Hinweis zum Ende des Supports: Am 7. Oktober 2026 AWS wird der Support für eingestellt. AWS IoT Greengrass Version 1 Nach dem 7. Oktober 2026 können Sie nicht mehr auf die Ressourcen zugreifen. AWS IoT Greengrass V1 Weitere Informationen finden Sie unter [Migrieren von AWS IoT Greengrass Version 1](https://docs.aws.amazon.com/greengrass/v2/developerguide/migrate-from-v1.html).
Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich.
# So konfigurieren Sie die Inferenz für maschinelles Lernen mit dem AWS-Managementkonsole
Um die Schritte in diesem Tutorial ausführen zu können, benötigen Sie AWS IoT Greengrass Core v1.10 oder höher.
Sie können Machine Learning (ML)-Inferenz lokal auf einem Greengrass Core-Gerät mit lokal generierten Daten durchführen. Weitere Informationen einschließlich Anforderungen und Einschränkungen finden Sie unter [Durchführen von Machine Learning-Inferenzen](ml-inference.md).
In diesem Tutorial wird beschrieben, wie Sie mithilfe der AWS-Managementkonsole eine Greengrass-Gruppe konfigurieren, um eine Lambda-Inferenz-App auszuführen, die Bilder von einer Kamera lokal erkennt, ohne Daten an die Cloud zu senden. Die Inferenz-App greift auf das Kameramodul auf einem Raspberry Pi zu und führt die Inferenz mithilfe des Open-Source-Modells aus. [SqueezeNet](https://github.com/DeepScale/SqueezeNet)
Das Tutorial enthält die folgenden allgemeinen Schritte:
1. [Konfigurieren des Raspberry Pi](#config-raspberry-pi)
1. [Installieren Sie das MXNet Framework](#install-mxnet)
1. [Erstellen eines Modellpakets](#package-ml-model)
1. [Eine Lambda-Funktion erstellen und veröffentlichen](#ml-console-create-lambda)
1. [Fügen Sie die Lambda-Funktion zur Gruppe hinzu](#ml-console-config-lambda)
1. [Hinzufügen von Ressourcen zur Gruppe](#ml-console-add-resources)
1. [Hinzufügen eines Abonnements zur Gruppe](#ml-console-add-subscription)
1. [Bereitstellen der Gruppe](#ml-console-deploy-group)
1. [Testen der Anwendung](#ml-console-test-app)
## Voraussetzungen
Zum Durchführen dieses Tutorials benötigen Sie Folgendes:
+ Raspberry Pi 4 Modell B oder Raspberry Pi 3 Modell B/B\$1, eingerichtet und konfiguriert für die Verwendung mit. AWS IoT Greengrass Um Ihren Raspberry Pi mit AWS IoT Greengrass einzurichten, führen Sie das [Greengrass Device Setup-Skript](quick-start.md) aus oder stellen Sie sicher, dass Sie [Modul 1](https://docs.aws.amazon.com/greengrass/latest/developerguide/module1.html) und [Modul 2](https://docs.aws.amazon.com/greengrass/latest/developerguide/module2.html) von [Erste Schritte mit AWS IoT Greengrass](gg-gs.md) abgeschlossen haben.
**Anmerkung**
Der Raspberry Pi benötigt möglicherweise eine [2,5-A-Stromversorgung](https://www.raspberrypi.org/documentation/hardware/raspberrypi/power/), um die Deep-Learning-Frameworks auszuführen, die normalerweise für die Bildklassifizierung verwendet werden. Ein Netzteil mit einer niedrigeren Nennleistung kann dazu führen, dass das Gerät neu gestartet wird.
+ [Raspberry Pi Kameramodul V2 – 8 Megapixel, 1080p](https://www.amazon.com/Raspberry-Pi-Camera-Module-Megapixel/dp/B01ER2SKFS). Informationen zur Einrichtung der Kamera finden Sie in der Dokumentation zum Raspberry Pi unter [Anschließen der Kamera](https://www.raspberrypi.org/documentation/usage/camera/).
+ Eine Greengrass-Gruppe und ein Greengrass Core. Informationen zum Erstellen einer Greengrass-Gruppe oder eines Greengrass-Kerns finden Sie unter[Erste Schritte mit AWS IoT Greengrass](gg-gs.md).
**Anmerkung**
Dieses Tutorial verwendet einen Raspberry Pi, AWS IoT Greengrass unterstützt aber auch andere Plattformen wie [Intel Atom](#atom-lambda-config) und [NVIDIA TX2 Jetson](#jetson-lambda-config). Im Beispiel für Jetson können Sie statische Bilder anstelle von Bildern verwenden TX2, die von einer Kamera gestreamt wurden. Wenn Sie das TX2 Jetson-Beispiel verwenden, müssen Sie möglicherweise Python 3.6 anstelle von Python 3.7 installieren. Informationen zur Konfiguration Ihres Geräts für die Installation der AWS IoT Greengrass Core-Software finden Sie unter[Einrichten anderer Geräte](setup-filter.other.md).
Für Plattformen von Drittanbietern, die AWS IoT Greengrass dies nicht unterstützen, müssen Sie Ihre Lambda-Funktion im Modus ohne Container ausführen. Um im Modus ohne Container ausgeführt zu werden, müssen Sie Ihre Lambda-Funktion als Root ausführen. Weitere Informationen erhalten Sie unter [Überlegungen bei der Wahl der Containerisierung von Lambda-Funktionen](lambda-group-config.md#lambda-containerization-considerations) und [Einstellung der Standardzugriffsidentität für Lambda-Funktionen in einer Gruppe](lambda-group-config.md#lambda-access-identity-groupsettings).
## Schritt 1: Konfigurieren des Raspberry Pi
In diesem Schritt installieren Sie Updates für das Raspbian-Betriebssystem, installieren die Kameramodulsoftware und Python-Abhängigkeiten und aktivieren die Kameraschnittstelle.
Führen Sie im Raspberry Pi-Terminal die folgenden Befehle aus.
1. Installieren von Updates für Raspbian.
```
sudo apt-get update
sudo apt-get dist-upgrade
```
1. 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:
+ Stellen Sie sicher, dass Ihre Python 3.7-Installation pip enthält.
