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 eine optimierte Inferenz für maschinelles Lernen mit dem AWS-Managementkonsole Um die Schritte in diesem Tutorial ausführen zu können, müssen Sie AWS IoT Greengrass Core v1.10 oder höher verwenden. Sie können den SageMaker AI Neo Deep-Learning-Compiler verwenden, um die Prognoseeffizienz nativer Inferenzmodelle für maschinelles Lernen in Tensorflow, Apache MXNet PyTorch, ONNX und XGBoost Frameworks zu optimieren und so einen geringeren Platzbedarf und eine schnellere Leistung zu erzielen. Anschließend können Sie das optimierte Modell herunterladen, die SageMaker AI Neo Deep Learning-Runtime installieren und sie für schnellere Inferenzen auf Ihren AWS IoT Greengrass Geräten bereitstellen. In diesem Tutorial wird beschrieben, wie Sie eine Greengrass-Gruppe für die AWS-Managementkonsole Ausführung eines Lambda-Inferenzbeispiels verwenden, das Bilder von einer Kamera lokal erkennt, ohne Daten an die Cloud zu senden. Das Inferenzbeispiel greift auf das Kameramodul auf einem Raspberry Pi zu. In diesem Tutorial laden Sie ein vorgefertigtes Modell herunter, das von Resnet-50 trainiert und im Neo Deep Learning-Compiler optimiert wurde. Anschließend verwenden Sie das Modell, um eine lokale Bildklassifizierung auf Ihrem Gerät durchzuführen. AWS IoT Greengrass Das Tutorial enthält die folgenden allgemeinen Schritte: 1. [Konfigurieren des Raspberry Pi](#config-raspberry-pi-dlc) 1. [Installieren Sie die Neo Deep Learning Runtime](#install-dlr) 1. [Erstellen Sie eine Inferenz-Lambda-Funktion](#ml-console-dlc-create-lambda) 1. [Fügen Sie die Lambda-Funktion zur Gruppe hinzu](#ml-console-dlc-config-lambda) 1. [Hinzufügen einer Neo-optimierten Modellressource zur Gruppe](#ml-console-dlc-add-resources) 1. [Hinzufügen Ihrer Kamerageräte-Ressource zur Gruppe](#ml-console-dlc-add-cam-resource) 1. [Hinzufügen von Abonnements zur Gruppe](#ml-console-dlc-add-subscription) 1. [Bereitstellen der Gruppe](#ml-console-dlc-deploy-group) 1. [Testen des Beispiels](#ml-console-dlc-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). Weitere Informationen zum Einrichten der Kamera finden Sie unter [Verbinden der Kamera](https://www.raspberrypi.org/documentation/usage/camera/) in der Raspberry Pi-Dokumentation. + Eine Greengrass-Gruppe und ein Greengrass Core. Weitere Informationen zum Erstellen einer Greengrass-Gruppe oder eines Greengrass-Cores 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-dlc-config) und [NVIDIA Jetson TX2](#jetson-lambda-dlc-config). Wenn Sie das Intel Atom-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 die Amazon SageMaker Neo Deep Learning-Laufzeit Installieren Sie in diesem Schritt die Neo Deep Learning Runtime (DLR) auf Ihrem Raspberry Pi. **Anmerkung** Wir empfehlen, Version 1.1.0 für dieses Tutorial zu installieren. 1. Melden Sie sich per Fernzugriff bei Ihrem Raspberry Pi an. ``` ssh pi@your-device-ip-address ``` 1. Öffnen Sie die DLR-Dokumentation, öffnen Sie [Installing DLR](https://neo-ai-dlr.readthedocs.io/en/latest/install.html) und suchen Sie die Wheel-URL für Raspberry Pi-Geräte. Folgen Sie dann den Anweisungen, um die DLR auf Ihrem Gerät zu installieren. Sie können beispielsweise pip verwenden: ``` pip3 install rasp3b-wheel-url ``` 1. Überprüfen Sie nach der Installation der DLR die folgende Konfiguration: + Stellen Sie sicher, dass das `ggc_user`-Systemkonto die DLR-Bibliothek verwenden kann. ``` sudo -u ggc_user bash -c 'python3 -c "import dlr"' ``` + Stellen Sie sicher, dass sie installiert NumPy ist. ``` sudo -u ggc_user bash -c 'python3 -c "import numpy"' ``` ## Schritt 3: Erstellen Sie eine Inferenz-Lambda-Funktion In diesem Schritt erstellen Sie ein Lambda-Funktions-Bereitstellungspaket und eine Lambda-Funktion. Veröffentlichen Sie anschließend eine Funktionsversion und erstellen einen Alias. 