Cómo configurar la inferencia de machine learning mediante AWS Management Console - AWS IoT Greengrass
Requisitos previosConfiguración de Raspberry PiInstalar el marco MXNetCrear un paquete de modeloCrear y publicar una función de Lambda.Añadir la función de Lambda al grupoAgregar recursos al grupoAgregar una suscripción al grupoImplementar el grupoProbar la aplicaciónPasos siguientesConfiguración de Intel AtomConfiguración de un dispositivo NVIDIA Jetson TX2

AWS IoT Greengrass Version 1 entró en la fase de vida útil prolongada el 30 de junio de 2023. Para obtener más información, consulte la política de mantenimiento de AWS IoT Greengrass V1 Después de esta fecha, AWS IoT Greengrass V1 no se publicarán actualizaciones que proporcionen funciones, mejoras, correcciones de errores o parches de seguridad. Los dispositivos que se ejecuten AWS IoT Greengrass V1 no se verán afectados y seguirán funcionando y conectándose a la nube. Le recomendamos encarecidamente que migre a AWS IoT Greengrass Version 2, ya que añade importantes funciones nuevas y es compatible con plataformas adicionales.

Las traducciones son generadas a través de traducción automática. En caso de conflicto entre la traducción y la version original de inglés, prevalecerá la version en inglés.

Cómo configurar la inferencia de machine learning mediante AWS Management Console

Para seguir los pasos de este tutorial, necesita Núcleo de AWS IoT Greengrass versión 1.10 o posterior.

Puede realizar la inferencia de machine learning (ML) localmente en un dispositivo central de Greengrass utilizando datos generados localmente. Para obtener información, incluidos los requisitos y las restricciones, consulte Cómo realizar la inferencia de machine learning.

En este tutorial se describe cómo utilizar la AWS Management Console para configurar un grupo de Greengrass para ejecutar una aplicación de inferencias de Lambda que reconoce imágenes de una cámara localmente, sin enviar datos a la nube. La aplicación de inferencias obtiene acceso al módulo de la cámara de un dispositivo Raspberry Pi y ejecuta la inferencia mediante el modelo SqueezeNet de código abierto.

El tutorial contiene los siguientes pasos generales:

  1. Configuración de Raspberry Pi

  2. Instalar el marco MXNet

  3. Crear un paquete de modelo

  4. Crear y publicar una función de Lambda.

  5. Añadir la función de Lambda al grupo

  6. Agregar recursos al grupo

  7. Agregar una suscripción al grupo

  8. Implementar el grupo

  9. Probar la aplicación

Requisitos previos

Para completar este tutorial, se necesita lo siguiente:

nota

En este tutorial se utiliza un dispositivo Raspberry Pi, pero AWS IoT Greengrass es compatible con otras plataformas, como Intel Atom y NVIDIA Jetson TX2. En el ejemplo de Jetson TX2, pueden utilizarse imágenes estáticas en lugar de imágenes transmitidas desde una cámara. Si usa el ejemplo de Jetson TX2, es posible que necesite instalar Python 3.6 en lugar de Python 3.7. Si necesita más información acerca de cómo configurar el dispositivo para poder instalar el software AWS IoT Greengrass Core, consulte Configuración de otros dispositivos.

Para las plataformas de terceros que AWS IoT Greengrass no son compatibles, debe ejecutar la función de Lambda en modo no contenerizado. Para ejecutarla en modo no contenerizado, debe ejecutar la función de Lambda como raíz. Para obtener más información, consulte Consideraciones a la hora de elegir la creación de contenedores de la función de Lambda. y Configuración de la identidad de acceso predeterminada para las funciones de Lambda de un grupo.

Paso 1: Configurar el Raspberry Pi

En este paso, va a instalar actualizaciones del sistema operativo Raspbian, el software del módulo de cámara y las dependencias de Python, y va a habilitar la interfaz de la cámara.

Ejecute los siguientes comandos en el terminal de Raspberry Pi.

  1. Instale las actualizaciones en Raspbian.

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

  2. Instale la interfaz picamera del módulo de cámara y las demás bibliotecas de Python que sean necesarias para este tutorial.

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

    Valide la instalación:

    • Asegúrese de que la instalación de Python 3.7 incluye pip.

      python3 -m pip

      Si pip no está instalado, descárguelo del sitio web de pip y ejecute el siguiente comando.

      python3 get-pip.py

    • Asegúrese de que la versión de Python es 3.7 o superior.

      python3 --version

      Si en la salida aparece una versión anterior, ejecute el siguiente comando.

      sudo apt-get install -y python3.7-dev

    • Asegúrese de que Setuptools y Picamera se han instalado correctamente.

      sudo -u ggc_user bash -c 'python3 -c "import setuptools"'
sudo -u ggc_user bash -c 'python3 -c "import picamera"'

      Si el resultado no contiene errores, la validación es correcta.

    nota

    Si el ejecutable de Python instalado en el dispositivo es python3.7, utilice python3.7 en lugar de python3 con los comandos de este tutorial. Asegúrese de que la instalación de pip corresponde a la versión python3 o python3.7 correcta para evitar errores de dependencia.