```
python3 -m pip
```
Wenn pip nicht installiert ist, laden Sie es von der [pip-Website](https://pip.pypa.io/en/stable/installing/) herunter und führen Sie dann den folgenden Befehl aus.
```
python3 get-pip.py
```
+ Stellen Sie sicher, dass Ihre Python-Version 3.7 oder höher ist.
```
python3 --version
```
Wenn in der Ausgabe eine frühere Version aufgelistet ist, führen Sie den folgenden Befehl aus.
```
sudo apt-get install -y python3.7-dev
```
+ Stellen Sie sicher, dass Setuptools und Picamera erfolgreich installiert wurden.
```
sudo -u ggc_user bash -c 'python3 -c "import setuptools"'
sudo -u ggc_user bash -c 'python3 -c "import picamera"'
```
Wenn die Ausgabe keine Fehler enthält, ist die Überprüfung erfolgreich.
**Anmerkung**
Wenn die auf Ihrem Gerät installierte ausführbare Python-Datei `python3.7` ist, verwenden Sie `python3.7` anstelle von `python3` für die Befehle in diesem Tutorial. Stellen Sie sicher, dass Ihre pip-Installation der richtigen `python3.7`- oder `python3`-Version zugeordnet ist, um Abhängigkeitsfehler zu vermeiden.
1. Starten Sie den Raspberry Pi neu.
```
sudo reboot
```
1. Öffnen Sie das Raspberry Pi-Konfigurations-Tool.
```
sudo raspi-config
```
1. 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.
1. 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.
## Schritt 2: Installieren Sie das Framework MXNet
Installieren Sie in diesem Schritt MXNet Bibliotheken auf Ihrem Raspberry Pi.
1. Melden Sie sich per Fernzugriff bei Ihrem Raspberry Pi an.
```
ssh pi@your-device-ip-address
```
1. Öffnen Sie die MXNet Dokumentation, öffnen Sie [Installation MXNet](https://mxnet.apache.org/get_started/?) und folgen Sie den Anweisungen zur Installation MXNet auf dem Gerät.
**Anmerkung**
Wir empfehlen, Version 1.5.0 zu installieren und MXNet aus dem Quellcode für dieses Tutorial zu bauen, um Gerätekonflikte zu vermeiden.
1. Überprüfen Sie nach der Installation MXNet die folgende Konfiguration:
+ Stellen Sie sicher, dass das `ggc_user` Systemkonto das MXNet Framework verwenden kann.
```
sudo -u ggc_user bash -c 'python3 -c "import mxnet"'
```
+ Stellen Sie sicher, dass NumPy es installiert ist.
```
sudo -u ggc_user bash -c 'python3 -c "import numpy"'
```
## Schritt 3: Erstellen Sie ein MXNet Modellpaket
In diesem Schritt erstellen Sie ein Modellpaket, das ein vortrainiertes MXNet Mustermodell enthält, das auf Amazon Simple Storage Service (Amazon S3) hochgeladen werden soll. AWS IoT Greengrass kann ein Modellpaket von Amazon S3 verwenden, sofern Sie das Format tar.gz oder zip verwenden.
1. Laden Sie auf Ihrem Computer das MXNet Beispiel für Raspberry Pi von herunter[Beispiele für Machine Learning](what-is-gg.md#gg-ml-samples).
1. Entpacken Sie die heruntergeladene `mxnet-py3-armv7l.tar.gz`-Datei.
1. Navigieren Sie zum `squeezenet` Verzeichnis .
```
cd path-to-downloaded-sample/mxnet-py3-armv7l/models/squeezenet
```
Die `squeezenet.zip`-Datei in diesem Verzeichnis ist Ihr Modellpaket. Es enthält SqueezeNet Open-Source-Modellartefakte für ein Bildklassifizierungsmodell. Später laden Sie dieses Modellpaket auf Amazon S3 hoch.
## Schritt 4: Eine Lambda-Funktion erstellen und veröffentlichen
In diesem Schritt erstellen Sie ein Lambda-Funktions-Bereitstellungspaket und eine Lambda-Funktion. Veröffentlichen Sie anschließend eine Funktionsversion und erstellen einen Alias.
Erstellen Sie zunächst das Lambda-Funktionsbereitstellungspaket.
1. Navigieren Sie auf Ihrem Computer zum `examples`-Verzeichnis im Beispielpaket, das Sie in [Schritt 3: Erstellen Sie ein MXNet Modellpaket](#package-ml-model) entpackt haben.
```
cd path-to-downloaded-sample/mxnet-py3-armv7l/examples
```
Das `examples`-Verzeichnis enthält Funktionscode und Abhängigkeiten.
+ `greengrassObjectClassification.py` ist der in diesem Tutorial verwendete Inferenzcode. Sie können diesen Code als Vorlage verwenden, um eine eigene Inferenzfunktion zu erstellen.
+ `greengrasssdk`ist Version 1.5.0 des AWS IoT Greengrass Core SDK für Python.
**Anmerkung**
Wenn eine neue Version verfügbar ist, können Sie sie herunterladen und die SDK-Version in Ihrem Bereitstellungspaket aktualisieren. Weitere Informationen finden Sie unter [AWS IoT Greengrass Core SDK for Python](https://github.com/aws/aws-greengrass-core-sdk-python/) on GitHub.
1. Komprimieren Sie den Inhalt des `examples`-Verzeichnisses in eine Datei namens `greengrassObjectClassification.zip`. Dies ist Ihr Bereitstellungspaket.
```
zip -r greengrassObjectClassification.zip .
```
**Anmerkung**
Stellen Sie sicher, dass sich die `.py`-Dateien und -Abhängigkeiten im Stammverzeichnis befinden.
Als Nächstes erstellen Sie die Lambda-Funktion.
1. Wählen Sie in der AWS IoT Konsole **Funktionen** und **Funktion erstellen** aus.
1. Wählen Sie **Author von Grund auf neu** und verwenden Sie die folgenden Werte, um Ihre Funktion zu erstellen:
+ Geben Sie für **Function name** (Funktionsname) **greengrassObjectClassification** ein.
+ Wählen Sie für **Runtime (Laufzeit)** die Option **Python 3.7** aus.