1. Laden Sie auf Ihrem Computer das DLR-Beispiel für Raspberry Pi von [Beispiele für Machine Learning](what-is-gg.md#gg-ml-samples) herunter. 1. Entpacken Sie die heruntergeladene `dlr-py3-armv7l.tar.gz`-Datei. ``` cd path-to-downloaded-sample tar -xvzf dlr-py3-armv7l.tar.gz ``` Das `examples`-Verzeichnis im extrahierten Beispielpaket enthält Funktionscode und Abhängigkeiten. + `inference.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 `optimizedImageClassification.zip`. Dies ist Ihr Bereitstellungspaket. ``` cd path-to-downloaded-sample/dlr-py3-armv7l/examples zip -r optimizedImageClassification.zip . ``` Das Bereitstellungspaket enthält den Funktionscode und die Abhängigkeiten. Dazu gehört der Code, der die Neo-Deep-Learning-Laufzeit Python aufruft, APIs um Inferenzen mit den Neo-Deep-Learning-Compilermodellen durchzuführen. **Anmerkung** Stellen Sie sicher, dass sich die `.py`-Dateien und -Abhängigkeiten im Stammverzeichnis befinden. 1. Fügen Sie nun die Lambda-Funktion zu Ihrer Greengrass-Gruppe hinzu. Wählen Sie auf der Lambda-Konsolenseite **Funktionen** und dann **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) **optimizedImageClassification** 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. ![\[Der Abschnitt Basisinformationen auf der der Seite Funktion erstellen.\]](http://docs.aws.amazon.com/de_de/greengrass/v1/developerguide/images/ml-dlc-inference/gg-dlr-lambda-creation.png) 1. Wählen Sie **Funktion erstellen**.   Laden Sie jetzt Ihr Lambda-Funktionsbereitstellungspaket hoch und registrieren Sie den Handler. 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 Ihr `optimizedImageClassification.zip` Bereitstellungspaket und dann 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** **inference.handler** ein. Wählen Sie **Speichern**. ![\[Der Abschnitt mit den Runtime-Einstellungen, in dem Upload hervorgehoben ist.\]](http://docs.aws.amazon.com/de_de/greengrass/v1/developerguide/images/ml-dlc-inference/gg-ml2-lambda-upload.png)   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-dlc-inference/gg-ml2-publish-new.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 **optimizedImageClassification: 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-dlc-inference/gg-ml2-create-alias.png) 1. Geben Sie auf der Seite **Create a new alias** folgende Werte an: + Geben Sie unter **Name** **mlTestOpt** ein. + Geben Sie in **Version (Version)** **1** ein. **Anmerkung** AWS IoT Greengrass unterstützt keine Lambda-Aliase für **\$1LATEST-Versionen**. 1. Wählen Sie **Erstellen** aus. Fügen Sie nun die Lambda-Funktion zu Ihrer Greengrass-Gruppe hinzu. ## Schritt 4: Fügen Sie die Lambda-Funktion zur Greengrass-Gruppe hinzu Fügen Sie in diesem Schritt die Lambda-Funktion zur Gruppe hinzu und konfigurieren Sie dann ihren Lebenszyklus. 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** und dann **Hinzufügen** aus. 1. Wählen Sie die **Lambda-Funktion** und wählen Sie **optimizedImageClassification**. 1. Wählen Sie in der **Lambda-Funktionsversion** den Alias für die Version aus, die Sie veröffentlicht haben.   