Avis de fin de support : le 7 octobre 2026, AWS le support de. AWS IoT Greengrass Version 1 Après le 7 octobre 2026, vous ne pourrez plus accéder aux AWS IoT Greengrass V1 ressources. Pour plus d'informations, rendez-vous sur [Migrer depuis AWS IoT Greengrass Version 1](https://docs.aws.amazon.com/greengrass/v2/developerguide/migrate-from-v1.html).

Les traductions sont fournies par des outils de traduction automatique. En cas de conflit entre le contenu d'une traduction et celui de la version originale en anglais, la version anglaise prévaudra.

# Facultatif : Configuration de votre appareil pour la qualification ML
<a name="idt-ml-qualification"></a>

IDT for AWS IoT Greengrass propose des tests de qualification pour le machine learning (ML) afin de valider que vos appareils peuvent effectuer des inférences de machine learning localement à l'aide de modèles conçus dans le cloud.

Pour exécuter des tests de qualification ML, vous devez d'abord configurer vos appareils comme décrit dans [Configurez votre appareil pour exécuter des tests IDT](device-config-setup.md). Ensuite, suivez les étapes de cette rubrique pour installer les dépendances pour les frameworks ML que vous souhaitez exécuter.

IDT v3.1.0 ou version ultérieure est nécessaire pour exécuter les tests de qualification ML.

## Installation des dépendances du framework ML
<a name="ml-qualification-framework-dependencies"></a>

Toutes les dépendances du framework ML doivent être installées sous le répertoire `/usr/local/lib/python3.x/site-packages`. Pour vous assurer qu'elles sont installées dans le répertoire correct, nous vous recommandons d'utiliser les autorisations racine `sudo` lors de l'installation des dépendances. Les environnements virtuels ne sont pas pris en charge pour les tests de qualification.

**Note**  
Si vous testez des fonctions Lambda qui s'exécutent avec la [conteneurisation (](lambda-group-config.md#lambda-containerization-considerations)en mode **conteneur Greengrass**), la création de liens symboliques pour les bibliothèques Python n'est pas prise en charge. `/usr/local/lib/python3.x` Pour éviter les erreurs, vous devez installer les dépendances dans le répertoire correct.

Suivez les étapes pour installer les dépendances pour votre framework cible :
+ [Installation des dépendances MxNet](#ml-qualification-mxnet-dependencies)
+ [Installer TensorFlow les dépendances](#ml-qualification-tensorflow-dependencies)
+ [Installation des dépendances DLR](#ml-qualification-dlr-dependencies)

 

## Installation des dépendances Apache MxNet
<a name="ml-qualification-mxnet-dependencies"></a>

<a name="test-framework-dependencies"></a>Les tests de qualification IDT pour ce framework ont les dépendances suivantes :
+ <a name="ml-qualification-python-req"></a>Python 3.6 ou Python 3.7.
**Note**  <a name="python-symlink-command"></a>
Si vous utilisez Python 3.6, vous devez créer un lien symbolique entre les fichiers binaires de Python 3.7 vers Python 3.6. Ceci configure votre appareil de sorte qu'il réponde aux exigence de Python pour AWS IoT Greengrass. Par exemple :  

  ```
  sudo ln -s {{path-to-python-3.6}}/python3.6 {{path-to-python-3.7}}/python3.7
  ```
+ Apache MxNet v1.2.1 ou version ultérieure.
+ NumPy. La version doit être compatible avec votre version de MXnet.

### Installation de MxNet
<a name="ml-qualification-mxnet-install"></a>

Suivez les instructions de la documentation MxNet pour [installer MxNet](https://mxnet.apache.org/get_started/?platform=linux&language=python&processor=cpu&environ=pip&).

**Note**  
<a name="run-python3-commands"></a>Si Python 2.x et Python 3.x sont tous deux installés sur votre appareil, utilisez Python 3.x dans les commandes que vous exécutez pour installer les dépendances.