Behalten Sie für **Berechtigungen** die Standardeinstellung bei. Dadurch wird eine Ausführungsrolle erstellt, die grundlegende Lambda-Berechtigungen gewährt. Diese Rolle wird nicht verwendet von AWS IoT Greengrass.
1. Wählen Sie **Funktion erstellen**.
Laden Sie jetzt Ihr Lambda-Funktionsbereitstellungspaket hoch und registrieren Sie den Handler.
1. Wählen Sie Ihre Lambda-Funktion und laden Sie Ihr Lambda-Funktionspaket hoch.
1. Wählen Sie auf der Registerkarte **Code** unter **Codequelle** die Option **Hochladen** von aus. Wählen Sie in der Dropdownliste die **ZIP-Datei** aus.
![\[Das Drop-down-Menü „Von hochladen“, wobei die ZIP-Datei hervorgehoben ist.\]](http://docs.aws.amazon.com/de_de/greengrass/v1/developerguide/images/lra-console/upload-deployment-package.png)
1. Wählen Sie **Hochladen** und dann Ihr `greengrassObjectClassification.zip` Bereitstellungspaket aus. Wählen Sie dann **Save (Speichern)** aus.
1. Wählen Sie auf der Registerkarte **Code** für die Funktion unter **Laufzeiteinstellungen** die Option **Bearbeiten** aus, und geben Sie dann die folgenden Werte ein.
+ Wählen Sie für **Runtime (Laufzeit)** die Option **Python 3.7** aus.
+ Geben Sie unter **Handler** **greengrassObjectClassification.function\$1handler** ein.
Wählen Sie **Speichern**.
Veröffentlichen Sie als Nächstes die erste Version Ihrer Lambda-Funktion. Anschließend erstellen Sie einen [Alias für die Version](https://docs.aws.amazon.com/lambda/latest/dg/versioning-aliases.html).
**Anmerkung**
Greengrass-Gruppen können eine Lambda-Funktion nach Alias (empfohlen) oder nach Version referenzieren. Die Verwendung eines Alias erleichtert die Verwaltung von Codeaktualisierungen, da Sie Ihre Abonnementtabelle oder Gruppendefinition nicht ändern müssen, wenn der Funktionscode aktualisiert wird. Stattdessen verweisen Sie einfach mit dem Alias auf die neue Funktionsversion.
1. Wählen Sie im Menü **Actions** die Option **Publish new version** aus.
![\[Menü „Actions“ mit der Option „Publish new version“.\]](http://docs.aws.amazon.com/de_de/greengrass/v1/developerguide/images/ml-inference/lambda-publish-version.png)
1. Geben Sie unter **Version description (Versionsbeschreibung)** den Wert **First version** ein und wählen Sie dann **Publish (Veröffentlichen)** aus.
1. Wählen Sie auf der Konfigurationsseite **greengrassObjectClassification: 1** im Menü **Aktionen** die Option **Alias erstellen** aus.
![\[Menü „Actions“ mit der Option „Create alias“\]](http://docs.aws.amazon.com/de_de/greengrass/v1/developerguide/images/ml-inference/lambda-create-alias.png)
1. Geben Sie auf der Seite **Create a new alias** folgende Werte an:
+ Geben Sie unter **Name** **mlTest** ein.
+ Geben Sie in **Version (Version)** **1** ein.
**Anmerkung**
AWS IoT Greengrass unterstützt keine Lambda-Aliase für **\$1LATEST-Versionen**.
1. Wählen Sie **Speichern**.
Fügen Sie nun die Lambda-Funktion zu Ihrer Greengrass-Gruppe hinzu.
## Schritt 5: Fügen Sie die Lambda-Funktion zur Greengrass-Gruppe hinzu
Fügen Sie in diesem Schritt die Lambda-Funktion zur Gruppe hinzu und konfigurieren Sie dann ihre Lebenszyklus- und Umgebungsvariablen.
Fügen Sie zunächst die Lambda-Funktion zu Ihrer Greengrass-Gruppe hinzu.
1. Erweitern Sie im Navigationsbereich der AWS IoT Konsole unter **Verwalten** die Option **Greengrass-Geräte** und wählen Sie dann **Gruppen (V1)** aus.
1. Wählen Sie auf der Gruppenkonfigurationsseite die Registerkarte **Lambda-Funktionen** aus.
1. Wählen Sie im Abschnitt **Meine Lambda-Funktionen** die Option **Hinzufügen** aus.
1. Wählen **greengrassObjectClassification**Sie für die **Lambda-Funktion**.
1. Wählen Sie für die **Lambda-Funktionsversion** **alias:MLTest**.
Als Nächstes konfigurieren Sie den Lebenszyklus und die Umgebungsvariablen der Lambda-Funktion.
1. Nehmen Sie im Abschnitt **Lambda-Funktionskonfiguration** die folgenden Aktualisierungen vor.
**Anmerkung**
Wir empfehlen, dass Sie Ihre Lambda-Funktion ohne Containerisierung ausführen, sofern Ihr Geschäftsszenario dies nicht erfordert. Auf diese Weise können Sie auf die GPU und Kamera Ihres Geräts zugreifen, ohne die Geräteressourcen konfigurieren zu müssen. Wenn Sie ohne Containerisierung arbeiten, müssen Sie auch Root-Zugriff auf Ihre AWS IoT Greengrass Lambda-Funktionen gewähren.
1. **Um ohne Containerisierung zu laufen:**
+ Wählen Sie für **Systembenutzer und Gruppe** die Option. **Another user ID/group ID** Geben Sie als **Systembenutzer-ID** ein**0**. Geben Sie als **Systemgruppen-ID** ein**0**.
Dadurch kann Ihre Lambda-Funktion als Root ausgeführt werden. Weitere Hinweise zur Ausführung als Root finden Sie unter[Einstellung der Standardzugriffsidentität für Lambda-Funktionen in einer Gruppe](lambda-group-config.md#lambda-access-identity-groupsettings).
**Tipp**
Sie müssen Ihre `config.json` Datei auch aktualisieren, um Root-Zugriff auf Ihre Lambda-Funktion zu gewähren. Informationen zum Verfahren finden Sie unter[Eine Lambda-Funktion als Root ausführen](lambda-group-config.md#lambda-running-as-root).