  3. Reinicie el Raspberry Pi.

    sudo reboot

  4. Abra la herramienta de configuración de Raspberry Pi.

    sudo raspi-config

  5. Utilice las teclas de flecha para abrir Interfacing Options (Opciones de interfaz) y habilitar la interfaz de la cámara. Si se le solicita, permita que el dispositivo se reinicie.

  6. Utilice el siguiente comando para probar la configuración de la cámara.

    raspistill -v -o test.jpg

    Se abre una ventana de vista previa en el Raspberry Pi, se guarda una imagen denominada test.jpg en el directorio actual y se muestra información sobre la cámara en el terminal de Raspberry Pi.

Paso 2: Instalar el marco MXNet

En este paso, va a instalar bibliotecas de MXNet en su Raspberry Pi.

  1. Inicie sesión en su Raspberry Pi de forma remota.

    ssh pi@your-device-ip-address

  2. Abra la documentación de MXNet, diríjase a Installing MXNet y siga las instrucciones para instalar MXNet en el dispositivo.

    nota

    Recomendamos instalar la versión 1.5.0 y compilar MXNet desde el código fuente para este tutorial a fin de evitar conflictos entre dispositivos.

  3. Después de instalar MXNet, valide la siguiente configuración:

    • Asegúrese de que la cuenta ggc_user del sistema puede utilizar el marco MXNet.

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

    • Compruebe que NumPy esté instalado.

      sudo -u ggc_user bash -c 'python3 -c "import numpy"'

Paso 3: Crear un paquete de modelo de MXNet

En este paso, cree un paquete de modelo que contenga un modelo MXNet preentrenado de muestra para cargarlo en Amazon Simple Storage Service (Amazon S3). AWS IoT Greengrass puede utilizar un paquete de modelo de Amazon S3, siempre que utilice el formato tar.gz o zip.

  1. En su equipo, descargue el ejemplo de MXNet para Raspberry Pi de Ejemplos de aprendizaje automático.

  2. Descomprima el archivo mxnet-py3-armv7l.tar.gz descargado.

  3. Vaya al directorio squeezenet.

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

    El archivo squeezenet.zip de este directorio es el paquete de modelo. Contiene artefactos de código abierto SqueezeNet para un modelo de clasificación de imágenes. Más adelante, cargará este paquete de modelo en Amazon S3.

Paso 4: Crear y publicar una función de Lambda

En este paso, va a crear un paquete de implementación de funciones de Lambda y una función de Lambda. A continuación, publicará una versión de la función y creará un alias.

Primero, cree el paquete de implementación de funciones de Lambda.

  1. En el equipo, desplácese hasta el directorio examples del paquete de ejemplo en el que descomprimió Paso 3: Crear un paquete de modelo de MXNet.

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

    El directorio examples contiene el código de la función y las dependencias.

    • greengrassObjectClassification.py es el código de inferencia que se utiliza en este tutorial. Puede usar este código como plantilla para crear su propia función de inferencia.

    • greengrasssdk es la versión 1.5.0 del AWS IoT Greengrass Core SDK para Python.

      nota

      Si hay una nueva versión disponible, puede descargarla y actualizar la versión del SDK del paquete de implementación. Para obtener más información, AWS IoT Greengrassvea SDK de Python en GitHub.

  2. Comprima el contenido del directorio examples en un archivo llamado greengrassObjectClassification.zip. Este es el paquete de implementación. 

    zip -r greengrassObjectClassification.zip .
    nota

    Asegúrese de que los archivos .py y las dependencias se encuentran en la raíz del directorio.

     

    Ahora, cree la función de Lambda.

  3. En la consola AWS IoT, seleccione Funciones y Crear función.

  4. Elija Autor desde cero y utilice los siguientes valores para crear su función:

    • En Nombre de la característica, introduzca greengrassObjectClassification.

    • En Runtime (Tiempo de ejecución), elija Python 3.7.

    En Permisos, mantenga la configuración predeterminada. Esto crea un rol de ejecución que otorga permisos Lambda básicos. AWS IoT Greengrass no utiliza este rol.

  5. Elija Crear Función.

     

    Ahora, cargue el paquete de implementación de la función de Lambda y registre el controlador.

  6. Elija su función de Lambda y cargue su paquete de implementación de funciones de Lambda.

    1. En la pestaña Código, en Código fuente, seleccione Cargar desde. En el menú desplegable, seleccione un archivo .zip..

      La carga del menú desplegable con el archivo .zip resaltado.