Als Nächstes konfigurieren Sie den Lebenszyklus 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). + **Wählen Sie unter **Zusätzliche Parameter** für **Lesezugriff auf das Verzeichnis /sys die Option Aktiviert** 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. + 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)** **1024 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). + **Wählen Sie unter **Zusätzliche Parameter** für **Lesezugriff auf das Verzeichnis /sys die Option Aktiviert** aus.** 1. Wählen Sie **Lambda-Funktion hinzufügen**. ## Schritt 5: Fügen Sie der SageMaker Greengrass-Gruppe eine KI-NEO-optimierte Modellressource hinzu In diesem Schritt erstellen Sie eine Ressource für das optimierte ML-Inferenzmodell und laden Sie sie in einen Amazon S3 S3-Bucket hoch. Suchen Sie dann das hochgeladene Amazon S3 S3-Modell in der AWS IoT Greengrass Konsole und verknüpfen Sie die neu erstellte Ressource mit der Lambda-Funktion. Dies ermöglicht es der Funktion, auf ihre Ressourcen auf dem Core-Gerät zuzugreifen. 1. Navigieren Sie auf Ihrem Computer zum `resnet50`-Verzeichnis im Beispielpaket, das Sie in [Schritt 3: Erstellen Sie eine Inferenz-Lambda-Funktion](#ml-console-dlc-create-lambda) entpackt haben. **Anmerkung** Wenn Sie das NVIDIA Jetson-Beispiel verwenden, müssen Sie stattdessen das `resnet18`-Verzeichnis im Beispielpaket verwenden. Weitere Informationen finden Sie unter [Konfiguration eines NVIDIA Jetson TX2](#jetson-lambda-dlc-config). ``` cd path-to-downloaded-sample/dlr-py3-armv7l/models/resnet50 ``` Dieses Verzeichnis enthält vorkompilierte Modellartefakte für ein mit Resnet-50 trainiertes Bildklassifikationsmodell. 1. Komprimieren Sie die Dateien innerhalb des `resnet50`-Verzeichnisses in eine Datei namens `resnet50.zip`. ``` zip -r resnet50.zip . ``` 1. Wählen Sie auf der Gruppenkonfigurationsseite für Ihre AWS IoT Greengrass Gruppe den Tab **Ressourcen** aus. Navigieren Sie zum Abschnitt **Machine Learning** und wählen Sie **Add machine learning resource (Maschinelle Lernressource hinzufügen)** aus. Geben Sie auf der Seite **Eine maschinelle Lernressource erstellen** für **Ressourcenname** **resnet50\$1model** ein. 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. Wählen Sie unter **S3-URI** die Option **Browse S3** aus. **Anmerkung** Derzeit werden optimierte SageMaker KI-Modelle automatisch in Amazon S3 gespeichert. Mit dieser Option können Sie Ihr optimiertes Modell in Ihrem Amazon S3 S3-Bucket finden. Weitere Informationen zur Modelloptimierung in SageMaker KI finden Sie in der [SageMaker AI Neo-Dokumentation](https://docs.aws.amazon.com/sagemaker/latest/dg/neo.html). 1. Wählen Sie **Upload a model (Ein Modell hochladen)**. 1. Laden Sie auf der Registerkarte Amazon S3 S3-Konsole Ihre ZIP-Datei in einen Amazon S3 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** Ihr Bucket-Name muss die Zeichenfolge **greengrass** enthalten. Wählen Sie einen eindeutigen Namen (wie z. B.: **greengrass-dlr-bucket-*user-id*-*epoch-time***). Verwenden Sie keinen Punkt (`.`) im Bucket-Namen. 1. Suchen Sie auf der Registerkarte „ AWS IoT Greengrass Konsole“ Ihren Amazon S3 S3-Bucket und wählen Sie ihn aus. Suchen Sie Ihre hochgeladene Datei `resnet50.zip` und wählen Sie **Select (Auswählen)**. Möglicherweise müssen Sie die Seite aktualisieren, um die Liste der verfügbaren Buckets und Dateien zu aktualisieren. 1. Geben Sie im Feld **Zielpfad** den Wert ein**/ml\$1model**. ![\[Der aktualisierte Zielpfad.