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.
# Veröffentlichung: AWS IoT Greengrass Core v2.1.0-Softwareupdate am 26. April 2021
Diese Version enthält Version 2.1.0 der Greengrass Nucleus-Komponente und von Updates AWS bereitgestellte Komponenten.
**Veröffentlichungsdatum: 26.** April 2021
**Höhepunkte der Veröffentlichung**
+ **Integration von Docker Hub und Amazon Elastic Container Registry (Amazon ECR)** — Mit der neuen Docker Application Manager-Komponente können Sie öffentliche oder private Images von Amazon ECR herunterladen. Sie können diese Komponente auch verwenden, um öffentliche Images von Docker Hub und herunterzuladen. AWS Marketplace Weitere Informationen finden Sie unter [Führen Sie einen Docker-Container aus](run-docker-container.md).
+ **Dockerfile und Docker-Images für AWS IoT Greengrass Core-Software** — Sie können das Greengrass Docker-Image für die Ausführung AWS IoT Greengrass in einem Docker-Container verwenden, der Amazon Linux 2 als Basisbetriebssystem verwendet. Sie können das AWS IoT Greengrass Dockerfile auch verwenden, um Ihr eigenes Greengrass-Image zu erstellen. Weitere Informationen finden Sie unter [Führen Sie die AWS IoT Greengrass Core-Software in einem Docker-Container aus](run-greengrass-docker.md).
+ **Support für zusätzliche Frameworks und Plattformen für maschinelles Lernen** — Sie können Beispielkomponenten für maschinelles Lernen bereitstellen, die vortrainierte Modelle verwenden, um die Probenbildklassifizierung und Objekterkennung mit TensorFlow Lite 2.5.0 und DLR 1.6.0 durchzuführen. Diese Version erweitert auch die Unterstützung von Beispielen für maschinelles Lernen für Armv8 () -Geräte. AArch64 Weitere Informationen finden Sie unter [Durchführen von Machine Learning-Inferenzen](perform-machine-learning-inference.md).
**Topics**
+ [Updates zur Plattformunterstützung](#greengrass-2021-04-26-platforms)
+ [Öffentliche Komponenten-Updates](#greengrass-2021-04-26-components)
## Updates zur Plattformunterstützung
| **Plattform** | **Details** |
| --- | --- |
| Docker | Ein Dockerfile und ein Docker-Image für AWS IoT Greengrass sind jetzt verfügbar.**Dockerfile**
AWS IoT Greengrass stellt ein Dockerfile bereit, um ein Container-Image zu erstellen, auf dem AWS IoT Greengrass Core-Software und Abhängigkeiten auf einem Amazon Linux 2 (x86\_64) -Basis-Image installiert sind. Sie können das Basis-Image im Dockerfile so ändern, dass es auf einer anderen Plattformarchitektur läuft. AWS IoT Greengrass
**Docker-Image**
AWS IoT Greengrass stellt ein vorgefertigtes Docker-Image bereit, auf dem AWS IoT Greengrass Core-Software und Abhängigkeiten auf einem Amazon Linux 2 (x86\_64) -Basis-Image installiert sind.
Weitere Informationen finden Sie unter [Führen Sie die AWS IoT Greengrass Core-Software in einem Docker-Container aus](run-greengrass-docker.md). |
## Öffentliche Komponenten-Updates
In der folgenden Tabelle sind die AWS bereitgestellten Komponenten aufgeführt, die neue und aktualisierte Funktionen enthalten.
**Wichtig**
Wenn Sie eine Komponente bereitstellen, werden die neuesten unterstützten Versionen aller Abhängigkeiten dieser Komponente AWS IoT Greengrass installiert. Aus diesem Grund werden neue Patch-Versionen von AWS bereitgestellten öffentlichen Komponenten möglicherweise automatisch auf Ihren Kerngeräten bereitgestellt, wenn Sie einer Dinggruppe neue Geräte hinzufügen oder wenn Sie die Bereitstellung aktualisieren, die auf diese Geräte abzielt. Einige automatische Updates, wie z. B. ein Nucleus-Update, können dazu führen, dass Ihre Geräte unerwartet neu gestartet werden.