    2. Seleccione Cargar y, a continuación, elija su paquete de implementación greengrassObjectClassification.zip. A continuación, elija Guardar.

    3. En la pestaña Código de la función, en Configuración de tiempo de ejecución, elija Editar y, a continuación, introduzca los siguientes valores.

      • En Runtime (Tiempo de ejecución), elija Python 3.7.

      • En Handler (Controlador), escriba greengrassObjectClassification.function_handler.

      Seleccione Save.

    A continuación, publique la primera versión de la función de Lambda. A continuación, cree un alias para la versión.

    nota

    Los grupos de Greengrass pueden hacer referencia a una función de Lambda por versión o alias (recomendado). El uso de un alias facilita la gestión de las actualizaciones del código porque no tiene que cambiar la tabla de suscripción o la definición del grupo cuando se actualiza el código de la función. En su lugar, basta con apuntar el alias a la nueva versión de la función.

  7. En el menú Actions, elija Publish new version.

    La opción Publish new version (Publicar nueva versión) del menú Actions (Acciones).

  8. En Version description (Descripción de versión), escriba First version y, a continuación, elija Publish (Publicar).

  9. En la página de configuración de greengrassObjectClassification: 1, en el menú Actions (Acciones), elija Create alias (Crear alias).

    La opción Create alias (Crear alias) en el menú Actions (Acciones).

  10. En la página Create a new alias, utilice los valores siguientes:

    • En Name (Nombre), ingrese mlTest.

    • En Version (Versión), escriba 1.

    nota

    AWS IoT Greengrass no admite alias de Lambda; para versiones de $LATEST.

  11. Seleccione Save.

     

    Ahora, añada función de Lambda al grupo de Greengrass.

Paso 5: Añadir la función de Lambda al grupo de Greengrass

En este paso, va a agregar la función de Lambda al grupo y a configurar su ciclo de vida y las variables de entorno.

Primero, añada función de Lambda al grupo de Greengrass.

  1. En el panel de navegación de la consola AWS IoT, en Administrar, expanda los dispositivos Greengrass y, a continuación, elija Grupos (V1).

  2. En la página de configuración del grupo, seleccione la pestaña Funciones de Lambda.

  3. En la sección Mis funciones de Lambda, seleccione Añadir.

  4. Para la función de Lambda, seleccione greengrassObjectClassification.

  5. Para la versión de la función de Lambda, elija Alias:MLTest.

     

    A continuación, configure el ciclo de vida y las variables de entorno de la función de Lambda.

  6. En la sección Configuración de la función de Lambda, realice las siguientes actualizaciones.

    nota

    Le recomendamos que ejecute la función de Lambda sin creación de contenedores, a menos que su modelo de negocio lo requiera. Esto permite el acceso a la GPU y la cámara del dispositivo sin necesidad de configurar los recursos del dispositivo. Si ejecuta sin creación de contenedores, también debe conceder acceso raíz a las funciones de Lambda AWS IoT Greengrass.

    1. Para ejecutar sin creación de contenedores:

    2. Para ejecutarlo en modo contenerizado, en su lugar:

      nota

      No recomendamos ejecutarlo en modo contenerizado a menos que su modelo de negocio lo requiera.

      • En Usuario y grupo del sistema, seleccione Usar grupo predeterminado.

      • Para la creación de contenedores de funciones de Lambda, elija Usar grupo por defecto.

      • En Límite de memoria, escriba 96 MB.

      • En Tiempo de espera, escriba 10 seconds.

      • En Ancladas, elija Verdadero

        Para obtener más información, consulte Configuración del ciclo de vida de las funciones de Lambda de Greengrass.

  7. En Variables de entorno, cree un par clave-valor. Un par clave-valor es necesario para las funciones que interactúan con modelos MXNet en un Raspberry Pi.

    Como clave, utilice MXNET_ENGINE_TYPE. Como valor, utilice NaiveEngine.

    nota

    En sus propias funciones de Lambda definidas por el usuario, si lo desea, puede establecer la variable de entorno en el código de la función.

  8. Mantenga los valores predeterminados para todas las demás propiedades y elija Agregar función de Lambda.

Paso 6: Agregar recursos al grupo de Greengrass

En este paso, va a crear recursos para el módulo de cámara y el modelo de inferencia de machine learning, y a asociar los recursos con la función de Lambda. De este modo, la función de Lambda podrá acceder a los recursos del dispositivo del núcleo.

nota

Si lo ejecuta en modo no contenerizado, AWS IoT Greengrass podrá acceder a la GPU y a la cámara del dispositivo sin necesidad de configurar estos recursos del dispositivo.

En primer lugar, cree dos recursos de dispositivos locales para la cámara: uno para la memoria compartida y otro para la interfaz del dispositivo. Para obtener más información sobre el acceso a los recursos locales, consulte Acceder a recursos locales con conectores y funciones de Lambda.