\]](http://docs.aws.amazon.com/de_de/greengrass/v1/developerguide/images/ml-dlc-inference/local-path.png) 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. **Anmerkung** Wir empfehlen Ihnen dringend, den genauen Pfad für Ihren lokalen Pfad zu verwenden. Die Verwendung eines anderen lokalen Modellzielverzeichnisses in diesem Schritt führt dazu, dass einige in diesem Tutorial enthaltene Befehle zur Fehlerbehebung ungenau sind. Wenn Sie einen anderen Pfad verwenden, müssen Sie eine `MODEL_PATH`-Umgebungsvariable einrichten, die genau den von Ihnen hier angegebenen Pfad verwendet. Weitere Informationen zu Umgebungsvariablen finden Sie unter [AWS Lambda -Umgebungsvariablen](https://docs.aws.amazon.com/lambda/latest/dg/env_variables.html). 1. **Bei Ausführung im containerisierten Modus:** 1. Wählen Sie unter **Systemgruppenbesitzer- und Dateizugriffsberechtigungen** die Option **Systemgruppe und Berechtigungen angeben** aus. 1. Wählen Sie **Nur-Lese-Zugriff** und anschließend Ressource **hinzufügen** aus. ## Schritt 6: Hinzufügen einer Kamerageräte-Ressource zur Greengrass-Gruppe Erstellen Sie in diesem Schritt eine Ressource für das Kameramodul und verknüpfen Sie sie mit der Lambda-Funktion. Dadurch kann die Lambda-Funktion auf die Ressource 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 Geräteressource zu konfigurieren. 1. **Wählen Sie auf der Seite mit der Gruppenkonfiguration die Registerkarte Ressourcen aus.** 1. Wählen Sie auf der Registerkarte **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 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 **Group owner file access permission** (Dateizugriffsberechtigung des Gruppenbesitzers) können Sie zusätzliche Dateizugriffsberechtigungen für den Lambda-Prozess erteilen. Weitere Informationen finden Sie unter [Dateizugriffsberechtigung des Gruppenbesitzers](access-local-resources.md#lra-group-owner). 1. Wählen Sie unten auf der Seite die Option **Ressource hinzufügen** aus. 1. Erstellen Sie auf der Registerkarte **Ressourcen** eine weitere lokale Ressource, indem **Sie Hinzufügen** wählen und die folgenden Werte verwenden: + 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 **Add resource (Ressource hinzufügen)** aus. ## Schritt 7: Hinzufügen von Abonnements zur Greengrass-Gruppe In diesem Schritt fügen Sie der Gruppe Abonnements hinzu. Diese Abonnements ermöglichen es der Lambda-Funktion, Vorhersageergebnisse zu senden, AWS IoT indem sie sie in einem MQTT-Thema veröffentlichen. 1. Wählen Sie auf der Gruppenkonfigurationsseite die Registerkarte **Abonnements** und dann Abonnement **hinzufügen** aus. 1. Konfigurieren Sie auf der Seite **Abonnement erstellen** die Quelle und das Ziel wie folgt: 1. Wählen Sie **unter Quelltyp** die Option **Lambda-Funktion** und dann aus **optimizedImageClassification**. 1. Wählen Sie **unter Zieltyp** die Option **Service** und dann **IoT Cloud** aus. 1. Geben Sie im **Themenfilter** Folgendes ein **/resnet-50/predictions** und wählen Sie dann **Abonnement erstellen** aus. 1. Hinzufügen eines zweiten Abonnements. Wählen Sie die Registerkarte **Abonnements** aus, wählen **Sie Abonnement hinzufügen** und konfigurieren Sie Quelle und Ziel wie folgt: 1. Wählen Sie **unter Quelltyp** die Option **Dienste** und dann **IoT Cloud** aus. 1. Wählen Sie **unter Zieltyp** die Option **Lambda-Funktion** und dann aus **optimizedImageClassification**. 1. Geben Sie **/resnet-50/test** im **Themenfilter Folgendes** ein und wählen Sie dann **Create subscription** 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/latest-core-version/bin/daemon` enthält, dann wird der Daemon ausgeführt. 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. 1. Wählen Sie auf der Registerkarte **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 und wählen Sie Speichern aus.