So konfigurieren Sie Machine Learning-Inferenz mit der AWS Management Console

Installieren von Updates für Raspbian.

sudo apt-get update
sudo apt-get dist-upgrade

Installieren Sie die picamera-Schnittstelle für das Kameramodul und andere Python-Bibliotheken, die für dieses Tutorial erforderlich sind.

sudo apt-get install -y python3-dev python3-setuptools python3-pip python3-picamera

Überprüfen Sie die Installation:

Starten Sie den Raspberry Pi neu.

sudo reboot

Öffnen Sie das Raspberry Pi-Konfigurations-Tool.

sudo raspi-config

Verwenden Sie die Pfeiltasten zum Öffnen von Interfacing Options (Verbindungsoptionen) und aktivieren Sie die Kameraschnittstelle. Wenn Sie dazu aufgefordert werden, lassen Sie den Neustart des Geräts zu.

Geben Sie den folgenden Befehl ein, um die Einrichtung der Kamera zu testen.

raspistill -v -o test.jpg

So werden ein Vorschaufenster im Raspberry Pi geöffnet, ein Bild mit dem Namen test.jpg in Ihrem aktuellen Verzeichnis gespeichert und Informationen über die Kamera im Raspberry Pi-Terminal angezeigt.

Melden Sie sich per Fernzugriff bei Ihrem Raspberry Pi an.

ssh pi@your-device-ip-address

Öffnen Sie die MXNet-Dokumentation, öffnen Sie Installing MXNet und folgen Sie den Anweisungen zur Installation von MXNet auf dem Gerät.

Überprüfen Sie nach der Installation von MXNet die folgende Konfiguration:

Laden Sie auf Ihrem Computer das MXNet-Beispiel für Raspberry Pi von Beispiele für Machine Learning herunter.

Entpacken Sie die heruntergeladene mxnet-py3-armv7l.tar.gz-Datei.

Navigieren Sie zum Verzeichnis squeezenet.

cd path-to-downloaded-sample/mxnet-py3-armv7l/models/squeezenet

Die squeezenet.zip-Datei in diesem Verzeichnis ist Ihr Modellpaket. Sie enthält SqueezeNet Open Source Modellartefakte für ein Bildklassifizierungsmodell. Später laden Sie dieses Modellpaket auf Amazon S3 hoch.

Navigieren Sie auf Ihrem Computer zum examples-Verzeichnis im Beispielpaket, das Sie in Schritt 3: Erstellen eines MXNet-Modellpakets entpackt haben.

cd path-to-downloaded-sample/mxnet-py3-armv7l/examples

Das examples-Verzeichnis enthält Funktionscode und Abhängigkeiten.

Komprimieren Sie den Inhalt des examples-Verzeichnisses in eine Datei namens greengrassObjectClassification.zip. Dies ist Ihr Bereitstellungspaket.

zip -r greengrassObjectClassification.zip .

Als nächstes erstellen Sie die Lambda-Funktion.

VonAWS IoT-Konsole, die OptionFunktionenundFunktion.

Klicken Sie aufAuthor from scratchund verwenden Sie die folgenden Werte zum Erstellen der Funktion:

FürBerechtigungenverwenden Sie die Standardeinstellung bei. Dadurch wird eine Ausführungsrolle erstellt, die grundlegende Lambda-Berechtigungen gewährt. Diese Rolle wird nicht verwendetAWS IoT Greengrass.

Wählen Sie Create function (Funktion erstellen).

Laden Sie nun das Bereitstellungspaket Ihrer Lambda-Funktion hoch und registrieren Sie den Handler

Wählen Sie Ihre Lambda-Funktion und laden Sie Ihr Bereitstellungspaket für Ihre Lambda

1. Auf derCodeunterQuellcode, wählenHochladen von. Wählen Sie in der Dropdown-Liste die Option.Zip-Datei.

   

2. Klicken Sie aufHochladenund wählen Sie dann IhregreengrassObjectClassification.zipBereitstellungspaket Wählen Sie dann Save (Speichern) aus.

3. Auf derCodefür die Funktion, unterEinstellungen zur Laufzeit, wählenBearbeitenund geben Sie dann die folgenden Werte ein.

   • Wählen Sie für Runtime (Laufzeit) die Option Python 3.7 aus.

   • Geben Sie unter Handler greengrassObjectClassification.function_handler ein.

   Wählen Sie Save (Speichern) aus.