+ **Wählen Sie für die **Containerisierung von Lambda-Funktionen** die Option Kein Container aus.**
Weitere Hinweise zur Ausführung ohne Containerisierung finden Sie unter. [Überlegungen bei der Wahl der Containerisierung von Lambda-Funktionen](lambda-group-config.md#lambda-containerization-considerations)
+ Geben Sie in **Timeout (Zeitüberschreitung)** **10 seconds** ein.
+ **Wählen Sie für **Pinned** die Option True aus.**
Weitere Informationen finden Sie unter [Lebenszykluskonfiguration für Greengrass Lambda-Funktionen](lambda-functions.md#lambda-lifecycle).
1. **Um stattdessen im containerisierten Modus zu starten:**
**Anmerkung**
Wir empfehlen nicht, im containerisierten Modus zu arbeiten, es sei denn, Ihr Geschäftsszenario erfordert dies.
+ Wählen Sie für **Systembenutzer und Gruppe** die Option **Gruppenstandard verwenden** aus.
+ Wählen Sie für die **Containerisierung von Lambda-Funktionen** die Option Gruppenstandard **verwenden** aus.
+ Geben Sie in **Memory Limit (Speicherlimit)** **96 MB** ein.
+ Geben Sie in **Timeout (Zeitüberschreitung)** **10 seconds** ein.
+ **Wählen Sie für **Pinned** die Option True aus.**
Weitere Informationen finden Sie unter [Lebenszykluskonfiguration für Greengrass Lambda-Funktionen](lambda-functions.md#lambda-lifecycle).
1. 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\$1ENGINE\$1TYPE. Verwenden Sie für den Wert. NaiveEngine
**Anmerkung**
In Ihren eigenen benutzerdefinierten Lambda-Funktionen können Sie optional die Umgebungsvariable in Ihrem Funktionscode festlegen.
1. Behalten Sie die Standardwerte für alle anderen Eigenschaften bei und wählen Sie **Lambda-Funktion hinzufügen**.
## Schritt 6: Hinzufügen von Ressourcen zur Greengrass-Gruppe
Erstellen Sie in diesem Schritt Ressourcen für das Kameramodul und das ML-Inferenzmodell und ordnen Sie die Ressourcen der Lambda-Funktion zu. Dadurch kann die Lambda-Funktion auf die Ressourcen auf dem Kerngerät zugreifen.
**Anmerkung**
Wenn Sie im Modus ohne Container arbeiten, AWS IoT Greengrass können Sie auf die GPU und Kamera Ihres Geräts zugreifen, ohne diese Geräteressourcen zu konfigurieren.
Erstellen Sie zunächst zwei lokale Geräteressourcen für die Kamera: eine für den gemeinsam genutzten Speicher und eine für die Geräteschnittstelle. Weitere Informationen zum Zugriff auf lokale Ressourcen finden Sie unter [Greifen Sie mit Lambda-Funktionen und Konnektoren auf lokale Ressourcen zu](access-local-resources.md).
1. **Wählen Sie auf der Gruppenkonfigurationsseite die Registerkarte Ressourcen aus.**
1. Wählen Sie im Abschnitt **Lokale Ressourcen** die Option **Lokale Ressource hinzufügen** aus.
1. Verwenden Sie auf der Seite **Lokale Ressource hinzufügen** die folgenden Werte:
+ Geben Sie für **Resource name (Ressourcenname)** **videoCoreSharedMemory** ein.
+ Wählen Sie in **Resource type (Ressourcentyp)** die Option **Device (Gerät)** aus.
+ Geben Sie für **Lokaler Gerätepfad** den Wert ein**/dev/vcsm**.
Der Gerätepfad ist der lokale absolute Pfad der Geräteressource. Dieser Pfad kann nur auf ein zeichenorientiertes Gerät oder ein Blockgerät unter `/dev` verweisen.
+ Wählen Sie für **Systemgruppenbesitzer und Dateizugriffsberechtigungen** die Option **Dateisystemberechtigungen der Systemgruppe, der die Ressource gehört, automatisch hinzufügen** aus.
Mit der Option **Systemgruppenbesitzer und Dateizugriffsberechtigungen** können Sie dem Lambda-Prozess zusätzliche Dateizugriffsberechtigungen gewähren. Weitere Informationen finden Sie unter [Dateizugriffsberechtigung des Gruppenbesitzers](access-local-resources.md#lra-group-owner).
1. Als nächstes fügen Sie eine lokale Geräteressource für die Kameraschnittstelle hinzu.
1. Wählen Sie **Lokale Ressource hinzufügen**.
1. Verwenden Sie auf der Seite **Lokale Ressource hinzufügen** die folgenden Werte:
+ Geben Sie für **Resource name (Ressourcenname)** **videoCoreInterface** ein.
+ Wählen Sie in **Resource type (Ressourcentyp)** die Option **Device (Gerät)** aus.
+ Geben Sie für **Lokaler Gerätepfad** den Wert ein**/dev/vchiq**.
+ Wählen Sie für **Systemgruppenbesitzer und Dateizugriffsberechtigungen** die Option **Dateisystemberechtigungen der Systemgruppe, der die Ressource gehört, automatisch hinzufügen** aus.
1. Wählen Sie unten auf der Seite die Option **Ressource hinzufügen** aus.
Fügen Sie nun das Inferenz-Modell als Machine Learning-Ressource hinzu. Dieser Schritt beinhaltet das Hochladen des `squeezenet.zip` Modellpakets auf Amazon S3.
1. Wählen Sie auf der Registerkarte **Ressourcen** für Ihre Gruppe im Abschnitt **Machine Learning** die Option **Ressource für maschinelles Lernen hinzufügen** aus.
1. Geben Sie auf der Seite **Ressource für maschinelles Lernen hinzufügen** als **Ressourcenname** den Text ein**squeezenet\$1model**.
1. Wählen Sie als **Modellquelle** die Option **Ein in S3 gespeichertes Modell verwenden aus, z. B. ein mit dem Deep Learning Compiler optimiertes Modell**.