** 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). ## Testen des Inferenzbeispiels Nun können Sie prüfen, ob die Bereitstellung korrekt konfiguriert ist. Um zu testen, abonnieren Sie das Thema `/resnet-50/predictions` und veröffentlichen Sie jede Nachricht zum `/resnet-50/test`-Thema. Dadurch wird die Lambda-Funktion ausgelöst, um ein Foto mit Ihrem Raspberry Pi aufzunehmen und Rückschlüsse auf das aufgenommene Bild zu ziehen. **Anmerkung** Wenn Sie das NVIDIA Jetson-Beispiel verwenden, stellen Sie sicher, dass Sie stattdessen die Themen `resnet-18/predictions` und `resnet-18/test` verwenden. **Anmerkung** Wenn ein Bildschirm mit dem Raspberry Pi verbunden ist, wird das Livebild der Kamera in einem Vorschaufenster angezeigt. 1. Wählen Sie auf der Startseite der AWS IoT Konsole unter **Test** die Option **MQTT-Testclient** aus. 1. Wählen Sie für **Abonnements** die Option **Thema abonnieren aus**. Verwenden Sie die folgenden Werte. Übernehmen Sie für die verbleibenden Optionen die Standardwerte. + Geben Sie für **Abonnementthema** **/resnet-50/predictions** ein. + Wählen Sie unter **Zusätzliche Konfiguration** für die **Anzeige von MQTT-Payloads die Option Payloads** **als Zeichenketten anzeigen** aus. 1. Wählen Sie **Subscribe (Abonnieren)** aus. 1. **Wählen Sie In **einem Thema veröffentlichen**, geben Sie es **/resnet-50/test** als **Themennamen** ein und wählen Sie Veröffentlichen.** 1. Wenn der Test erfolgreich ist, veranlasst die veröffentlichte Nachricht die Raspberry Pi-Kamera, ein Bild aufzunehmen. Eine Meldung der Lambda-Funktion wird unten auf der Seite angezeigt. Diese Meldung enthält das Vorhersageergebnis des Bildes im Format: vorhergesagter Klassenname, Wahrscheinlichkeit und maximaler Speicherverbrauch. ## 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 + [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 `inference.py`-Datei (oder in einem Unterverzeichnis dieses Verzeichnisses). Dies ist im Lambda-Funktionsbereitstellungspaket enthalten, in [Schritt 3: Erstellen Sie eine Inferenz-Lambda-Funktion](#ml-console-dlc-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. Bearbeiten Sie die Konfiguration der Lambda-Funktion. Folgen Sie dem Verfahren unter [Schritt 4: Fügen Sie die Lambda-Funktion zur Greengrass-Gruppe hinzu](#ml-console-dlc-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) + Erhöhen Sie den Wert für **Timeout** auf 2 Minuten. 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. **Um stattdessen im containerisierten Modus zu starten:** **Anmerkung** Wir empfehlen nicht, im containerisierten Modus zu arbeiten, es sei denn, Ihr Geschäftsszenario erfordert dies. + Erhöhen Sie den Wert für **Speicherlimit** auf 3000 MB. + Erhöhen Sie den Wert für **Timeout** auf 2 Minuten. 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. Fügen Sie Ihrer Neo-optimierten Modellressource der Gruppe hinzu. Laden Sie die Modellressourcen in das `resnet50`-Verzeichnis des Beispielpakets hoch, das Sie in [Schritt 3: Erstellen Sie eine Inferenz-Lambda-Funktion](#ml-console-dlc-create-lambda) entpackt haben. Dieses Verzeichnis enthält vorkompilierte Modellartefakte für ein mit Resnet-50 trainiertes Bildklassifikationsmodell. Folgen Sie dem Verfahren unter [Schritt 5: Fügen Sie der SageMaker Greengrass-Gruppe eine KI-NEO-optimierte Modellressource hinzu](#ml-console-dlc-add-resources) mit den folgenden Updates: + Komprimieren Sie die Dateien innerhalb des `resnet50`-Verzeichnisses in eine Datei namens `resnet50.zip`. + Geben Sie auf der Seite **Eine maschinelle Lernressource erstellen** für **Ressourcenname** **resnet50\$1model** ein. + Hochladen der `resnet50.zip`-Datei 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 