Als Nächstes veröffentlichen Sie die erste Version der Lambda-Funktion. Anschließend erstellen Sie einen Alias für die Version.

Wählen Sie im Menü Actions die Option Publish new version aus.

Geben Sie unter Version description (Versionsbeschreibung) den Wert First version ein und wählen Sie dann Publish (Veröffentlichen) aus.

Auf dergreengrassObjectClassification: 1-Konfigurationsseite, von derAktionen-Menü, wählen SieErstellen eines Alias.

Geben Sie auf der Seite Create a new alias folgende Werte an:

Wählen Sie Save (Speichern) aus.

Fügen Sie nun die Lambda-Funktion zur Greengrass-Gruppe hinzu.

In derAWS IoTNavigationsbereich der -Konsole unterVerwalten, erweiternGreengrass-Geräteund wählen Sie dann aus.Gruppen (V1).

Wählen Sie auf der Gruppenkonfigurationsseite die OptionLambda-Funktionender Wert ein.

Zeigen Sie unter dem Verzeichnis die folgenden Dateien an.Meine Lambda-FunktionenBereichAdd.

Für denLambda-Funktion, wählengreengrassObjectClassification.

Für denVersioning der Lambda-Funktion, wählenAlias: mltest.

Konfigurieren Sie dann den Lebenszyklus und die Umgebungsvariablen der Lambda-Funktion.

Auf derKonfiguration der Lambda-Funktiondie folgenden Änderungen vor.

1. So laufen Sie ohne Containerisierung aus:

   • FürSystembenutzer und Gruppe, wählenAnother user ID/group ID. FürSystembenutzer-IDden Wert ein.0. FürSystemgruppen-IDden Wert ein.0.

     Auf diese Weise kann Ihre Lambda-Funktion als root ausgeführt werden. Weitere Informationen zum Ausführen als root finden Sie unterFestlegen der Standardzugriffsidentität für Lambda-Funktionen in einer Gruppe.

     Tipp

     Sie müssen auch Ihreconfig.json-Datei, um Root-Zugriff auf Ihre Lambda-Funktion zu gewähren. Die -Prozedur finden Sie unterAusführen einer Lambda-Funktion als Root.

   • FürContainerisierung der Lambda-Funktion, wählenKein Container.

     Weitere Informationen zur Ausführung ohne Containerisierung finden Sie unterÜberlegungen bei der Auswahl der Containerisierung von Lambda-Funktionen.

   • Geben Sie in Timeout (Zeitüberschreitung) 10 seconds ein.

   • FürPinned, wählenWahr.

     Weitere Informationen finden Sie unter Lebenszykluskonfiguration für Greengrass-Lambda-Funktionen.

2. Um stattdessen im Containermodus zu laufen:

   Anmerkung

   Wir empfehlen, nicht im Containermodus auszuführen, es sei denn, Ihr Geschäftsfall erfordert dies.

   • FürSystembenutzer und Gruppe, wählenGruppen-Standardnamen.

   • FürContainerisierung der Lambda-Funktion, wählenGruppen-Standardnamen.

   • Geben Sie in Memory Limit (Speicherlimit) 96 MB ein.

   • Geben Sie in Timeout (Zeitüberschreitung) 10 seconds ein.

   • FürPinned, wählenWahr.

     Weitere Informationen finden Sie unter Lebenszykluskonfiguration für Greengrass-Lambda-Funktionen.

Erstellen Sie in Environment variables (Umgebungsvariablen) ein Schlüssel-Wert-Paar. Ein Schlüssel-Wert-Paar ist für Funktionen erforderlich, die mit MXNet-Modellen auf einem Raspberry PI interagieren.

Verwenden Sie als Schlüssel MXNET_ENGINE_TYPE. Verwenden Sie als Wert den WertNaiveEngine.

Übernehmen Sie die Standardwerte für alle anderen Eigenschaften und wählen SieRessource Lambda-Funktion.

Wählen Sie auf der Gruppenkonfigurationsseite die OptionRessourcender Wert ein.

In derLokale RessourcenBereichRessource „Lokale Ressource“.

Auf derEine lokalen Ressourceverwenden Sie die folgenden Werte:

Als nächstes fügen Sie eine lokale Geräteressource für die Kameraschnittstelle hinzu.

Klicken Sie aufRessource „Lokale Ressource“.

Auf derEine lokalen Ressourceverwenden Sie die folgenden Werte:

Wählen Sie unten auf der SeiteRessource hinzufügen.