Um unbeabsichtigte Updates für eine Komponente zu verhindern, die auf Ihrem Gerät ausgeführt wird, empfehlen wir, dass Sie Ihre bevorzugte Version dieser Komponente direkt angeben, wenn Sie [eine Bereitstellung erstellen](create-deployments.md). Weitere Informationen zum Aktualisierungsverhalten der AWS IoT Greengrass Core-Software finden Sie unter[Aktualisieren Sie das AWS IoT Greengrass Kernsoftware (OTA)](update-greengrass-core-v2.md).
| **Komponente** | **Details** |
| --- | --- |
| Grüngraskern | Version 2.1.0 von [Greengrass Nucleus ist verfügbar](greengrass-nucleus-component.md).**Neue Features**
Unterstützt das Herunterladen von Docker-Images aus privaten Repositorys in Amazon ECR. Fügt die folgenden Parameter hinzu, um die MQTT-Konfiguration auf Kerngeräten anzupassen: `maxInFlightPublishes`— Die maximale Anzahl unbestätigter MQTT QoS 1-Nachrichten, die gleichzeitig gesendet werden können. `maxPublishRetry`— Die maximale Anzahl an Wiederholungen einer Nachricht, die nicht veröffentlicht werden kann. Fügt den `fleetstatusservice` Konfigurationsparameter hinzu, um das Intervall zu konfigurieren, in dem das Kerngerät den Gerätestatus für veröffentlicht. AWS Cloud Zusätzliche kleinere Korrekturen und Verbesserungen. Weitere Informationen finden Sie in den [Veröffentlichungen](https://github.com/aws-greengrass/aws-greengrass-nucleus/releases) unter GitHub.
**Fehlerkorrekturen und Verbesserungen**
Behebt ein Problem, das dazu führte, dass Shadow-Bereitstellungen dupliziert wurden, wenn der Nucleus neu gestartet wurde. Behebt ein Problem, das zum Absturz des Nucleus führte, wenn eine Service-Load-Ausnahme auftrat. Verbessert die Auflösung von Komponentenabhängigkeiten, sodass eine Bereitstellung fehlschlägt, die eine zirkuläre Abhängigkeit enthält. Behebt ein Problem, das die erneute Bereitstellung einer Plugin-Komponente verhinderte, wenn diese Komponente zuvor vom Kerngerät entfernt worden war. Behebt ein Problem, das dazu führte, dass die `HOME` Umgebungsvariable auf das `{{/greengrass/v2}}/work` Verzeichnis für Lambda-Komponenten oder für Komponenten gesetzt wurde, die als Root ausgeführt werden. Die `HOME` Variable ist jetzt korrekt auf das Home-Verzeichnis des Benutzers gesetzt, der die Komponente ausführt. Zusätzliche kleinere Korrekturen und Verbesserungen. Weitere Informationen finden Sie in den [Veröffentlichungen](https://github.com/aws-greengrass/aws-greengrass-nucleus/releases) unter GitHub. |
| Docker-Anwendungsmanager | Version 2.0.0 der neuen [Docker-Anwendungsmanager-Komponente](docker-application-manager-component.md) ist verfügbar.**Neue Features**
Verwaltet Anmeldeinformationen zum Herunterladen von Bildern aus privaten Repositorys in Amazon ECR. Lädt öffentliche Bilder von Amazon ECR, Docker Hub und herunter. AWS Marketplace |
| Lambda-Launcher | Version 2.0.4 der [Lambda-Launcher-Komponente ist verfügbar](lambda-launcher-component.md).**Fehlerkorrekturen und Verbesserungen**
Behebt ein Problem, bei dem die Komponente nicht korrekt `AddGroupOwner` an den Lambda-Funktionscontainer übergeben wird. |
| Legacy-Abonnement-Router | Version 2.1.0 der [älteren Abonnement-Router-Komponente](legacy-subscription-router-component.md) ist verfügbar.**Fehlerkorrekturen und Verbesserungen**
Integriert die Unterstützung für die Angabe von Komponentennamen anstelle von ARNs für `source` und`target`. Wenn Sie einen Komponentennamen für ein Abonnement angeben, müssen Sie das Abonnement nicht jedes Mal neu konfigurieren, wenn sich die Version der Lambda-Funktion ändert. |
| Lokale Debug-Konsole | Version 2.1.0 der [lokalen Debug-Konsolenkomponente](local-debug-console-component.md) ist verfügbar.**Neue Features**
Verwendet HTTPS, um Ihre Verbindung zur lokalen Debug-Konsole zu sichern. HTTPS ist standardmäßig aktiviert.