### Validation de l'installation de MxNet
<a name="ml-qualification-mxnet-validate"></a>

Choisissez l'une des options suivantes pour valider l'installation de MxNet.

#### Option 1 : SSH dans votre appareil et exécuter des scripts
<a name="ml-qualification-validate-mxnet-option-1"></a>

1. <a name="ssh-validate-framework-install-ssh"></a>SSH dans votre appareil.

1. <a name="ssh-validate-framework-install-run-scripts"></a>Exécutez les scripts suivants pour vérifier que les dépendances sont correctement installées.

   ```
   sudo python3.7 -c "import mxnet; print(mxnet.__version__)"
   ```

   ```
   sudo python3.7 -c "import numpy; print(numpy.__version__)"
   ```

   <a name="ssh-passed-mldependencies"></a>La sortie imprime le numéro de version et le script doit se terminer sans erreur.

#### Option 2 : Exécuter le test de dépendance IDT
<a name="ml-qualification-validate-mxnet-option-2"></a>

1. <a name="idt-validate-framework-install-check-config"></a>Assurez-vous que le fichier `device.json` est configuré pour la qualification ML. Pour de plus amples informations, veuillez consulter [Configurer device.json pour la qualification ML](set-config.md#device-json-ml-qualification).

1. <a name="idt-validate-framework-install-run-test"></a>Exécutez le test des dépendances pour le framework.

   ```
   devicetester_{{[linux | mac | win_x86-64]}} run-suite --group-id mldependencies --test-id mxnet_dependency_check
   ```

   <a name="idt-passed-mldependencies"></a>Le récapitulatif du test affiche un résultat `PASSED` pour `mldependencies`.

 

## Installer TensorFlow les dépendances
<a name="ml-qualification-tensorflow-dependencies"></a>

<a name="test-framework-dependencies"></a>Les tests de qualification IDT pour ce framework ont les dépendances suivantes :
+ <a name="ml-qualification-python-req"></a>Python 3.6 ou Python 3.7.
**Note**  <a name="python-symlink-command"></a>
Si vous utilisez Python 3.6, vous devez créer un lien symbolique entre les fichiers binaires de Python 3.7 vers Python 3.6. Ceci configure votre appareil de sorte qu'il réponde aux exigence de Python pour AWS IoT Greengrass. Par exemple :  

  ```
  sudo ln -s {{path-to-python-3.6}}/python3.6 {{path-to-python-3.7}}/python3.7
  ```
+ TensorFlow 1. x.

### Installation TensorFlow
<a name="ml-qualification-tensorflow-install"></a>

Suivez les instructions de la TensorFlow documentation pour installer TensorFlow 1.x [avec pip](https://www.tensorflow.org/install/pip) ou à [partir des](https://www.tensorflow.org/install/source) sources.

**Note**  
<a name="run-python3-commands"></a>Si Python 2.x et Python 3.x sont tous deux installés sur votre appareil, utilisez Python 3.x dans les commandes que vous exécutez pour installer les dépendances.

### Validation de l'installation TensorFlow
<a name="ml-qualification-tensorflow-validate"></a>

Choisissez l'une des options suivantes pour valider l' TensorFlow installation.

#### Option 1 : SSH dans votre appareil et exécuter un script
<a name="ml-qualification-validate-tensorflow-option-1"></a>

1. <a name="ssh-validate-framework-install-ssh"></a>SSH dans votre appareil.

1. Exécutez le script suivant pour vérifier que la dépendance est correctement installée.

   ```
   sudo python3.7 -c "import tensorflow; print(tensorflow.__version__)"
   ```

   <a name="ssh-passed-mldependencies"></a>La sortie imprime le numéro de version et le script doit se terminer sans erreur.

#### Option 2 : Exécuter le test de dépendance IDT
<a name="ml-qualification-validate-tensorflow-option-2"></a>

1. <a name="idt-validate-framework-install-check-config"></a>Assurez-vous que le fichier `device.json` est configuré pour la qualification ML. Pour de plus amples informations, veuillez consulter [Configurer device.json pour la qualification ML](set-config.md#device-json-ml-qualification).