Auf derRessourcenfür Ihre Gruppe, unter demMaschinelles Lernen-BereichRessource für Machine Learning.

Auf derEine Ressource für maschinelles Lernen hinzufügen-SeiteRessourcennameden Wert ein.squeezenet_model.

FürModellschulung, wählenVerwenden Sie ein in S3 gespeichertes Modell, z. B. ein mit Deep Learning Compiler optimiertes Modell.

FürS3einen Pfad ein, in dem der S3-Bucket gespeichert wird.

Wählen Sie Browse S3 (S3 durchsuchen). Auf diese Weise wird eine neue Registerkarte in der Amazon-S3-Konsole geöffnet.

Laden Sie auf der Registerkarte der Amazon-S3-Konsole die Optionsqueezenet.zipDatei in einen S3-Bucket. Weitere Informationen finden Sie unterWie lade ich Dateien und Ordner in einen S3-Bucket hoch?imAmazon Simple Storage Service — Benutzerhandbuch.

Auf derAWS IoT Greengrassauf der -Konsole Ihren S3-Bucket und wählen Sie ihn aus. Suchen Sie Ihre hochgeladene Datei squeezenet.zip und wählen Sie Select (Auswählen). Möglicherweise müssen Sie die Refresh (Aktualisieren) wählen, um die Liste der verfügbaren Buckets und Dateien zu aktualisieren.

Geben Sie für Destination path (Zielpfad) /greengrass-machine-learning/mxnet/squeezenet ein.

Dies ist das Ziel für das lokale Modell im Namespace der Lambda-Laufzeit. Wenn Sie die Gruppe bereitstellen, ruft AWS IoT Greengrass das Quellmodellpaket ab und extrahiert dann den Inhalt in das angegebene Verzeichnis. Die Beispiel-Lambda-Funktion für dieses Tutorial ist bereits so konfiguriert, dass sie diesen Pfad verwendet (immodel_path-Variable)

UNEigentümer der Systemgruppe und Dateizugriffsberechtigungen, wählenKeine Systemgruppe.

Wählen Sie Add resource (Ressource hinzufügen) aus.

Wählen Sie auf der Gruppenkonfigurationsseite die OptionAbonnementsund wählen Sie dann aus.Abo hinzufügen.

Auf derEinzelheiten zum Abonnementdie Quelle und das Ziel wie folgt:

1. In :Ressourcentyp, wählenLambda-Funktionund wählen Sie dann aus.greengrassObjectClassification.

2. In :Zieltyp, wählenServiceund wählen Sie dann aus.IoT Cloud.

In :Themenfilterden Wert ein.hello/worldund wählen Sie dann aus.Abonnement.

Stellen Sie sicher, dassAWS IoT Greengrasscore läuft. Führen Sie im Raspberry Pi-Terminal die folgenden Befehle aus, falls nötig.

1. So prüfen Sie, ob der Daemon ausgeführt wird:

   ps aux | grep -E 'greengrass.*daemon'

   Wenn die Ausgabe einen root-Eintrag für /greengrass/ggc/packages/1.11.6/bin/daemon enthält, dann wird der Daemon ausgeführt.

   Anmerkung

   Die Version in dem Pfad hängt von der AWS IoT Greengrass-Core-Softwareversion ab, die auf Ihrem Core-Gerät installiert ist.

2. So starten Sie den Daemon:

   cd /greengrass/ggc/core/
   sudo ./greengrassd start

Wählen Sie auf der Gruppenkonfigurationsseite die OptionBereitstellen.

In derLambda-Funktionenunter der RegisterkarteSystem-Lambda-FunktionenAbschnitt, wählen SieIP-Detektorund wähleBearbeiten.

In derEinstellungen für IP-Detektor bearbeitenwählen Sie aus.Automatisches Erkennen und Überschreiben von MQTT-Broker-.

Wählen Sie Save (Speichern) aus.

Damit können Geräte automatisch Core-Verbindungsinformationen abrufen, z. B. die IP-Adresse, DNS und die Portnummer. Die automatische Ermittlung wird empfohlen, aber AWS IoT Greengrass unterstützt auch manuell angegebene Endpunkte. Sie werden nur bei der ersten Bereitstellung der Gruppe zur Angabe der Ermittlungsmethode aufgefordert.

Auf der Seite Deployments werden der Zeitstempel, die Versions-ID und der Status der Bereitstellung angegeben. Nach abgeschlossener Bereitstellung sollte der Status wie folgt lautenCompleted (Abgeschlossen).