1. Geben Sie für **S3-URI** einen Pfad ein, in dem der S3-Bucket gespeichert ist.
1. Wählen Sie **S3 durchsuchen**. Dadurch wird ein neuer Tab zur Amazon S3 S3-Konsole geöffnet.
1. Laden Sie die `squeezenet.zip` Datei auf der Registerkarte Amazon S3 S3-Konsole in einen S3-Bucket hoch. Weitere Informationen finden Sie unter [Wie lade ich Dateien und Ordner in einen S3-Bucket hoch?](https://docs.aws.amazon.com/AmazonS3/latest/user-guide/upload-objects.html) im *Amazon Simple Storage Service-Benutzerhandbuch*.
**Anmerkung**
Damit auf den S3-Bucket zugegriffen werden kann, muss Ihr Bucket-Name die Zeichenfolge enthalten **greengrass** und der Bucket muss sich in derselben Region befinden, die Sie für verwenden AWS IoT Greengrass. Wählen Sie einen eindeutigen Namen (wie z. B.: **greengrass-bucket-*user-id*-*epoch-time***). Verwenden Sie keinen Punkt (`.`) im Bucket-Namen.
1. Suchen Sie auf der Registerkarte „ AWS IoT Greengrass 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.
1. Geben Sie für **Destination path (Zielpfad)** **/greengrass-machine-learning/mxnet/squeezenet** ein.
Dies ist das Ziel für das lokale Modell im Lambda-Laufzeit-Namespace. Wenn Sie die Gruppe bereitstellen, AWS IoT Greengrass ruft das Quellmodellpaket ab und extrahiert dann den Inhalt in das angegebene Verzeichnis. Die Lambda-Beispielfunktion für dieses Tutorial ist bereits für die Verwendung dieses Pfads (in der `model_path` Variablen) konfiguriert.
1. Wählen Sie unter **Systemgruppenbesitzer und Dateizugriffsberechtigungen** die Option **Keine Systemgruppe** aus.
1. Wählen Sie **Add resource (Ressource hinzufügen)** aus.
### Verwenden von SageMaker KI-trainierten Modellen
In diesem Tutorial wird ein Modell verwendet, das in Amazon S3 gespeichert ist, aber Sie können auch problemlos SageMaker KI-Modelle verwenden. Die AWS IoT Greengrass Konsole verfügt über eine integrierte SageMaker KI-Integration, sodass Sie diese Modelle nicht manuell auf Amazon S3 hochladen müssen. Die Anforderungen und Einschränkungen für die Verwendung von SageMaker KI-Modellen finden Sie unter[Unterstützte Modellquellen](ml-inference.md#supported-model-sources).
So verwenden Sie ein SageMaker KI-Modell:
+ Wählen Sie als **Modellquelle** die Option **Ein in AWS SageMaker KI trainiertes Modell verwenden** und wählen Sie dann den Namen des Trainingsjobs des Modells aus.
+ Geben Sie **unter Zielpfad** den Pfad zu dem Verzeichnis ein, in dem Ihre Lambda-Funktion nach dem Modell sucht.
## Schritt 7: Hinzufügen eines Abonnements zur Greengrass-Gruppe
In diesem Schritt fügen Sie der Gruppe ein Abonnement hinzu. Dieses Abonnement ermöglicht es der Lambda-Funktion, Vorhersageergebnisse zu senden, AWS IoT indem sie sie in einem MQTT-Thema veröffentlicht.
1. Wählen Sie auf der Gruppenkonfigurationsseite die Registerkarte **Abonnements** und dann Abonnement **hinzufügen** aus.
1. Konfigurieren Sie auf der Seite mit den **Abonnementdetails** die Quelle und das Ziel wie folgt:
1. Wählen Sie **unter Quelltyp** die Option **Lambda-Funktion** und dann aus **greengrassObjectClassification**.
1. Wählen Sie **unter Zieltyp** die Option **Service** und dann **IoT Cloud** aus.
1. Geben Sie **hello/world** im **Themenfilter** den Text ein und wählen Sie dann **Abonnement erstellen** aus.
## Schritt 8: Bereitstellen der Greengrass-Gruppe
In diesem Schritt stellen Sie die aktuelle Version der Gruppendefinition für das Greengrass Core-Gerät bereit. Die Definition enthält die Lambda-Funktion, die Ressourcen und die Abonnementkonfigurationen, die Sie hinzugefügt haben.
1. Stellen Sie sicher, dass der AWS IoT Greengrass Core 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 im Pfad hängt von der AWS IoT Greengrass Core-Softwareversion ab, die auf Ihrem Core-Gerät installiert ist.
1. Um den Daemon zu starten:
```
cd /greengrass/ggc/core/
sudo ./greengrassd start
```
1. Wählen Sie auf der Seite mit der Gruppenkonfiguration die Option **Deploy** aus.
![\[Die Seite der Gruppe mit hervorgehobenen Optionen „Bereitstellungen“ und „Bereitstellen“.\]](http://docs.aws.amazon.com/de_de/greengrass/v1/developerguide/images/console-group-deployments-deploy.png)
1. **Wählen Sie auf der Registerkarte **Lambda-Funktionen** im Abschnitt **System-Lambda-Funktionen** die Option **IP-Detektor** und dann Bearbeiten aus.**
1. Wählen **Sie im Dialogfeld IP-Detektoreinstellungen bearbeiten** die Option **MQTT-Broker-Endpunkte automatisch erkennen und überschreiben** aus.
1. Wählen Sie **Speichern**.
Damit können Geräte automatisch Core-Verbindungsinformationen abrufen, z. B. die IP-Adresse, DNS und die Portnummer. Eine automatische Erkennung wird empfohlen, unterstützt aber AWS IoT Greengrass auch manuell angegebene Endpunkte. Sie werden nur bei der ersten Bereitstellung der Gruppe zur Angabe der Ermittlungsmethode aufgefordert.
**Anmerkung**
Wenn Sie dazu aufgefordert werden, erteilen Sie die Erlaubnis, die [Greengrass-Servicerolle zu erstellen und sie Ihrer AWS-Konto aktuellen AWS-Region Rolle](service-role.md) zuzuordnen. Diese Rolle ermöglicht AWS IoT Greengrass den Zugriff auf Ihre Ressourcen in AWS Diensten.
Auf der Seite **Deployments** werden der Zeitstempel, die Versions-ID und der Status der Bereitstellung angegeben. Nach Abschluss sollte der für die Bereitstellung angezeigte Status **Abgeschlossen** lauten.