1. <a name="idt-validate-framework-install-run-test"></a>Exécutez le test des dépendances pour le framework.

   ```
   devicetester_{{[linux | mac | win_x86-64]}} run-suite --group-id mldependencies --test-id tensorflow_dependency_check
   ```

   <a name="idt-passed-mldependencies"></a>Le récapitulatif du test affiche un résultat `PASSED` pour `mldependencies`.

 

## Installer les dépendances d'Amazon SageMaker AI Neo Deep Learning Runtime (DLR)
<a name="ml-qualification-dlr-dependencies"></a>

<a name="test-framework-dependencies"></a>Les tests de qualification IDT pour ce framework ont les dépendances suivantes :
+ <a name="ml-qualification-python-req"></a>Python 3.6 ou Python 3.7.
**Note**  <a name="python-symlink-command"></a>
Si vous utilisez Python 3.6, vous devez créer un lien symbolique entre les fichiers binaires de Python 3.7 vers Python 3.6. Ceci configure votre appareil de sorte qu'il réponde aux exigence de Python pour AWS IoT Greengrass. Par exemple :  

  ```
  sudo ln -s {{path-to-python-3.6}}/python3.6 {{path-to-python-3.7}}/python3.7
  ```
+ SageMaker AI Neo DLR.
+ numpy.

Après avoir installé les dépendances de test DLR, vous devez [compiler le modèle](#ml-qualification-dlr-compile-model).

### Installation de DLR
<a name="ml-qualification-dlr-install"></a>

Suivez les instructions de la documentation DLR pour [installer le Neo DLR](https://neo-ai-dlr.readthedocs.io/en/latest/install.html#building-on-linux).

**Note**  
<a name="run-python3-commands"></a>Si Python 2.x et Python 3.x sont tous deux installés sur votre appareil, utilisez Python 3.x dans les commandes que vous exécutez pour installer les dépendances.

### Validation de l'installation de DLR
<a name="ml-qualification-dlr-validate"></a>

Choisissez une des options suivantes pour valider l'installation de DLR.

#### Option 1 : SSH dans votre appareil et exécuter des scripts
<a name="ml-qualification-validate-dlr-option-1"></a>

1. <a name="ssh-validate-framework-install-ssh"></a>SSH dans votre appareil.

1. <a name="ssh-validate-framework-install-run-scripts"></a>Exécutez les scripts suivants pour vérifier que les dépendances sont correctement installées.

   ```
   sudo python3.7 -c "import dlr; print(dlr.__version__)"
   ```

   ```
   sudo python3.7 -c "import numpy; print(numpy.__version__)"
   ```

   <a name="ssh-passed-mldependencies"></a>La sortie imprime le numéro de version et le script doit se terminer sans erreur.

#### Option 2 : Exécuter le test de dépendance IDT
<a name="ml-qualification-validate-dlr-option-2"></a>

1. <a name="idt-validate-framework-install-check-config"></a>Assurez-vous que le fichier `device.json` est configuré pour la qualification ML. Pour de plus amples informations, veuillez consulter [Configurer device.json pour la qualification ML](set-config.md#device-json-ml-qualification).

1. <a name="idt-validate-framework-install-run-test"></a>Exécutez le test des dépendances pour le framework.

   ```
   devicetester_{{[linux | mac | win_x86-64]}} run-suite --group-id mldependencies --test-id dlr_dependency_check
   ```

   <a name="idt-passed-mldependencies"></a>Le récapitulatif du test affiche un résultat `PASSED` pour `mldependencies`.

