Passen Sie Ihre Komponenten für maschinelles Lernen an

So stellen Sie eine modifizierte öffentliche Inferenzkomponente (Konsole) bereit

1. Melden Sie sich an der AWS IoT Greengrass -Konsole an.

2. Wählen Sie im Navigationsmenü Komponenten.

3. Wählen Sie auf der Seite Komponenten auf der Registerkarte Öffentliche Komponenten die Komponente aus, die Sie bereitstellen möchten.

4. Wählen Sie auf der Komponentenseite die Option Bereitstellen aus.

5. Wählen Sie unter Zur Bereitstellung hinzufügen eine der folgenden Optionen aus:

   1. Um diese Komponente mit einer auf Ihrem Zielgerät vorhandenen Bereitstellung zusammenzuführen, wählen Sie Zu vorhandener Bereitstellung hinzufügen und wählen Sie dann die Bereitstellung aus, die Sie überarbeiten möchten.

   2. Um auf Ihrem Zielgerät eine neue Bereitstellung zu erstellen, wählen Sie Neue Bereitstellung erstellen aus. Wenn auf Ihrem Gerät bereits eine Bereitstellung vorhanden ist, ersetzt die Auswahl in diesem Schritt die vorhandene Bereitstellung.

6. Gehen Sie auf der Seite Ziel angeben wie folgt vor:

   1. Geben Sie unter Bereitstellungsinformationen den Anzeigenamen für Ihre Bereitstellung ein oder ändern Sie ihn.

   2. Wählen Sie unter Bereitstellungsziele ein Ziel für Ihre Bereitstellung aus und klicken Sie auf Weiter. Wenn Sie eine vorhandene Bereitstellung überarbeiten, können Sie das Bereitstellungsziel nicht ändern.

7. Vergewissern Sie sich auf der Seite Komponenten auswählen unter Öffentliche Komponenten, dass die Inferenzkomponente mit Ihrer geänderten Konfiguration ausgewählt ist, und wählen Sie Weiter aus.

8. Gehen Sie auf der Seite Komponenten konfigurieren wie folgt vor:

   1. Wählen Sie die Inferenzkomponente und anschließend Komponente konfigurieren aus.

   2. Geben Sie unter Konfigurationsupdate die Konfigurationswerte ein, die Sie aktualisieren möchten. Geben Sie beispielsweise das folgende Konfigurationsupdate in das Feld Konfiguration zum Zusammenführen ein, um das Inferenzintervall auf 15 Sekunden zu ändern, und weisen Sie die Komponente an, nach dem custom.jpg /custom-ml-inference/images/ im Ordner genannten Bild zu suchen.

      {
        "InferenceInterval": "15",
        "ImageName": "custom.jpg",
        "ImageDirectory": "/custom-ml-inference/images/"
      }

      Um die gesamte Konfiguration einer Komponente auf ihre Standardwerte zurückzusetzen, geben Sie eine einzelne leere Zeichenfolge "" in das Feld Pfade zurücksetzen ein.

   3. Wählen Sie Bestätigen aus, und wählen Sie dann Weiter.

9. Behalten Sie auf der Seite Erweiterte Einstellungen konfigurieren die Standardkonfigurationseinstellungen bei und wählen Sie Weiter.

10. Wählen Sie auf der Seite Überprüfen die Option Bereitstellen

1. Führen Sie den folgenden Befehl aus, um das Komponentenrezept der DLR Bildklassifizierungskomponente abzurufen. Mit diesem Befehl wird das Komponentenrezept in die Rezeptdatei JSON oder in die YAML Rezeptdatei geschrieben, die Sie in Ihrem Befehl angeben.

   Linux, macOS, or Unix

   aws greengrassv2 get-component \
       --arn arn:aws:greengrass:region:aws:components:aws.greengrass.DLRImageClassification:versions:version \
       --recipe-output-format JSON | YAML \
       --query recipe \
       --output text | base64 --decode > <recipe-file>

   Windows Command Prompt (CMD)

   aws greengrassv2 get-component ^
       --arn arn:aws:greengrass:region:aws:components:aws.greengrass.DLRImageClassification:versions:version ^
       --recipe-output-format JSON | YAML ^
       --query recipe ^
       --output text > <recipe-file>.base64
   
   certutil -decode <recipe-file>.base64 <recipe-file>

   PowerShell

   aws greengrassv2 get-component `
       --arn arn:aws:greengrass:region:aws:components:aws.greengrass.DLRImageClassification:versions:version `
       --recipe-output-format JSON | YAML `
       --query recipe `
       --output text > <recipe-file>.base64
   
   certutil -decode <recipe-file>.base64 <recipe-file>

   <recipe-file>Ersetzen Sie es durch den Namen des Rezepts im Format<component-name>-<component-version>.

2. Führen Sie in dem ComponentDependencies Objekt in Ihrem Rezept je nach Modell und Laufzeitkomponenten, die Sie verwenden möchten, eine oder mehrere der folgenden Aktionen aus:

   • Behalten Sie die DLR Komponentenabhängigkeit bei, wenn Sie DLR -kompilierte Modelle verwenden möchten. Sie können sie auch durch eine Abhängigkeit von einer benutzerdefinierten Laufzeitkomponente ersetzen, wie im folgenden Beispiel gezeigt.

     Runtime-Komponente

     JSON

     { 
         "<runtime-component>": {
             "VersionRequirement": "<version>",
             "DependencyType": "HARD"
         }
     }

     YAML

     <runtime-component>:
         VersionRequirement: "<version>"
         DependencyType: HARD

   • Behalten Sie die Abhängigkeit vom DLR Bildklassifizierungsmodell bei, um die bereitgestellten vortrainierten ResNet -50-Modelle zu verwenden, oder ändern Sie sie, um eine benutzerdefinierte Modellkomponente zu verwenden. AWS Wenn Sie eine Abhängigkeit für eine Komponente eines öffentlichen Modells hinzufügen AWS-Konto und eine spätere benutzerdefinierte Version der Komponente in derselben Hand vorhanden ist AWS-Region, verwendet die Inferenzkomponente diese benutzerdefinierte Komponente. Geben Sie die Abhängigkeit von der Modellkomponente an, wie in den folgenden Beispielen gezeigt.