Weitere Informationen über Bereitstellungen finden Sie unter [AWS IoT Greengrass Gruppen für einen AWS IoT Greengrass Kern bereitstellen](deployments.md). Hilfe zur Problembehebung finden Sie unter [Problembehebung AWS IoT Greengrass](gg-troubleshooting.md).
## Schritt 9: Testen der Inferenzanwendung
Nun können Sie prüfen, ob die Bereitstellung korrekt konfiguriert ist. Zum Testen abonnieren Sie das `hello/world` Thema und sehen sich die Prognoseergebnisse an, die von der Lambda-Funktion veröffentlicht werden.
**Anmerkung**
Wenn ein Bildschirm mit dem Raspberry Pi verbunden ist, wird das Livebild der Kamera in einem Vorschaufenster angezeigt.
1. Wählen Sie in der AWS IoT Konsole unter **Test** die Option **MQTT-Testclient** aus.
1. Verwenden Sie für **Subscriptions** (Abonnements) die folgenden Werte:
+ Verwenden Sie als Abonnementthema „hello/world“.
+ Wählen Sie unter **Zusätzliche Konfiguration** für die **Anzeige von MQTT-Payloads die Option Payloads** als Zeichenketten **anzeigen** aus.
1. Wählen Sie **Subscribe (Abonnieren)** aus.
Wenn der Test erfolgreich ist, werden die Meldungen 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.
![\[Die Seite „Subscriptions“ zeigt Testergebnisse mit Nachrichtendaten an.\]](http://docs.aws.amazon.com/de_de/greengrass/v1/developerguide/images/ml-inference/prediction-results.png)
### Problembehandlung bei AWS IoT Greengrass ML-Inferenz
Wenn der Test nicht erfolgreich ist, können Sie folgende Schritte ausführen, um den Fehler zu beheben. Führen Sie im Raspberry Pi-Terminal die Befehle aus.
#### Fehlerprotokolle prüfen
1. Wechseln Sie zum Root-Benutzer und navigieren Sie zum Verzeichnis `log`. Für den Zugriff auf AWS IoT Greengrass Protokolle sind Root-Rechte erforderlich.
```
sudo su
cd /greengrass/ggc/var/log
```
1. 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](gg-troubleshooting.md#troubleshooting-logs).
##### Fehler beim Entpacken in "Runtime.log"
Wenn `runtime.log` einen Fehler enthält, der wie folgt aussieht, stellen Sie sicher, dass Ihr `tar.gz`-Quellmodellpaket über ein übergeordnetes Verzeichnis verfügt.
```
Greengrass deployment error: unable to download the artifact model-arn: Error while processing.
Error while unpacking the file from /tmp/greengrass/artifacts/model-arn/path to /greengrass/ggc/deployment/path/model-arn,
error: open /greengrass/ggc/deployment/path/model-arn/squeezenet/squeezenet_v1.1-0000.params: no such file or directory
```
Wenn Ihr Paket über kein übergeordnetes Verzeichnis verfügt, das die Modelldateien enthält, verwenden Sie den folgenden Befehl, um das Modell erneut zu verpacken:
```
tar -zcvf model.tar.gz ./model
```
Beispiel:
```
─$ tar -zcvf test.tar.gz ./test
./test
./test/some.file
./test/some.file2
./test/some.file3
```
**Anmerkung**
Verwenden Sie keine abschließenden `/*`-Zeichen in diesem Befehl.
#### Stellen Sie sicher, dass die Lambda-Funktion erfolgreich bereitgestellt wurde
1. Listet den Inhalt des bereitgestellten Lambda im `/lambda` Verzeichnis auf. 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
```
1. Überprüfen Sie, ob das Verzeichnis denselben Inhalt wie das `greengrassObjectClassification.zip`-Bereitstellungspaket enthält, das Sie in [Schritt 4: Eine Lambda-Funktion erstellen und veröffentlichen](#ml-console-create-lambda) hochgeladen haben.
Stellen Sie sicher, dass sich die `.py`-Dateien und -Abhängigkeiten im Stammverzeichnis befinden.
#### Sicherstellen, dass das Inferenzmodell erfolgreich bereitgestellt wird
1. Finden Sie die Prozessidentifikationsnummer (PID) des Lambda-Laufzeitprozesses:
```
ps aux | grep 'lambda-function-name*'
```
In der Ausgabe erscheint die PID in der zweiten Spalte der Zeile für den Lambda-Laufzeitprozess.
1. Geben Sie den Lambda-Runtime-Namespace ein. Achten Sie darauf, den *pid* Platzhalterwert zu ersetzen, bevor Sie den Befehl ausführen.
**Anmerkung**
Dieses Verzeichnis und sein Inhalt befinden sich im Lambda-Runtime-Namespace, sodass sie in einem regulären Linux-Namespace nicht sichtbar sind.
```
sudo nsenter -t pid -m /bin/bash
```
1. 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
```
## Nächste Schritte
Erkunden Sie als Nächstes andere Inferenz-Apps. AWS IoT Greengrass stellt weitere Lambda-Funktionen bereit, mit denen Sie lokale Inferenz ausprobieren können. Sie finden das Beispielpaket im Ordner der vorkompilierten Bibliotheken, den Sie unter [Schritt 2: Installieren Sie das Framework MXNet](#install-mxnet) heruntergeladen haben.
## Konfigurieren eines Intel Atom
Um dieses Tutorial auf einem Intel Atom-Gerät auszuführen, müssen Sie Quellbilder bereitstellen, die Lambda-Funktion konfigurieren und eine weitere lokale Geräteressource hinzufügen. Um die GPU für die Inferenz zu verwenden, stellen Sie sicher, dass die folgende Software auf Ihrem Gerät installiert ist:
+ OpenCL Version 1.0 oder höher
+ Python 3.7 und pip
**Anmerkung**
Wenn Ihr Gerät mit Python 3.6 vorkonfiguriert ist, können Sie stattdessen einen Symlink zu Python 3.7 erstellen. Weitere Informationen finden Sie unter [Step 2](#python-symlink).
+ [NumPy](https://pypi.org/project/numpy/)
+ [OpenCV on Wheels](https://pypi.org/project/opencv-python/)
1. Laden Sie statische PNG- oder JPG-Bilder für die Lambda-Funktion herunter, um sie für die Bildklassifizierung zu verwenden. 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 Lambda-Funktionsbereitstellungspaket enthalten, in [Schritt 4: Eine Lambda-Funktion erstellen und veröffentlichen](#ml-console-create-lambda) das Sie hochladen.