**Fehlerkorrekturen und Verbesserungen**
Sie können Flashbar-Meldungen im Konfigurationseditor verwerfen. |
| Protokollmanager | Version 2.1.0 der [Log Manager-Komponente](log-manager-component.md) ist verfügbar.**Fehlerkorrekturen und Verbesserungen**
Verwenden Sie Standardwerte für `logFileDirectoryPath` Greengrass-Komponenten`logFileRegex`, die auf Standardausgabe (stdout) und Standardfehler (stderr) drucken, und die für diese funktionieren. Leiten Sie den Datenverkehr korrekt über einen konfigurierten Netzwerk-Proxy weiter, wenn Sie Protokolle in Logs hochladen. CloudWatch Behandelt Doppelpunkte (`:`) in Protokolldatenstromnamen korrekt. CloudWatch Log-Log-Stream-Namen unterstützen keine Doppelpunkte. Vereinfachen Sie die Namen von Protokolldatenströmen, indem Sie die Namen der Dinggruppen aus dem Protokollstream entfernen. Entfernen Sie eine Fehlerprotokollmeldung, die bei normalem Verhalten ausgegeben wird. |
| DLR-Bildklassifizierung | Version 2.1.1 der [DLR-Komponente zur Bildklassifizierung](dlr-image-classification-component.md) ist verfügbar.**Neue Features**
Verwenden Sie [Deep Learning Runtime v1.6.0](https://github.com/neo-ai/neo-ai-dlr). Unterstützung für die Klassifizierung von Beispielbildern auf Armv8 (AArch64) -Plattformen hinzugefügt. Dies erweitert die Unterstützung für maschinelles Lernen für Greengrass-Kerngeräte, auf denen NVIDIA Jetson ausgeführt wird, wie z. B. den Jetson Nano. Aktivieren Sie die Kameraintegration für Probeninferenz. Verwenden Sie den neuen `UseCamera` Konfigurationsparameter, um den Beispiel-Inferenzcode für den Zugriff auf die Kamera auf Ihrem Greengrass-Core-Gerät zu aktivieren und die Inferenz lokal auf dem aufgenommenen Bild auszuführen. Fügen Sie Unterstützung für die Veröffentlichung von Inferenzergebnissen zur hinzu. AWS Cloud Verwenden Sie den neuen `PublishResultsOnTopic` Konfigurationsparameter, um das Thema anzugeben, zu dem Sie Ergebnisse veröffentlichen möchten. Fügen Sie den neuen `ImageDirectory` Konfigurationsparameter hinzu, mit dem Sie ein benutzerdefiniertes Verzeichnis für das Bild angeben können, für das Sie Inferenzen durchführen möchten.
**Fehlerkorrekturen und Verbesserungen**
Schreiben Sie die Inferenzergebnisse in die Protokolldatei der Komponente statt in eine separate Inferenzdatei. Verwenden Sie das AWS IoT Greengrass Core-Software-Logging-Modul, um die Komponentenausgabe zu protokollieren. Verwenden Sie das AWS IoT Device SDK , um die Komponentenkonfiguration zu lesen und Konfigurationsänderungen anzuwenden. |
| DLR-Objekterkennung | Version 2.1.1 der [DLR-Objekterkennungskomponente](dlr-object-detection-component.md) ist verfügbar.**Neue Features**
Verwenden Sie [Deep Learning Runtime v1.6.0](https://github.com/neo-ai/neo-ai-dlr). Unterstützung für die Erkennung von Beispielobjekten auf Armv8 (AArch64) -Plattformen hinzugefügt. Dies erweitert die Unterstützung für maschinelles Lernen für Greengrass-Kerngeräte, auf denen NVIDIA Jetson ausgeführt wird, wie z. B. den Jetson Nano. Aktivieren Sie die Kameraintegration für Probeninferenz. Verwenden Sie den neuen `UseCamera` Konfigurationsparameter, um den Beispiel-Inferenzcode für den Zugriff auf die Kamera auf Ihrem Greengrass-Core-Gerät zu aktivieren und die Inferenz lokal auf dem aufgenommenen Bild auszuführen. Fügen Sie Unterstützung für die Veröffentlichung von Inferenzergebnissen zur hinzu. AWS Cloud Verwenden Sie den neuen `PublishResultsOnTopic` Konfigurationsparameter, um das Thema anzugeben, zu dem Sie Ergebnisse veröffentlichen möchten. Fügen Sie den neuen `ImageDirectory` Konfigurationsparameter hinzu, mit dem Sie ein benutzerdefiniertes Verzeichnis für das Bild angeben können, für das Sie Inferenzen durchführen möchten.