## Compilation du modèle DLR
<a name="ml-qualification-dlr-compile-model"></a>

Vous devez compiler le modèle DLR avant de pouvoir l'utiliser pour les tests de qualification ML. Pour les étapes, choisissez une des options suivantes :

### Option 1 : utiliser Amazon SageMaker AI pour compiler le modèle
<a name="ml-qualification-compile-dlr-option-1"></a>

Suivez ces étapes pour utiliser l' SageMaker IA afin de compiler le modèle ML fourni par IDT. Ce modèle est préformé avec Apache MxNet.

1. Vérifiez que votre type d'appareil est compatible avec l' SageMaker IA. Pour plus d'informations, consultez les [options de l'appareil cible](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_OutputConfig.html#sagemaker-Type-OutputConfig-TargetDevice) dans le *manuel Amazon SageMaker AI API Reference*. Si votre type d'appareil n'est actuellement pas pris en charge par l' SageMaker IA, suivez les étapes décrites dans[Option 2 : Utiliser TVM pour compiler le modèle DLR](#ml-qualification-compile-dlr-option-2).
**Note**  
L'exécution du test DLR avec un modèle compilé par SageMaker AI peut prendre 4 ou 5 minutes. N'arrêtez pas IDT au cours de cette période.

1. <a name="compile-dlr-download-uncompiled-model"></a>Téléchargez le fichier tarball qui contient le modèle MxNet préformé non compilé pour DLR :
   + [dlr-noncompiled-model-1.0.tar.gz](https://docs.aws.amazon.com/greengrass/latest/developerguide/download-dlr-noncompiled-model-1.0.html)

1. <a name="compile-dlr-decompress-uncompiled-model"></a>Décompressez le fichier tarball. Cette commande génère la structure de répertoire suivante.  
![Le répertoire resnet18 contient trois fichiers.](http://docs.aws.amazon.com/fr_fr/greengrass/v1/developerguide/images/idt/idt-ml-qualification-dlr-uncompiled.png)

1. Déplacez `synset.txt` hors du répertoire `resnet18`. Notez le nouvel emplacement. Vous copierez ce fichier dans le répertoire du modèle compilé ultérieurement.

1. Compressez le contenu du répertoire `resnet18`.

   ```
   tar cvfz model.tar.gz resnet18v1-symbol.json resnet18v1-0000.params
   ```

1. Téléchargez le fichier compressé dans un compartiment Amazon S3 de votre Compte AWS, puis suivez les étapes décrites dans [Compiler un modèle (console)](https://docs.aws.amazon.com/sagemaker/latest/dg/neo-job-compilation-console.html) pour créer une tâche de compilation.

   1. Pour **Configuration d'entrée**, utilisez les valeurs suivantes :
      + Pour **Configuration d'entrée de données**, entrez `{"data": [1, 3, 224, 224]}`.
      + Pour **Cadre de machine learning**, choisissez `MXNet`.

   1. Pour **Configuration de sortie**, utilisez les valeurs suivantes :
      + Pour l'**emplacement de sortie S3**, entrez le chemin d'accès au compartiment ou au dossier Amazon S3 dans lequel vous souhaitez stocker le modèle compilé.
      + Pour **Périphérique cible**, choisissez votre type d'appareil.

1. Téléchargez le modèle compilé à partir de l'emplacement de sortie spécifié, puis décompressez le fichier.

1. Copiez `synset.txt` dans le répertoire du modèle compilé.

1. Renommez le répertoire du modèle compilé en `resnet18`.

   Votre répertoire de modèle compilé doit avoir la structure de répertoire suivante.  
![Le répertoire du modèle compilé resnet18 contient quatre fichiers.](http://docs.aws.amazon.com/fr_fr/greengrass/v1/developerguide/images/idt/idt-ml-qualification-dlr-compiled-sm.png)

### Option 2 : Utiliser TVM pour compiler le modèle DLR
<a name="ml-qualification-compile-dlr-option-2"></a>

Suivez ces étapes pour utiliser TVM afin de compiler le modèle ML fourni par IDT. Ce modèle étant préformé avec Apache MxNet, vous devez installer MxNet sur l'ordinateur ou l'appareil sur lequel vous compilez le modèle. Pour installer MxNet, suivez les instructions de la [documentation MxNet](https://mxnet.apache.org/get_started/?platform=linux&language=python&processor=cpu&environ=pip&).