Weitere Informationen über Bereitstellungen finden Sie unterBereitstellen von AWS IoT Greengrass-Gruppen für einen AWS IoT Greengrass Core. Hilfe zur Problembehebung finden Sie unter Fehlerbehebung für AWS IoT Greengrass.

In derAWS IoT-Konsole, unterTest, wählenMTT-Test-Client.

Verwenden Sie für Subscriptions (Abonnements) die folgenden Werte:

Wählen Sie Subscribe aus.

Wenn der Test erfolgreich ist, werden die Nachrichten von der Lambda-Funktion unten auf der Seite angezeigt. Jede Nachricht enthält die ersten fünf der gesamten Prognoseergebnisse des Abbildes im Format: Wahrscheinlichkeit, prognostizierte Klassen-ID und zugehöriger Klassenname.

Wechseln Sie zum Root-Benutzer und navigieren Sie zum Verzeichnis log. Der Zugriff auf AWS IoT Greengrass-Protokolle erfordert Root-Berechtigungen.

sudo su
cd /greengrass/ggc/var/log

Überprüfen Sie im system-Verzeichnis runtime.log oder python_runtime.log.

Überprüfen Sie im user/region/account-id-Verzeichnis greengrassObjectClassification.log.

Weitere Informationen finden Sie unter Fehlerbehebung mit Protokollen.

Listen Sie den Inhalt des bereitgestellten Lambdain/lambda-Verzeichnis Ersetzen Sie die Platzhalterwerte, bevor Sie den Befehl ausführen.

cd /greengrass/ggc/deployment/lambda/arn:aws:lambda:region:account:function:function-name:function-version
ls -la

Überprüfen Sie, ob das Verzeichnis denselben Inhalt wie das greengrassObjectClassification.zip-Bereitstellungspaket enthält, das Sie in Schritt 4: Erstellen und Veröffentlichen einer Lambda-Funktion hochgeladen haben.

Stellen Sie sicher, dass sich die .py-Dateien und -Abhängigkeiten im Stammverzeichnis befinden.

Finden Sie die Prozessidentifikationsnummer (PID) des Lambda-Laufzeitprozesses:

ps aux | grep 'lambda-function-name*'

In der Ausgabe wird die PID in der zweiten Spalte der Zeile für den Lambda-Laufzeitprozess angezeigt.

Geben Sie den Lambda-Laufzeit-Namespace ein Stellen Sie sicher, den pid-Wert des Platzhalters zu ersetzen, bevor Sie den Befehl ausführen.

sudo nsenter -t pid -m /bin/bash

Listen Sie den Inhalt des lokalen Verzeichnisses, das Sie für die ML-Ressource angegeben haben, auf.

cd /greengrass-machine-learning/mxnet/squeezenet/
ls -ls

Die Dateien sollten folgendermaßen aussehen:

32 -rw-r--r-- 1 ggc_user ggc_group   31675 Nov 18 15:19 synset.txt
32 -rw-r--r-- 1 ggc_user ggc_group   28707 Nov 18 15:19 squeezenet_v1.1-symbol.json
4832 -rw-r--r-- 1 ggc_user ggc_group 4945062 Nov 18 15:19 squeezenet_v1.1-0000.params

Laden Sie statische PNG- oder JPG-Bilder für die Lambda-Funktion für die Bildklassifizierung herunter. Das Beispiel funktioniert am besten mit kleinen Bilddateien.

Speichern Sie Ihre Bilddateien in dem Verzeichnis mit der greengrassObjectClassification.py-Datei (oder in einem Unterverzeichnis dieses Verzeichnisses). Dies ist im Bereitstellungspaket der Lambda-Funktion enthalten, das Sie in hochgeladen habenSchritt 4: Erstellen und Veröffentlichen einer Lambda-Funktion.

Wenn Sie Python 3.7 nicht verwenden, stellen Sie sicher, dass Sie einen Symlink von Python 3.x zu Python 3.7 erstellen. Dadurch wird Ihr Gerät so konfiguriert, dass es Python 3 mit AWS IoT Greengrass verwendet. Führen Sie den folgenden Befehl aus, um Ihre Python-Installation zu suchen:

which python3

Führen Sie den folgenden Befehl aus, um den Symlink zu erstellen.

sudo ln -s path-to-python-3.x/python3.x path-to-python-3.7/python3.7

Starten Sie das Gerät neu.