**Anmerkung**
Wenn Sie die Kamera verwenden AWS DeepLens, können Sie die integrierte Kamera verwenden oder Ihre eigene Kamera montieren, um Rückschlüsse auf aufgenommene Bilder statt auf statische Bilder zu ziehen. Wir empfehlen jedoch nachdrücklich, zunächst mit statischen Bildern zu beginnen.
Wenn Sie eine Kamera verwenden, stellen Sie sicher, dass das `awscam`-APT-Paket installiert und auf dem neuesten Stand ist. Weitere Informationen finden Sie im *AWS DeepLens Entwicklerhandbuch* unter [Ihr AWS DeepLens Gerät aktualisieren](https://docs.aws.amazon.com/deeplens/latest/dg/deeplens-manual-updates.html).
1. 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 für die Verwendung von Python 3 konfiguriert. AWS IoT Greengrass 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.
1. Bearbeiten Sie die Konfiguration der Lambda-Funktion. Folgen Sie dem Verfahren unter [Schritt 5: Fügen Sie die Lambda-Funktion zur Greengrass-Gruppe hinzu](#ml-console-config-lambda).
**Anmerkung**
Wir empfehlen, dass Sie Ihre Lambda-Funktion ohne Containerisierung ausführen, sofern Ihr Geschäftsszenario dies nicht erfordert. Auf diese Weise können Sie auf die GPU und Kamera Ihres Geräts zugreifen, ohne die Geräteressourcen konfigurieren zu müssen. Wenn Sie ohne Containerisierung arbeiten, müssen Sie auch Root-Zugriff auf Ihre AWS IoT Greengrass Lambda-Funktionen gewähren.
1. **Um ohne Containerisierung zu laufen:**
+ Wählen Sie für **Systembenutzer und Gruppe** die Option. **Another user ID/group ID** Geben Sie als **Systembenutzer-ID** ein**0**. Geben Sie als **Systemgruppen-ID** ein**0**.
Dadurch kann Ihre Lambda-Funktion als Root ausgeführt werden. Weitere Hinweise zur Ausführung als Root finden Sie unter[Einstellung der Standardzugriffsidentität für Lambda-Funktionen in einer Gruppe](lambda-group-config.md#lambda-access-identity-groupsettings).
**Tipp**
Sie müssen Ihre `config.json` Datei auch aktualisieren, um Root-Zugriff auf Ihre Lambda-Funktion zu gewähren. Informationen zum Verfahren finden Sie unter[Eine Lambda-Funktion als Root ausführen](lambda-group-config.md#lambda-running-as-root).
+ **Wählen Sie für die **Containerisierung von Lambda-Funktionen** die Option Kein Container aus.**
Weitere Hinweise zur Ausführung ohne Containerisierung finden Sie unter. [Überlegungen bei der Wahl der Containerisierung von Lambda-Funktionen](lambda-group-config.md#lambda-containerization-considerations)
+ 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.
+ **Wählen Sie unter **Fixiert die Option True aus**.**
+ **Wählen Sie unter **Zusätzliche Parameter** für **Lesezugriff auf das Verzeichnis /sys die Option Aktiviert** aus.**
+ Wählen Sie für **Lambda-Lebenszyklus** die Option **Diese Funktion langlebig einstellen und unbegrenzt ausführen** aus.
1. **Um stattdessen im containerisierten Modus zu starten:**
**Anmerkung**
Wir empfehlen nicht, im containerisierten Modus zu arbeiten, es sei denn, Ihr Geschäftsszenario 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.
+ **Wählen Sie für **Pinned** die Option True aus.**
+ **Wählen Sie unter **Zusätzliche Parameter** für **Lesezugriff auf das Verzeichnis /sys die Option Aktiviert** aus.**
1. **Wenn es im containerisierten Modus ausgeführt** wird, fügen Sie die erforderliche lokale Geräteressource hinzu, um Zugriff auf die GPU Ihres Geräts zu gewähren.
**Anmerkung**
Wenn Sie im Modus ohne Container arbeiten, AWS IoT Greengrass können Sie auf die GPU Ihres Geräts zugreifen, ohne die Geräteressourcen konfigurieren zu müssen.
1. **Wählen Sie auf der Gruppenkonfigurationsseite die Registerkarte Ressourcen aus.**
1. Wählen Sie **Lokale Ressource hinzufügen** aus.
1. Definieren Sie die Ressource:
+ Geben Sie für **Resource name (Ressourcenname)** **renderD128** ein.
+ Wählen Sie als **Ressourcentyp** die Option **Lokales Gerät** aus.
+ Geben Sie im Feld **Device path (Gerätepfad)** **/dev/dri/renderD128** ein.
+ Wählen Sie für **Systemgruppenbesitzer und Dateizugriffsberechtigungen** die Option **Dateisystemberechtigungen der Systemgruppe, der die Ressource gehört, automatisch hinzufügen** aus.
+ Gewähren **Sie für **Zugehörigkeiten zu Lambda-Funktionen** Lese- und Schreibzugriff auf** Ihre Lambda-Funktion.
## Konfiguration eines NVIDIA Jetson TX2
Um dieses Tutorial auf einem NVIDIA Jetson auszuführen TX2, stellen Sie Quellimages bereit und konfigurieren Sie die Lambda-Funktion. Bei Verwendung der GPU müssen Sie zusätzlich lokale Geräteressourcen hinzufügen.
1. Stellen Sie sicher, dass Ihr Jetson-Gerät so konfiguriert ist, dass Sie die AWS IoT Greengrass Core-Software installieren können. Weitere Informationen zur Konfiguration des Geräts finden Sie unter [Einrichten anderer Geräte](setup-filter.other.md).
1. Öffnen Sie die MXNet Dokumentation, gehen Sie zu [Installation MXNet auf einem Jetson](https://mxnet.apache.org/get_started/jetson_setup) und folgen Sie den Anweisungen zur Installation MXNet auf dem Jetson-Gerät.