im Abschnitt **Lokale Ressourcen** die Option **Lokale Ressource hinzufügen** aus. 1. Definieren Sie die Ressource: + Geben Sie für **Resource name (Ressourcenname)** **renderD128** ein. + Wählen Sie in **Resource type (Ressourcentyp)** die Option **Device (Gerät)** aus. + Geben Sie für **Lokaler Gerätepfad** den Wert ein**/dev/dri/renderD128**. + Wählen Sie für **Systemgruppenbesitzer und Dateizugriffsberechtigungen** die Option **Dateisystemberechtigungen der Systemgruppe, der die Ressource gehört, automatisch hinzufügen** aus. ## Konfiguration eines NVIDIA Jetson TX2 Um dieses Tutorial auf einem NVIDIA Jetson auszuführen TX2, stellen Sie Quellimages bereit, konfigurieren Sie die Lambda-Funktion und fügen Sie weitere lokale Geräteressourcen hinzu. 1. Stellen Sie sicher, dass Ihr Jetson-Gerät so konfiguriert ist, dass Sie die AWS IoT Greengrass Core-Software installieren und die GPU als Inferenz verwenden können. Weitere Informationen zur Konfiguration des Geräts finden Sie unter [Einrichten anderer Geräte](setup-filter.other.md). Um die GPU für Inferenz auf einem NVIDIA Jetson zu verwenden TX2, müssen Sie CUDA 10.0 und cuDNN 7.0 auf Ihrem Gerät installieren, wenn Sie Ihr Board mit Jetpack 4.3 abbilden. 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 Abbilddateien in dem Verzeichnis, das die `inference.py`-Datei enthält. Sie können sie auch in einem Unterverzeichnis dieses Verzeichnisses speichern. Dieses Verzeichnis befindet sich im Lambda-Funktionsbereitstellungspaket, in [Schritt 3: Erstellen Sie eine Inferenz-Lambda-Funktion](#ml-console-dlc-create-lambda) das Sie hochladen. **Anmerkung** Sie können auf Wunsch stattdessen eine Kamera auf der Jetson-Karte instrumentieren, um die Quellbilder zu erfassen. Wir empfehlen jedoch nachdrücklich, zunächst mit statischen Bildern zu beginnen. 1. Bearbeiten Sie die Konfiguration der Lambda-Funktion. Folgen Sie dem Verfahren unter [Schritt 4: Fügen Sie die Lambda-Funktion zur Greengrass-Gruppe hinzu](#ml-console-dlc-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 Ausführen als**. **Another user ID/group ID** Geben Sie **0** für **UID** ein. Geben Sie für **GUID 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) + Erhöhen Sie den Wert für **Timeout** auf 5 Minuten. 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. **Um stattdessen im containerisierten Modus zu starten:** **Anmerkung** Wir empfehlen nicht, im containerisierten Modus zu arbeiten, es sei denn, Ihr Geschäftsszenario erfordert dies. + Erhöhen Sie den Wert für **Speicherlimit**. Für die Verwendung des bereitgestellten Modells im GPU-Modus verwenden Sie mindestens 2000 MB. + Erhöhen Sie den Wert für **Timeout** auf 5 Minuten. 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. Fügen Sie Ihrer Neo-optimierten Modellressource der Gruppe hinzu. Laden Sie die Modellressourcen in das `resnet18`-Verzeichnis des Beispielpakets hoch, das Sie in [Schritt 3: Erstellen Sie eine Inferenz-Lambda-Funktion](#ml-console-dlc-create-lambda) entpackt haben. Dieses Verzeichnis enthält vorkompilierte Modellartefakte für ein mit Resnet-18 geschultes Bildklassifikationsmodell. Folgen Sie dem Verfahren unter [Schritt 5: Fügen Sie der SageMaker Greengrass-Gruppe eine KI-NEO-optimierte Modellressource hinzu](#ml-console-dlc-add-resources) mit den folgenden Updates: + Komprimieren Sie die Dateien innerhalb des `resnet18`-Verzeichnisses in eine Datei namens `resnet18.zip`. + Geben Sie auf der Seite **Eine maschinelle Lernressource erstellen** für **Ressourcenname** **resnet18\$1model** ein. + Hochladen der `resnet18.zip`-Datei 