  1. En la página de configuración del grupo, elija la pestaña Recursos.

  2. En la pestaña Recursos locales, elija Añadir recurso local.

  3. En la página Añadir un recurso local, utilice los siguientes valores:

    • En Nombre del recurso, escriba videoCoreSharedMemory.

    • En Tipo de recurso, elija Dispositivo.

    • En Ruta del dispositivo, escriba /dev/vcsm.

      La ruta del dispositivo es la ruta local completa del recurso del dispositivo. Esta ruta solo puede hacer referencia a un dispositivo de carácter o un dispositivo de bloques situado bajo /dev.

    • En Propietario del grupo del sistema y permisos de acceso a archivos, seleccione Añadir automáticamente permisos del sistema de archivos del grupo del sistema propietario del recurso.

      La opción Permisos de acceso a los archivos del propietario del grupo le permite conceder al proceso de Lambda permisos de acceso a archivos adicionales. Para obtener más información, consulte Group owner file access permission (Permiso de acceso a los archivos del propietario del grupo).

  4. A continuación, añada un recurso de dispositivo local para la interfaz de la cámara.

  5. Seleccione Añadir recurso local.

  6. En la página Añadir un recurso local, utilice los siguientes valores:

    • En Nombre del recurso, escriba videoCoreInterface.

    • En Tipo de recurso, elija Dispositivo.

    • En Ruta del dispositivo, escriba /dev/vchiq.

    • En Propietario del grupo del sistema y permisos de acceso a archivos, seleccione Añadir automáticamente permisos del sistema de archivos del grupo del sistema propietario del recurso.

  7. En la parte inferior de la página, elija Añadir otro recurso.

 

Ahora, añada el modelo de inferencia como recurso de machine learning. Este paso incluye cargar el paquete de modelo squeezenet.zip en Amazon S3.

  1. En la pestaña Recursos de su grupo, en la sección Machine learning, seleccione Añadir recurso de machine learning.

  2. En la página Añadir un recurso de machine learning, en Nombre del recurso, escriba squeezenet_model.

  3. En Origen del modelo, elija Usar un modelo almacenado en S3, como un modelo optimizado mediante el Compilador de Aprendizaje Profundo.

  4. Para el URI de S3, introduzca una ruta en la que se guarde el bucket de S3.

  5. Elija Browse S3 (Examinar S3). Esto abre una nueva pestaña en la consola de Amazon S3.

  6. En la pestaña de la consola de Amazon S3 cargue su archivo squeezenet.zip en un bucket de Amazon S3. Para obtener información, consulte ¿Cómo puedo cargar archivos y carpetas en un bucket de S3? en la Guía del usuario de Amazon Simple Storage Service.

    nota

    Para que se pueda acceder al bucket de S3, el nombre del bucket debe contener la cadena greengrass y el bucket debe estar en la misma región que usted utiliza AWS IoT Greengrass. Elija un nombre único (como greengrass-bucket-user-id-epoch-time). No utilice un punto (.) en el nombre del bucket.

  7. En la pestaña de la consola de AWS IoT Greengrass, localice y elija su bucket de S3. Localice y cargue el archivo squeezenet.zip y elija Select (Seleccionar). Es posible que tenga que elegir Refresh (Actualizar) para actualizar la lista de buckets y archivos disponibles.

  8. En Destination path (Ruta de destino), escriba /greengrass-machine-learning/mxnet/squeezenet.

    Este es el destino para el modelo local en el espacio de nombres del tiempo de ejecución de Lambda. Cuando se implementa el grupo, AWS IoT Greengrass recupera el paquete del modelo de origen y, a continuación, extrae el contenido en el directorio especificado. La función de Lambda de ejemplo de este tutorial ya está configurada para utilizar esta ruta (en la variable model_path).

  9. En Propietario del grupo del sistema y permisos de acceso a archivos, seleccione Sin grupo del sistema.

  10. Seleccione Add resource (Añadir recurso).

Uso de modelos entrenados por SageMaker

Este tutorial utiliza un modelo almacenado en Amazon S3, pero también puedes utilizar fácilmente modelos de SageMaker. La consola AWS IoT Greengrass tiene integrada la integración con SageMaker, por lo que no necesitas subir manualmente estos modelos a Amazon S3. Para conocer los requisitos y las restricciones del uso de modelos de SageMaker, consulte Orígenes de modelos admitidos.

Para usar un modelo de SageMaker:

  • En Origen del modelo, seleccione Utilizar un modelo entrenado en SageMakerAWS y, a continuación, elija el nombre del trabajo de entrenamiento del modelo.

  • Para ruta de destino, introduzca la ruta al directorio donde su función de Lambda busca el modelo.

