы продемонстрировать, как разрабатывать и развертывать приложения, а также управлять ими с помощью Jira Software и различных подключенных инструментов, наша команда создала ImageLabeller — простое демонстрационное приложение на платформе AWS, которое с помощью машинного обучения наносит метки на изображения.
На этой странице рассказывается, как настроить предопределенную модель AWS SageMaker, необходимую для успешной обработки изображений в ImageLabeller. Прежде чем начать, рекомендуем ознакомиться с архитектурой ImageLabeller в качестве контекста.
Войдите в консоль AWS и перейдите к Amazon SageMaker.
![Снимок экрана: консоль AWS](https://wac-cdn.atlassian.com/dam/jcr:312699b3-a880-49f6-a54b-655fd849a1b3/AWS_console.png?cdnVersion=1880)
Перейдите в Amazon SageMaker Studio.
![Снимок экрана: Amazon SageMaker Studio](https://wac-cdn.atlassian.com/dam/jcr:36e40d90-7538-45b9-a5d7-d7b0018a19c6/Amazon_SageMaker_Studio.png?cdnVersion=1880)
Выберите Quick start > Execution role > Create an IAM role (Быстрый запуск > Роль исполнения > Создать роль IAM).
![Снимок экрана: быстрый запуск](https://wac-cdn.atlassian.com/dam/jcr:a7890497-0970-4cfd-a075-67fa87561bfa/Quick_start_and_click_Execution_role_dropdown.png?cdnVersion=1880)
Нажмите Create role (Создать роль), а затем — Submit (Отправить).
![Снимок экрана: создание роли IAM](https://wac-cdn.atlassian.com/dam/jcr:2c84d98f-87e8-474c-aafd-6d8d89187d6f/Click_Create_role.png?cdnVersion=1880)
Настройка SageMaker займет некоторое время. Когда все будет готово, нажмите Open Studio (Открыть Studio).
![Снимок экрана: после настройки](https://wac-cdn.atlassian.com/dam/jcr:97cef6bc-4800-4384-8286-d5f6880b7ca3/After_setup__click_Open_Studio.png?cdnVersion=1880)
Нажмите Go to SageMaker JumpStart (Перейти к SageMaker JumpStart).
![Снимок экрана: SageMaker JumpStart](https://wac-cdn.atlassian.com/dam/jcr:9ff55612-7e77-4e9b-b8dd-f5ca7ae40c50/sagemaker.png?cdnVersion=1880)
Найдите и нажмите панель Inception V3.
![Снимок экрана: модели зрения](https://wac-cdn.atlassian.com/dam/jcr:bb0efbb6-c394-4160-8157-9c70f7663c4a/sagemaker_inception_v3.png?cdnVersion=1880)
Измените Machine Type (Тип компьютера) на ml.m5.large, а также Endpoint Name (Имя конечной точки) на более читаемое, например image-labeller-endpoint, после чего нажмите Deploy (Развернуть).
![Снимок экрана: модель развертывания](https://wac-cdn.atlassian.com/dam/jcr:79d0ee62-44c2-4e3f-98e4-c00ec4e2c738/Change_the_Endpoint_Name_and_click_Deploy.png?cdnVersion=1880)
AWS SageMaker начнет развертывание модели.
![Снимок экрана: начало развертывания](https://wac-cdn.atlassian.com/dam/jcr:af1d17d2-65a1-4697-b091-a4d57059f522/SageMaker_starts_to_deploy.png?cdnVersion=1880)
По завершении развертывания нажмите Open Notebook (Открыть блокнот).
![Снимок экрана: состояние конечной точки](https://wac-cdn.atlassian.com/dam/jcr:fe9c84ce-6473-4b62-85ff-dcd875d4c4b4/Click_Open_Notebook.png?cdnVersion=1880)
Запустите все три блока кода в блокноте и убедитесь, что они работают должным образом. Обратите внимание на имя конечной точки endpoint_name в определении query_endpoint. Его вместе с регионом, в котором находится ваш блокнот AWS SageMaker, нужно будет добавить в InvokeLabeller AWS Lambda.
Информацию об использовании блокнотов Jupyter можно найти в документации.
![Снимок экрана: запрос к конечной точке](https://wac-cdn.atlassian.com/dam/jcr:fda5d373-1eea-44d6-9853-f297f5150b5c/Query_endpoint_that_you_created.png?cdnVersion=1880)
Откройте файл src/app.py для InvokeLabeller и найдите определение query_endpoint. Измените значения endpoint_name и region_name, чтобы они соответствовали указанным в блокноте AWS SageMaker.
def query_endpoint(img):
endpoint_name = 'jumpstart-dft-image-labeller-endpoint'
client = boto3.client(service_name='runtime.sagemaker', region_name='us-west-1')
response = client.invoke_endpoint(EndpointName=endpoint_name, ContentType='application/x-image', Body=img)
model_predictions = json.loads(response['Body'].read())['predictions'][0]
return model_predictions
Поделитесь этой статьей
Следующая тема
Рекомендуемые статьи
Добавьте эти ресурсы в закладки, чтобы изучить типы команд DevOps или получать регулярные обновления по DevOps в Atlassian.
![Рисунок: DevOps](https://wac-cdn.atlassian.com/dam/jcr:bd9d8b2c-ca36-444f-8595-719cb1990e64/Devops-community.png?cdnVersion=1880)
Сообщество DevOps
![Рисунок: DevOps](https://wac-cdn.atlassian.com/dam/jcr:297108ea-d232-4368-af51-b53af230c4fe/Simulation-workshop.png?cdnVersion=1880)
Образовательные программы DevOps
![Рисунок: карта](https://wac-cdn.atlassian.com/dam/jcr:25f6330a-4191-408f-a4e5-2e24bfba67b4/Maturity-model.png?cdnVersion=1880)