     Öffentliche Modellkomponente

     JSON

     {
         "variant.DLR.ImageClassification.ModelStore": {
             "VersionRequirement": "<version>",
             "DependencyType": "HARD"
         }
     }

     YAML

     variant.DLR.ImageClassification.ModelStore:
         VersionRequirement: "<version>"
         DependencyType: HARD

     Komponente für benutzerdefiniertes Modell

     JSON

     {
         "<custom-model-component>": {
             "VersionRequirement": "<version>",
             "DependencyType": "HARD"
         }
     }

     YAML

     <custom-model-component>:
         VersionRequirement: "<version>"
         DependencyType: HARD

3. Fügen Sie im ComponentConfiguration Objekt die Standardkonfiguration für diese Komponente hinzu. Sie können diese Konfiguration später ändern, wenn Sie die Komponente bereitstellen. Der folgende Auszug zeigt die Komponentenkonfiguration für die DLR Bildklassifizierungskomponente.

   Wenn Sie beispielsweise eine benutzerdefinierte Modellkomponente als Abhängigkeit für Ihre benutzerdefinierte Inferenzkomponente verwenden, ändern Sie sie so, dass ModelResourceKey sie die Namen der Modelle angeben, die Sie verwenden.

   JSON

   {
     "accessControl": {
       "aws.greengrass.ipc.mqttproxy": {
         "aws.greengrass.ImageClassification:mqttproxy:1": {
           "policyDescription": "Allows access to publish via topic ml/dlr/image-classification.",
           "operations": [
             "aws.greengrass#PublishToIoTCore"
           ],
           "resources": [
             "ml/dlr/image-classification"
           ]
         }
       }
     },
     "PublishResultsOnTopic": "ml/dlr/image-classification",
     "ImageName": "cat.jpeg",
     "InferenceInterval": 3600,
     "ModelResourceKey": {
       "armv7l": "DLR-resnet50-armv7l-cpu-ImageClassification",
       "x86_64": "DLR-resnet50-x86_64-cpu-ImageClassification",
       "aarch64": "DLR-resnet50-aarch64-cpu-ImageClassification"
     }
   }

   YAML

   accessControl:
       aws.greengrass.ipc.mqttproxy:
           'aws.greengrass.ImageClassification:mqttproxy:1':
               policyDescription: 'Allows access to publish via topic ml/dlr/image-classification.'
               operations:
                   - 'aws.greengrass#PublishToIoTCore'
               resources:
                   - ml/dlr/image-classification
   PublishResultsOnTopic: ml/dlr/image-classification
   ImageName: cat.jpeg
   InferenceInterval: 3600
   ModelResourceKey:
       armv7l: "DLR-resnet50-armv7l-cpu-ImageClassification"
       x86_64: "DLR-resnet50-x86_64-cpu-ImageClassification"
       aarch64: "DLR-resnet50-aarch64-cpu-ImageClassification"

4. Geben Sie im Manifests Objekt Informationen zu den Artefakten und der Konfiguration dieser Komponente an, die verwendet werden, wenn die Komponente auf verschiedenen Plattformen bereitgestellt wird, sowie alle anderen Informationen, die für die erfolgreiche Ausführung der Komponente erforderlich sind. Der folgende Auszug zeigt die Konfiguration des Manifests Objekts für die Linux-Plattform in der Komponente zur DLR Bildklassifizierung.

   JSON

   {
     "Manifests": [
       {
         "Platform": {
           "os": "linux",
           "architecture": "arm"
         },
         "Name": "32-bit armv7l - Linux (raspberry pi)",
         "Artifacts": [
           {
             "URI": "s3://SAMPLE-BUCKET/sample-artifacts-directory/image_classification.zip",
             "Unarchive": "ZIP"
           }
         ],
         "Lifecycle": {
           "Setenv": {
             "DLR_IC_MODEL_DIR": "{variant.DLR.ImageClassification.ModelStore:artifacts:decompressedPath}/{configuration:/ModelResourceKey/armv7l}",
             "DEFAULT_DLR_IC_IMAGE_DIR": "{artifacts:decompressedPath}/image_classification/sample_images/"
           },
           "Run": {
             "RequiresPrivilege": true,
             "script": ". {variant.DLR:configuration:/MLRootPath}/greengrass_ml_dlr_venv/bin/activate\npython3 {artifacts:decompressedPath}/image_classification/inference.py"
           }
         }
       }
     ]
   }

   YAML

   Manifests:
     - Platform:
         os: linux
         architecture: arm
       Name: 32-bit armv7l - Linux (raspberry pi)
       Artifacts:
         - URI: s3://SAMPLE-BUCKET/sample-artifacts-directory/image_classification.zip
           Unarchive: ZIP
       Lifecycle:
         SetEnv:
           DLR_IC_MODEL_DIR: "{variant.DLR.ImageClassification.ModelStore:artifacts:decompressedPath}/{configuration:/ModelResourceKey/armv7l}"
           DEFAULT_DLR_IC_IMAGE_DIR: "{artifacts:decompressedPath}/image_classification/sample_images/"
         Run:
           RequiresPrivilege: true
           script: |-
             . {variant.DLR:configuration:/MLRootPath}/greengrass_ml_dlr_venv/bin/activate
             python3 {artifacts:decompressedPath}/image_classification/inference.py