Bearbeiten Sie die Konfiguration der Lambda-Funktion. Folgen Sie dem Verfahren unter Schritt 5: Hinzufügen der Lambda-Funktion zur Greengrass-Gruppe.

1. So laufen Sie ohne Containerisierung aus:

   • FürSystembenutzer und Gruppe, wählenAnother user ID/group ID. FürSystembenutzer-IDden Wert ein.0. FürSystemgruppen-IDden Wert ein.0.

     Auf diese Weise kann Ihre Lambda-Funktion als root ausgeführt werden. Weitere Informationen zum Ausführen als root finden Sie unterFestlegen der Standardzugriffsidentität für Lambda-Funktionen in einer Gruppe.

     Tipp

     Sie müssen auch Ihreconfig.json-Datei, um Root-Zugriff auf Ihre Lambda-Funktion zu gewähren. Die -Prozedur finden Sie unterAusführen einer Lambda-Funktion als Root.

   • FürContainerisierung der Lambda-Funktion, wählenKein Container.

     Weitere Informationen zur Ausführung ohne Containerisierung finden Sie unterÜberlegungen bei der Auswahl der Containerisierung von Lambda-Funktionen.

   • Aktualisieren Sie den Wert für Timeout auf 5 Sekunden. Dies stellt sicher, dass die Zeit für die Anforderung nicht zu schnell überschritten wird. Nach der Einrichtung dauert es einige Minuten, bis die Inferenz ausgeführt wird.

   • UNPinned, wählenWahr.

   • UNZusätzliche Parameter, fürLesezugriff auf das /sys-Verzeichnis, wählenEnabled.

   • Wählen Sie für Lambda-Lebenszyklus die Option Diese Funktion langlebig einstellen und unbegrenzt ausführen aus.

2. Um stattdessen im Containermodus zu laufen:

   Anmerkung

   Wir empfehlen, nicht im Containermodus auszuführen, es sei denn, Ihr Geschäftsfall erfordert dies.

   • Aktualisieren Sie den Wert für Timeout auf 5 Sekunden. Dies stellt sicher, dass die Zeit für die Anforderung nicht zu schnell überschritten wird. Nach der Einrichtung dauert es einige Minuten, bis die Inferenz ausgeführt wird.

   • FürPinned, wählenWahr.

   • UNZusätzliche Parameter, fürLesezugriff auf das /sys-Verzeichnis, wählenEnabled.

Wenn es im Containermodus ausgeführt wirddie erforderliche lokale Geräteressource hinzu, um Zugriff auf die GPU Ihres Geräts zu gewähren.

1. Wählen Sie auf der Gruppenkonfigurationsseite die OptionRessourcender Wert ein.

2. Klicken Sie aufRessource „Lokale Ressource“.

3. Definieren Sie die Ressource:

   • Geben Sie für Resource name (Ressourcenname) renderD128 ein.

   • FürResource type (Ressourcentyp), wählenLokales Gerät.

   • Geben Sie im Feld Device path (Gerätepfad) /dev/dri/renderD128 ein.

   • FürEigentümer der Systemgruppe und Dateizugriffsberechtigungen, wählenAutomatisch Dateisystemberechtigungen der Systemgruppe hinzufügen, zu der die Ressource gehört.

   • FürZugehörigkeit zu Lambda-Funktion,Lese- und Schreibzugriffzu Ihrer Lambda-Funktion

Stellen Sie sicher, dass Ihr Jetson-Gerät konfiguriert ist, damit Sie die AWS IoT Greengrass Core-Software installieren können. Weitere Informationen zur Konfiguration des Geräts finden Sie unter Einrichten anderer Geräte.

Öffnen Sie die MXNet-Dokumentation, gehen Sie zu Installing MXNet on a Jetson und folgen Sie den Anweisungen zur Installation von MXNet auf dem Jetson-Gerät.

Laden Sie statische PNG- oder JPG-Bilder für die Lambda-Funktion für die Bildklassifizierung herunter. Die App funktioniert am besten mit kleinen Bilddateien. Alternativ können Sie eine Kamera auf der Jetson-Karte instrumentieren, um die Quellbilder zu erfassen.

Speichern Sie Ihre Abbilddateien in dem Verzeichnis, das die greengrassObjectClassification.py-Datei enthält. Sie können sie auch in einem Unterverzeichnis dieses Verzeichnisses speichern. Dieses Verzeichnis ist im Bereitstellungspaket der Lambda-Funktion enthalten, das Sie in hochgeladen habenSchritt 4: Erstellen und Veröffentlichen einer Lambda-Funktion.