1. **Wenn das Gerät im Containermodus ausgeführt** wird, fügen Sie die erforderlichen lokalen Geräteressourcen 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 im Abschnitt **Lokale Ressourcen** die Option **Lokale Ressource hinzufügen** aus. 1. Definieren Sie die einzelnen Ressourcen: + Verwenden Sie für **Resource name (Ressourcenname)** und **Device path (Gerätepfad)** die Werte in der folgenden Tabelle. Erstellen Sie für jede Zeile in der Tabelle genau eine Geräteressource. + 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-dlc-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 5: Fügen Sie der SageMaker Greengrass-Gruppe eine KI-NEO-optimierte Modellressource hinzu](#ml-console-dlc-add-resources). **Anmerkung** Wenn Sie im Modus ohne Container arbeiten, AWS IoT Greengrass können Sie auf die Kamera Ihres Geräts zugreifen, ohne die Geräteressourcen konfigurieren zu müssen. + 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-dlc-console.html) 1. Aktualisieren Sie Ihre Gruppenabonnements, um das richtige Verzeichnis zu verwenden. Folgen Sie dem Verfahren unter [Schritt 7: Hinzufügen von Abonnements zur Greengrass-Gruppe](#ml-console-dlc-add-subscription) mit den folgenden Updates: + Geben Sie für den ersten Themenfilter **/resnet-18/predictions** ein. + Geben Sie für den zweiten Themenfilter **/resnet-18/test** ein. 1. Aktualisieren Sie Ihre Testabonnements, um das richtige Verzeichnis zu verwenden. Folgen Sie dem Verfahren unter [Testen des Inferenzbeispiels](#ml-console-dlc-test-app) mit den folgenden Updates: + Wählen Sie für **Abonnements** die Option **Thema abonnieren** aus. Geben Sie für **Abonnementthema** **/resnet-18/predictions** ein. + Geben Sie auf der Seite `/resnet-18/predictions` das `/resnet-18/test`-Thema an, zu dem veröffentlicht werden soll. ## 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. Prüfen Sie`runtime.log`, ob Fehler vorliegen. ``` cat system/runtime.log | grep 'ERROR' ``` Sie können auch in Ihrem benutzerdefinierten Lambda-Funktionsprotokoll nach Fehlern suchen: ``` cat user/your-region/your-account-id/lambda-function-name.log | grep 'ERROR' ``` Weitere Informationen finden Sie unter [Fehlerbehebung mit Protokollen](gg-troubleshooting.md#troubleshooting-logs).   ### 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 `optimizedImageClassification.zip`-Bereitstellungspaket enthält, das Sie in [Schritt 3: Erstellen Sie eine Inferenz-Lambda-Funktion](#ml-console-dlc-create-lambda) hochgeladen haben. Stellen Sie sicher, dass sich die `.py`-Dateien und -Abhängigkeiten im Stammverzeichnis befinden.   ### Stellen Sie sicher, 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. **Anmerkung** Wenn Ihr ML-Ressourcenpfad anders als `ml_model` lautet, müssen Sie ihn hier ersetzen. ``` cd /ml_model ls -ls ``` Die Dateien sollten folgendermaßen aussehen: ``` 56 -rw-r--r-- 1 ggc_user ggc_group 56703 Oct 29 20:07 model.json 196152 -rw-r--r-- 1 ggc_user ggc_group 200855043 Oct 29 20:08 model.params 256 -rw-r--r-- 1 ggc_user ggc_group 261848 Oct 29 20:07 model.so 32 -rw-r--r-- 1 ggc_user ggc_group 30564 Oct 29 20:08 synset.txt ```   ### Die Lambda-Funktion kann `/dev/dri/renderD128` nicht finden. Dies kann passieren, wenn OpenCL keine Verbindung zu den benötigten GPU-Geräten herstellen kann. Sie müssen Geräteressourcen für die erforderlichen Geräte für Ihre Lambda-Funktion erstellen. ## Nächste Schritte Betrachten Sie als Nächstes weitere optimierte Modelle. Informationen finden Sie in der [SageMaker AI Neo-Dokumentation](https://docs.aws.amazon.com/sagemaker/latest/dg/neo.html).