Paso 7: Agregar una suscripción al grupo de Greengrass

En este paso, va a agregar una suscripción al grupo. Esta suscripción permite a la función de Lambda enviar los resultados de predicción a AWS IoT mediante la publicación en un tema MQTT.

  1. En la página de configuración del grupo, elija la pestaña Suscripciones y, a continuación, elija Añadir suscripción.

  2. En la página Detalles de la suscripción, configure el origen y el destino de la siguiente manera:

    1. En Tipo de origen, elija Función de lambda y, a continuación, greengrassObjectClassification.

    2. En Tipo de destino, elija Servicio y, a continuación, Nube de IoT.

  3. En Filtro por temas, introduzca hello/world y, a continuación, seleccione Crear suscripción.

Paso 8: Implementar el grupo de Greengrass

En este paso, va a implementar la versión actual de la definición del grupo en el dispositivo del núcleo de Greengrass. La definición contiene la función de Lambda, los recursos y las configuraciones de suscripciones que ha añadido.

  1. Asegúrese de que el núcleo de AWS IoT Greengrass se está ejecutando. Ejecute los siguientes comandos en el terminal de Raspberry Pi según sea necesario.

    1. Para comprobar si el daemon está en ejecución:

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

      Si la salida contiene una entrada root para /greengrass/ggc/packages/1.11.6/bin/daemon, el daemon está en ejecución.

      nota

      La versión que figura en la ruta depende de la versión del software AWS IoT Greengrass Core que esté instalada en el dispositivo del núcleo.

    2. Iniciar el daemon:

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

  2. En la página de configuración de grupo, elija Implementar.

    La página del grupo con las opciones Deployments (Implementaciones) y and Deploy (Implementar) resaltadas.

  3. En la pestaña Funciones de Lambda, en la sección Funciones de Lambda del sistema, seleccione Detector IP y elija Editar.

  4. En el cuadro de diálogo Editar configuración del detector IP, seleccione Detectar y anular automáticamente los puntos de conexión del agente MQTT.

  5. Seleccione Save.

    Esto permite a los dispositivos adquirir automáticamente la información de conexión del dispositivo principal, como la dirección IP, el DNS y el número de puerto. Se recomienda la detección automática, pero AWS IoT Greengrass también es compatible con puntos de conexión especificados manualmente. Solo se le solicitará el método de detección la primera vez que se implemente el grupo.

    nota

    Si se le solicita, conceda permiso para crear el rol de servicio de Greengrass y asócielo a su Cuenta de AWS en el Región de AWS actual. Este rol permite a AWS IoT Greengrass acceder a los servicios de AWS.

    En la página Deployments (Implementaciones), se muestra la marca temporal, el ID de versión y el estado de la implementación. Una vez terminada, la implementación debería mostrar el estado Completado.

    Para obtener más información sobre las implementaciones, consulte Implementación de grupos de AWS IoT Greengrass en un núcleo de AWS IoT Greengrass. Para obtener ayuda sobre la resolución de problemas, consulte Solución de problemas de AWS IoT Greengrass.

Paso 9: Probar la aplicación de inferencias

Ahora puede verificar si la implementación se ha configurado correctamente. Para ello, suscríbase al tema hello/world y vea los resultados de la predicción que publica la función de Lambda.

nota

Si se conecta un monitor al Raspberry Pi, la imagen en directo de la cámara se muestra en una ventana de vista previa.

  1. En la consola AWS IoT, en Prueba, seleccione Cliente de prueba MQTT.

  2. En Subscriptions (Suscripciones), utilice los siguientes valores:

    • Como tema de la suscripción, utilice hello/world.

    • En Configuración adicional, para la visualización de la carga útil MQTT, seleccione Visualizar las cargas útiles como cadenas.

  3. Elija Subscribe.

    Si la prueba se realiza correctamente, los mensajes de la función de Lambda aparecen en la parte inferior de la página. Cada mensaje contiene los cinco primeros resultados de predicción de la imagen, con este formato: probabilidad, ID de la clase predicha y nombre de la clase correspondiente.

    La página Subscriptions (Suscripciones) con los resultados de la prueba y los datos de los mensajes.

Solución de problemas relacionados con la inferencia de machine learning de AWS IoT Greengrass

Si la prueba no se realiza correctamente, puede seguir estos pasos de solución de problemas. Ejecute los comandos en el terminal de Raspberry Pi.

Comprobación de los registros de error

  1. Cambie al usuario raíz y vaya al directorio log. El acceso a los registros de AWS IoT Greengrass requiere permisos raíz.

    sudo su
cd /greengrass/ggc/var/log

  2. En el directorio de system, marque runtime.log o python_runtime.log.

    En el directorio de user/region/account-id, marque greengrassObjectClassification.log.

    Para obtener más información, consulte Solución de problemas con los registros.