**Anmerkung**
Wenn Sie MXNet aus dem Quellcode bauen möchten, folgen Sie den Anweisungen zum Erstellen der gemeinsam genutzten Bibliothek. Bearbeiten Sie die folgenden Einstellungen in Ihrer `config.mk` Datei, um mit einem TX2 Jetson-Gerät zu arbeiten:
Fügen Sie `-gencode arch=compute-62, code=sm_62` der `CUDA_ARCH`-Einstellung hinzu.
Schalten Sie CUDA ein.
```
USE_CUDA = 1
```
1. Laden Sie statische PNG- oder JPG-Bilder für die Lambda-Funktion herunter, um sie für die Bildklassifizierung zu verwenden. 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 befindet sich im Lambda-Funktionsbereitstellungspaket, in [Schritt 4: Eine Lambda-Funktion erstellen und veröffentlichen](#ml-console-create-lambda) das Sie hochladen.
1. Erstellen Sie einen Symlink von Python 3.7 nach Python 3.6, um Python 3 zu AWS IoT Greengrass 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.
1. Stellen Sie sicher, dass das `ggc_user` Systemkonto das MXNet Framework verwenden kann:
```
“sudo -u ggc_user bash -c 'python3 -c "import mxnet"'
```
1. Bearbeiten Sie die Konfiguration der Lambda-Funktion. Folgen Sie dem Verfahren unter [Schritt 5: Fügen Sie die Lambda-Funktion zur Greengrass-Gruppe hinzu](#ml-console-config-lambda).
**Anmerkung**
Wir empfehlen, dass Sie Ihre Lambda-Funktion ohne Containerisierung ausführen, sofern Ihr Geschäftsszenario dies nicht erfordert. Auf diese Weise können Sie auf die GPU und Kamera Ihres Geräts zugreifen, ohne die Geräteressourcen konfigurieren zu müssen. Wenn Sie ohne Containerisierung arbeiten, müssen Sie auch Root-Zugriff auf Ihre AWS IoT Greengrass Lambda-Funktionen gewähren.
1. **Um ohne Containerisierung zu laufen:**
+ Wählen Sie für **Systembenutzer und Gruppe** die Option. **Another user ID/group ID** Geben Sie als **Systembenutzer-ID** ein**0**. Geben Sie als **Systemgruppen-ID** ein**0**.
Dadurch kann Ihre Lambda-Funktion als Root ausgeführt werden. Weitere Hinweise zur Ausführung als Root finden Sie unter[Einstellung der Standardzugriffsidentität für Lambda-Funktionen in einer Gruppe](lambda-group-config.md#lambda-access-identity-groupsettings).
**Tipp**
Sie müssen Ihre `config.json` Datei auch aktualisieren, um Root-Zugriff auf Ihre Lambda-Funktion zu gewähren. Informationen zum Verfahren finden Sie unter[Eine Lambda-Funktion als Root ausführen](lambda-group-config.md#lambda-running-as-root).
+ **Wählen Sie für die **Containerisierung von Lambda-Funktionen** die Option Kein Container aus.**
Weitere Hinweise zur Ausführung ohne Containerisierung finden Sie unter. [Überlegungen bei der Wahl der Containerisierung von Lambda-Funktionen](lambda-group-config.md#lambda-containerization-considerations)
+ **Wählen Sie unter **Zusätzliche Parameter** für **Lesezugriff auf das Verzeichnis /sys die Option Aktiviert** aus.**
+ Fügen Sie unter **Umgebungsvariablen** die folgenden Schlüssel-Wert-Paare zu Ihrer Lambda-Funktion hinzu. Dadurch wird die Verwendung des Frameworks konfiguriert AWS IoT Greengrass . MXNet
[\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/de_de/greengrass/v1/developerguide/ml-console.html)
1. **Um stattdessen im containerisierten Modus zu laufen:**
**Anmerkung**
Wir empfehlen nicht, im containerisierten Modus zu arbeiten, es sei denn, Ihr Geschäftsszenario erfordert dies.
+ Erhöhen Sie den Wert für **Speicherlimit**. Verwenden Sie 500 MB für die CPU oder mindestens 2000 MB für die GPU.
+ **Wählen Sie unter **Zusätzliche Parameter** für **Lesezugriff auf das Verzeichnis /sys die Option Aktiviert** aus.**
+ Fügen Sie unter **Umgebungsvariablen** die folgenden Schlüssel-Wert-Paare zu Ihrer Lambda-Funktion hinzu. Dadurch wird die Verwendung des Frameworks konfiguriert AWS IoT Greengrass . MXNet
[\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/de_de/greengrass/v1/developerguide/ml-console.html)
1. **Wenn es im containerisierten Modus läuft**, fügen Sie die 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](#ml-console-add-resources).
**Anmerkung**
Wenn Sie im Modus ohne Container arbeiten, AWS IoT Greengrass können Sie auf die GPU Ihres Geräts zugreifen, ohne die Geräteressourcen konfigurieren zu müssen.
Für jede Ressource:
+ Wählen Sie in **Resource type (Ressourcentyp)** die Option **Device (Gerät)** aus.
+ Wählen Sie für **Systemgruppenbesitzer- und Dateizugriffsberechtigungen** die Option **Dateisystemberechtigungen der Systemgruppe automatisch hinzufügen aus, der die Ressource gehört**.
[\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/de_de/greengrass/v1/developerguide/ml-console.html)
1. **Wenn es im containerisierten Modus läuft**, fügen Sie die folgende lokale Volume-Ressource hinzu, um Zugriff auf Ihre Gerätekamera zu gewähren. Folgen Sie dem Verfahren unter [Schritt 6: Hinzufügen von Ressourcen zur Greengrass-Gruppe](#ml-console-add-resources).
**Anmerkung**
Wenn Sie im Modus ohne Container arbeiten, AWS IoT Greengrass können Sie auf die Kamera Ihres Geräts zugreifen, ohne die Volume-Ressourcen zu konfigurieren.
+ Wählen Sie für **Resource type (Ressourcentyp)** die Option **Volume** aus.
+ Wählen Sie für **Systemgruppenbesitzer und Dateizugriffsberechtigungen** die Option **Dateisystemberechtigungen der Systemgruppe automatisch hinzufügen aus, der die Ressource gehört**.
[\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/de_de/greengrass/v1/developerguide/ml-console.html)