**Fehlerkorrekturen und Verbesserungen**
Schreiben Sie die Inferenzergebnisse in die Protokolldatei der Komponente statt in eine separate Inferenzdatei. Verwenden Sie das AWS IoT Greengrass Core-Software-Logging-Modul, um die Komponentenausgabe zu protokollieren. Verwenden Sie das AWS IoT Device SDK , um die Komponentenkonfiguration zu lesen und Konfigurationsänderungen anzuwenden. |
| Modellspeicher für die DLR-Bildklassifizierung | Version 2.1.1 der [DLR-Komponente zum Speichern von Bildklassifizierungsmodellen](dlr-image-classification-model-store-component.md) ist verfügbar.**Neue Features**
Fügen Sie ein Beispiel für ein ResNet -50-Bildklassifizierungsmodell für Armv8 () -Plattformen hinzu. AArch64 Dies erweitert die Unterstützung für maschinelles Lernen für Greengrass-Kerngeräte, auf denen NVIDIA Jetson ausgeführt wird, wie z. B. den Jetson Nano. |
| Modellspeicher für DLR-Objekterkennung | Version 2.1.1 der [DLR-Komponente für den Modellspeicher zur Objekterkennung](dlr-object-detection-model-store-component.md) ist verfügbar.**Neue Features**
Fügen Sie ein Beispiel für ein YOLOv3 Objekterkennungsmodell für Armv8 () AArch64 -Plattformen hinzu. Dies erweitert die Unterstützung für maschinelles Lernen für Greengrass-Kerngeräte, auf denen NVIDIA Jetson ausgeführt wird, wie z. B. den Jetson Nano. |
| DLR-Installationsprogramm | Version 1.6.1 der [DLR-Komponente](dlr-component.md) ist verfügbar.**Neue Features**
Installieren Sie [Deep Learning Runtime](https://github.com/neo-ai/neo-ai-dlr) v1.6.0 und die zugehörigen Abhängigkeiten. Unterstützung für die Installation von DLR auf Armv8 () AArch64 -Plattformen hinzugefügt. Dies erweitert die Unterstützung für maschinelles Lernen für Greengrass-Kerngeräte, auf denen NVIDIA Jetson ausgeführt wird, wie z. B. den Jetson Nano.
**Fehlerkorrekturen und Verbesserungen**
Installieren Sie das AWS IoT Device SDK in der virtuellen Umgebung, um die Komponentenkonfiguration zu lesen und die Konfigurationsänderungen anzuwenden. Zusätzliche kleinere Bugfixes und Verbesserungen. |
| TensorFlow Lite-Bildklassifizierung | Version 2.1.0 der neuen [TensorFlow Lite-Komponente zur Bildklassifizierung](tensorflow-lite-image-classification-component.md) ist verfügbar.**Neue Features**
[Unterstützung für die Inferenz zur Klassifizierung von Beispielbildern mithilfe von TensorFlow Lite hinzugefügt.](https://www.tensorflow.org/lite/guide/python) |
| TensorFlow Lite-Objekterkennung | Version 2.1.0 der neuen [TensorFlow Lite-Komponente zur Objekterkennung](tensorflow-lite-object-detection-component.md) ist verfügbar.**Neue Features**
[Unterstützung für Beispiel-Inferenzen zur Objekterkennung mit TensorFlow Lite hinzugefügt.](https://www.tensorflow.org/lite/guide/python) |
| TensorFlow Lite-Modellspeicher zur Bildklassifizierung | Version 2.1.0 der neuen [TensorFlow Lite-Komponente „Image Classification Model Store](tensorflow-lite-image-classification-model-store-component.md)“ ist verfügbar.**Neue Features**
Stellen Sie mit Lite ein vortrainiertes MobileNet quantisiertes v1-Modell für die Inferenz zur Klassifizierung von Probenbildern bereit. TensorFlow |
| TensorFlow Lite-Modellspeicher zur Objekterkennung | Version 2.1.0 der neuen [TensorFlow Lite-Komponente für den Objektspeicher zur Objekterkennung](tensorflow-lite-object-detection-model-store-component.md) ist verfügbar.**Neue Features**
Stellen Sie ein vortrainiertes MobileNet SSD-Modell (Single Shot Detection) bereit, das anhand des COCO-Datensatzes trainiert wurde, um mithilfe von Lite anhand eines Beispiels eine Inferenz zur Objekterkennung zu erhalten. TensorFlow |
| TensorFlow Lite | Version 2.5.0 der neuen [TensorFlow Lite-Komponente](tensorflow-lite-component.md) ist verfügbar.**Neue Features**
Installieren Sie [TensorFlow Lite](https://www.tensorflow.org/lite/guide/python) v1.6.0 und seine Abhängigkeiten in einer virtuellen Umgebung auf den Plattformen Armv7, Armv8 (AArch64) und x86\_64. |