Error de "desempaquetado" en runtime.log

Si runtime.log contiene un error similar al siguiente, asegúrese de que el archivo tar.gz del paquete del modelo de origen tiene un directorio principal.

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

Si el paquete no tiene un directorio principal con los archivos del modelo, utilice el comando siguiente para volver a comprimir el modelo:

tar -zcvf model.tar.gz ./model

Por ejemplo:

─$ tar -zcvf test.tar.gz ./test
./test
./test/some.file
./test/some.file2
./test/some.file3
nota

No incluya caracteres /* en este comando.

 

Compruebe que la función de Lambda se ha implementado correctamente

  1. Muestre el contenido de la Lambda implementada en el directorio /lambda. Reemplace los valores de los marcadores de posición antes de ejecutar el comando .

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

  2. Compruebe que el directorio contiene el mismo contenido que el paquete de implementación greengrassObjectClassification.zip que cargó en el Paso 4: Crear y publicar una función de Lambda.

    Asegúrese también de que los archivos .py y las dependencias se encuentran en la raíz del directorio.

 

Compruebe que el modelo de inferencia se ha implementado correctamente

  1. Busque el número de identificación de proceso (PID) del proceso de tiempo de ejecución de Lambda:

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

    En el resultado, el PID aparece en la segunda columna de la línea correspondiente al proceso de tiempo de ejecución de Lambda.

  2. Entre en el espacio de nombres del tiempo de ejecución de Lambda. Asegúrese de que sustituye el valor del marcador de posición pid antes de ejecutar el comando.

    nota

    Este directorio y su contenido se encuentran en el espacio de nombres del tiempo de ejecución de Lambda, por lo que no son visibles en un espacio de nombres de Linux normal.

    sudo nsenter -t pid -m /bin/bash

  3. Muestre el contenido del directorio local que ha especificado para el recurso de machine learning.

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

    Debería ver los siguientes archivos:

    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

Pasos siguientes

A continuación, explore otras aplicaciones de inferencias. AWS IoT Greengrass proporciona otras funciones de Lambda que puede utilizar para probar la inferencia local. Puede encontrar el paquete con los ejemplos en la carpeta de bibliotecas precompiladas que descargó en el Paso 2: Instalar el marco MXNet.

Configuración de Intel Atom

Para ejecutar este tutorial en un dispositivo Intel Atom, debe proporcionar imágenes de origen, configurar la función de Lambda y agregar otro recurso del dispositivo local. Para utilizar la GPU como inferencia, compruebe que el siguiente software está instalado en el dispositivo:

  • OpenCL versión 1.0 o posterior

  • Python 3.7 y pip

    nota

    Si el dispositivo se ha precompilado con Python 3.6, puede crear un symlink a Python 3.7, en su lugar. Para obtener más información, consulte Paso 2.

  • NumPy

  • OpenCV en Wheels

  1. Descargue imágenes PNG o JPG estáticas para la función de Lambda que se va a utilizar para la clasificación de imágenes. El ejemplo funciona mejor con archivos de imágenes pequeños.

    Guarde los archivos de imágenes en el directorio que contiene el archivo greengrassObjectClassification.py (o en un subdirectorio de este directorio). Se encuentra en el paquete de implementación de la función de Lambda que cargó en Paso 4: Crear y publicar una función de Lambda.

    nota

    Si está utilizando AWS DeepLens, puede emplear la cámara integrada o montar su propia cámara para realizar la inferencia de imágenes capturadas en lugar de imágenes estáticas. Sin embargo, le recomendamos encarecidamente que empiece primero con imágenes estáticas.

    Si utiliza una cámara, asegúrese de que el paquete awscam de APT esté instalado y actualizado. Para obtener más información, consulte Actualización del dispositivo AWS DeepLens en la Guía para desarrolladores de AWS DeepLens.

  2. Edite la configuración de la función de Lambda. Siga el procedimiento indicado en Paso 5: Añadir la función de Lambda al grupo de Greengrass.

    nota

    Le recomendamos que ejecute la función de Lambda sin creación de contenedores, a menos que su modelo de negocio lo requiera. Esto permite el acceso a la GPU y la cámara del dispositivo sin necesidad de configurar los recursos del dispositivo. Si ejecuta sin creación de contenedores, también debe conceder acceso raíz a las funciones de Lambda AWS IoT Greengrass.

    1. Para ejecutar sin creación de contenedores:

      • En Usuario y grupo del sistema, elija Another user ID/group ID. En ID de usuario del sistema, introduzca 0. Para el ID de grupo del sistema, introduzca 0.

        Esto permite que la función de Lambda se ejecute como raíz. Para obtener más información sobre cómo ejecutar un trabajo, consulte Configuración de la identidad de acceso predeterminada para las funciones de Lambda de un grupo.

        sugerencia

        También debe actualizar el archivo config.json para conceder acceso raíz a la función de Lambda. Para informarse sobre este procedimiento, consulte Ejecución de una función de Lambda como raíz.