Erstellen Sie einen Symlink von Python 3.7 zu Python 3.6, um Python 3 mit AWS IoT Greengrass zu verwenden. Führen Sie den folgenden Befehl aus, um Ihre Python-Installation zu suchen:

which python3

Führen Sie den folgenden Befehl aus, um den Symlink zu erstellen.

sudo ln -s path-to-python-3.6/python3.6 path-to-python-3.7/python3.7

Starten Sie das Gerät neu.

Stellen Sie sicher, dass das ggc_user-Systemkonto das MXNet-Framework verwenden kann:

“sudo -u ggc_user bash -c 'python3 -c "import mxnet"'

Bearbeiten Sie die Konfiguration der Lambda-Funktion. Folgen Sie dem Verfahren unter Schritt 5: Hinzufügen der Lambda-Funktion zur Greengrass-Gruppe.

1. So laufen Sie ohne Containerisierung aus:

   • FürSystembenutzer und Gruppe, wählenAnother user ID/group ID. FürSystembenutzer-IDden Wert ein.0. FürSystemgruppen-IDden Wert ein.0.

     Auf diese Weise kann Ihre Lambda-Funktion als root ausgeführt werden. Weitere Informationen zum Ausführen als root finden Sie unterFestlegen der Standardzugriffsidentität für Lambda-Funktionen in einer Gruppe.

     Tipp

     Sie müssen auch Ihreconfig.json-Datei, um Root-Zugriff auf Ihre Lambda-Funktion zu gewähren. Die -Prozedur finden Sie unterAusführen einer Lambda-Funktion als Root.

   • FürContainerisierung der Lambda-Funktion, wählenKein Container.

     Weitere Informationen zur Ausführung ohne Containerisierung finden Sie unterÜberlegungen bei der Auswahl der Containerisierung von Lambda-Funktionen.

   • UNZusätzliche Parameter, fürLesezugriff auf das /sys-Verzeichnis, wählenEnabled.

   • UNUmgebungsvariablen, fügen Sie die folgenden Schlüssel-Wert-Paare zu Ihrer Lambda-Funktion hinzu. Hiermit wird AWS IoT Greengrass für die Verwendung des MXNet-Frameworks konfiguriert.

     Schlüssel	Wert
     PATH	/usr/local/cuda/bin:$PATH
     MXNET_HOME	$HOME/mxnet/
     PYTHONPATH	$MXNET_HOME/python:$PYTHONPATH
     CUDA_HOME	/usr/local/cuda
     LD_LIBRARY_PATH	$LD_LIBRARY_PATH:${CUDA_HOME}/lib64

2. Um stattdessen im Containermodus zu laufen:

   Anmerkung

   Wir empfehlen, nicht im Containermodus auszuführen, es sei denn, Ihr Geschäftsfall erfordert dies.

   • Erhöhen Sie den Wert für Speicherlimit. Verwenden Sie 500 MB für die CPU oder mindestens 2000 MB für die GPU.

   • UNZusätzliche Parameter, fürLesezugriff auf das /sys-Verzeichnis, wählenEnabled.

   • UNUmgebungsvariablen, fügen Sie die folgenden Schlüssel-Wert-Paare zu Ihrer Lambda-Funktion hinzu. Hiermit wird AWS IoT Greengrass für die Verwendung des MXNet-Frameworks konfiguriert.

     Schlüssel	Wert
     PATH	/usr/local/cuda/bin:$PATH
     MXNET_HOME	$HOME/mxnet/
     PYTHONPATH	$MXNET_HOME/python:$PYTHONPATH
     CUDA_HOME	/usr/local/cuda
     LD_LIBRARY_PATH	$LD_LIBRARY_PATH:${CUDA_HOME}/lib64

Wenn es im Containermodus ausgeführt wirddie folgenden lokalen Geräteressourcen hinzu, um Zugriff auf die GPU Ihres Geräts zu gewähren. Folgen Sie dem Verfahren unter Schritt 6: Hinzufügen von Ressourcen zur Greengrass-Gruppe.

Für jede Ressource:

Wenn es im Containermodus ausgeführt wirddie folgende lokale Volume-Ressource hinzu, um Zugriff auf die Kamera Ihres Geräts zu gewähren. Folgen Sie dem Verfahren unter Schritt 6: Hinzufügen von Ressourcen zur Greengrass-Gruppe.