      • Para la creación de contenedores de la función de Lambda, elija Sin contenedor.

        Para obtener más información sobre la ejecución sin creación de contenedores, consulte Consideraciones a la hora de elegir la creación de contenedores de la función de Lambda..

      • Actualice el valor de Tiempo de espera a 5 segundos. De este modo, se asegurará de que la solicitud no supere el tiempo de inactividad demasiado pronto. La configuración tarda unos minutos en ejecutar la inferencia.

      • En Ancladas, elija Verdadero.

      • En Parámetros adicionales, para Acceso de lectura al directorio /sys, elija Activado.

      • Para Lambda lifecycle (Ciclo de vida de Lambda), elija Make this function long-lived and keep it running indefinitely (Prolongar la vida útil de esta función y mantenerla en ejecución indefinidamente).

    2. Para ejecutarlo en modo contenerizado, en su lugar:

      nota

      No recomendamos ejecutarlo en modo contenerizado a menos que su modelo de negocio lo requiera.

      • Actualice el valor de Tiempo de espera a 5 segundos. De este modo, se asegurará de que la solicitud no supere el tiempo de inactividad demasiado pronto. La configuración tarda unos minutos en ejecutar la inferencia.

      • En Ancladas, elija Verdadero

      • En Parámetros adicionales, para Acceso de lectura al directorio /sys, elija Activado.

  3. Si se ejecuta en modo contenerizado, añada el recurso de dispositivo local necesario para conceder acceso a su GPU de dispositivo.

    nota

    Si lo ejecuta en modo no contenerizado, AWS IoT Greengrass podrá acceder a la GPU del dispositivo sin necesidad de configurar este recurso del dispositivo.

    1. En la página de configuración del grupo, elija la pestaña Recursos.

    2. Seleccione Añadir recurso local.

    3. Defina el recurso:

      • En Nombre del recurso, escriba renderD128.

      • En Tipo de recurso, elija Dispositivo local.

      • En Device path (Ruta del dispositivo), escriba /dev/dri/renderD128.

      • En Propietario del grupo del sistema y permisos de acceso a archivos, seleccione Añadir automáticamente permisos del sistema de archivos del grupo del sistema propietario del recurso.

      • En Afiliaciones de funciones de Lambda, conceda Acceso de lectura y escritura a la función de Lambda.

Configuración de un dispositivo NVIDIA Jetson TX2

Para ejecutar este tutorial en un dispositivo NVIDIA Jetson TX2, proporcione las imágenes de origen y configure la función de Lambda. Si está utilizando la GPU, también debe agregar recursos de dispositivos locales.

  1. Compruebe que el dispositivo Jetson está configurado de forma que permita instalar el software AWS IoT Greengrass Core. Para obtener más información sobre la configuración del proyecto, consulte Configuración de otros dispositivos.

  2. Abra la documentación de MXNet, vaya a Installing MXNet on a Jetson y siga las instrucciones para instalar MXNet en el dispositivo Jetson.

    nota

    Si desea compilar MxNet desde el origen, siga las instrucciones para crear la biblioteca compartida. Modifique los siguientes ajustes en el archivo config.mk para trabajar con un dispositivo Jetson TX2:

    • Agréguela -gencode arch=compute-62, code=sm_62 a la opción CUDA_ARCH.

    • Active CUDA.

      USE_CUDA = 1

  3. Descargue imágenes PNG o JPG estáticas para la función de Lambda que se va a utilizar para la clasificación de imágenes. La aplicación funciona mejor con archivos de imágenes pequeños. Si lo prefiere, puede instrumentar una cámara en la placa Jetson para capturar las imágenes de origen.

    Guarde los archivos de la imagen en la carpeta que contiene el archivo greengrassObjectClassification.py. También puede guardarlos en un subdirectorio de esta carpeta. Este directorio esté en el paquete de implementación de funciones de Lambda que ha cargado en Paso 4: Crear y publicar una función de Lambda.

  4. Cree un symlink entre Python 3.7 y Python 3.6 para poder usar Python 3 con AWS IoT Greengrass. Ejecute el siguiente comando para localizar la instalación de Python:

    which python3

    Ejecute el siguiente comando para crear el symlink:

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

    Reinicie el dispositivo.

  5. Asegúrese de que la cuenta ggc_user del sistema puede usar el marco MxNet:

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

  6. Edite la configuración de la función de Lambda. Siga el procedimiento indicado en Paso 5: Añadir la función de Lambda al grupo de Greengrass.

    nota

    Le recomendamos que ejecute la función de Lambda sin creación de contenedores, a menos que su modelo de negocio lo requiera. Esto permite el acceso a la GPU y la cámara del dispositivo sin necesidad de configurar los recursos del dispositivo. Si ejecuta sin creación de contenedores, también debe conceder acceso raíz a las funciones de Lambda AWS IoT Greengrass.

    1. Para ejecutar sin creación de contenedores:

      • En Usuario y grupo del sistema, elija Another user ID/group ID. En ID de usuario del sistema, introduzca 0. Para el ID de grupo del sistema, introduzca 0.

        Esto permite que la función de Lambda se ejecute como raíz. Para obtener más información sobre cómo ejecutar un trabajo, consulte Configuración de la identidad de acceso predeterminada para las funciones de Lambda de un grupo.

        sugerencia

        También debe actualizar el archivo config.json para conceder acceso raíz a la función de Lambda. Para informarse sobre este procedimiento, consulte Ejecución de una función de Lambda como raíz.

      • Para la creación de contenedores de la función de Lambda, elija Sin contenedor.

        Para obtener más información sobre la ejecución sin creación de contenedores, consulte Consideraciones a la hora de elegir la creación de contenedores de la función de Lambda..

      • En Parámetros adicionales, para Acceso de lectura al directorio /sys, elija Activado.

      • En Variables de entorno, añada los siguientes pares clave-valor a su función de Lambda. Esto configurará AWS IoT Greengrass de modo que permita usar el marco MxNet.

        Clave

        Valor

        PATH

        /usr/local/cuda/bin:$PATH

        MXNET_HOME

        $HOME/mxnet/

        PYTHONPATH

        $MXNET_HOME/python:$PYTHONPATH

        CUDA_HOME

        /usr/local/cuda

        LD_LIBRARY_PATH

        $LD_LIBRARY_PATH:${CUDA_HOME}/lib64

    2. Para ejecutarlo en modo contenerizado, en su lugar:

      nota

      No recomendamos ejecutarlo en modo contenerizado a menos que su modelo de negocio lo requiera.

      • Aumente el valor de Memory limit (Límite de memoria). Utilice 500 MB para la CPU o, como mínimo, 2000 MB para la GPU.

      • En Parámetros adicionales, para Acceso de lectura al directorio /sys, elija Activado.

      • En Variables de entorno, añada los siguientes pares clave-valor a su función de Lambda. Esto configurará AWS IoT Greengrass de modo que permita usar el marco MxNet.

        Clave

        Valor

        PATH

        /usr/local/cuda/bin:$PATH

        MXNET_HOME

        $HOME/mxnet/

        PYTHONPATH

        $MXNET_HOME/python:$PYTHONPATH

        CUDA_HOME

        /usr/local/cuda

        LD_LIBRARY_PATH

        $LD_LIBRARY_PATH:${CUDA_HOME}/lib64

  7. Si se ejecuta en modo contenerizado, añada los recursos de dispositivo local siguientes para conceder acceso a su GPU de dispositivo. Siga el procedimiento indicado en Paso 6: Agregar recursos al grupo de Greengrass.

    nota

    Si lo ejecuta en modo no contenerizado, AWS IoT Greengrass podrá acceder a la GPU del dispositivo sin necesidad de configurar este recurso del dispositivo.

    Para cada recurso:

    • En Tipo de recurso, elija Dispositivo.

    • En Propietario del grupo del sistema y permisos de acceso a archivos, seleccione Añadir automáticamente permisos del sistema de archivos del grupo del sistema propietario del recurso.

       

      Nombre

      Ruta del dispositivo

      nvhost-ctrl

      /dev/nvhost-ctrl

      nvhost-gpu

      /dev/nvhost-gpu

      nvhost-ctrl-gpu

      /dev/nvhost-ctrl-gpu

      nvhost-dbg-gpu

      /dev/nvhost-dbg-gpu

      nvhost-prof-gpu

      /dev/nvhost-prof-gpu

      nvmap

      /dev/nvmap

      nvhost-vic

      /dev/nvhost-vic

      tegra_dc_ctrl

      /dev/tegra_dc_ctrl

  8. Si se ejecuta en modo contenerizado, añada el siguiente recurso de volumen local para conceder acceso a la cámara de su dispositivo. Siga el procedimiento indicado en Paso 6: Agregar recursos al grupo de Greengrass.

    nota

    Si lo ejecuta en modo no contenerizado, AWS IoT Greengrass podrá acceder a la cámara del dispositivo sin necesidad de configurar este recurso del volumen.

    • En Resource type (Tipo de recurso), elija Device (Dispositivo).

    • En Propietario del grupo del sistema y permisos de acceso a archivos, seleccione Añadir automáticamente permisos del sistema de archivos del grupo del sistema propietario del recurso.

       

      Nombre

      Ruta de origen

      Destination path

      shm

      /dev/shm

      /dev/shm

      tmp

      /tmp

      /tmp