**Note**  
Nous vous recommandons de compiler le modèle sur votre appareil cible. Cette pratique est facultative, mais elle peut aider à assurer la compatibilité et à atténuer les problèmes potentiels.

 

1. <a name="compile-dlr-download-uncompiled-model"></a>Téléchargez le fichier tarball qui contient le modèle MxNet préformé non compilé pour DLR :
   + [dlr-noncompiled-model-1.0.tar.gz](https://docs.aws.amazon.com/greengrass/latest/developerguide/download-dlr-noncompiled-model-1.0.html)

1. <a name="compile-dlr-decompress-uncompiled-model"></a>Décompressez le fichier tarball. Cette commande génère la structure de répertoire suivante.  
![Le répertoire resnet18 contient trois fichiers.](http://docs.aws.amazon.com/fr_fr/greengrass/v1/developerguide/images/idt/idt-ml-qualification-dlr-uncompiled.png)

1. Suivez les instructions de la documentation TVM pour [créer et installer TVM à partir de la source pour votre plateforme](https://docs.tvm.ai/install/from_source.html).

1. Une fois TVM créé, exécutez la compilation TVM pour le modèle resnet18. Les étapes suivantes sont basées sur le didacticiel [Quick Start Tutorial for Compiling Deep Learning Models](https://tvm.apache.org/docs/tutorial/relay_quick_start.html#sphx-glr-tutorials-get-started-relay-quick-start-py), de la documentation TVM.

   1. Ouvrez le fichier `relay_quick_start.py` à partir du référentiel TVM cloné.

   1. Mettez à jour le code qui [définit un réseau neuronal en relais](https://tvm.apache.org/docs/tutorial/relay_quick_start.html#define-neural-network-in-relay). Vous pouvez utiliser une des options suivantes :
      + Option 1 : Utiliser `mxnet.gluon.model_zoo.vision.get_model` pour obtenir le module et les paramètres de relais :

        ```
        from mxnet.gluon.model_zoo.vision import get_model
        block = get_model('resnet18_v1', pretrained=True)
        mod, params = relay.frontend.from_mxnet(block, {"data": data_shape})
        ```
      + Option 2 : À partir du modèle non compilé que vous avez téléchargé à l'étape 1, copier les fichiers suivants dans le même répertoire que le fichier `relay_quick_start.py`. Ces fichiers contiennent le module et les paramètres de relais.
        + `resnet18v1-symbol.json`
        + `resnet18v1-0000.params`

   1. Mettez à jour le code qui [enregistre et charge le module compilé](https://tvm.apache.org/docs/tutorial/relay_quick_start.html#save-and-load-compiled-module) pour utiliser le code suivant.

      ```
      from tvm.contrib import util
      path_lib = "deploy_lib.so"
      #  Export the model library based on your device architecture
      lib.export_library("deploy_lib.so", cc="aarch64-linux-gnu-g++")
      with open("deploy_graph.json", "w") as fo:
          fo.write(graph)
      with open("deploy_param.params", "wb") as fo:
          fo.write(relay.save_param_dict(params))
      ```

   1. Créez le modèle :

      ```
      python3 tutorials/relay_quick_start.py --build-dir ./model
      ```

      Cette commande génère les fichiers suivants.
      + `deploy_graph.json`
      + `deploy_lib.so`
      + `deploy_param.params`

1. Copiez les fichiers du modèle généré dans un répertoire nommé `resnet18`. Ceci est votre répertoire de modèle compilé.

1. Copiez le répertoire de modèle compilé sur votre ordinateur hôte. Copiez ensuite `synset.txt` à partir du modèle non compilé que vous avez téléchargé à l'étape 1 dans le répertoire de modèle compilé.

   Votre répertoire de modèle compilé doit avoir la structure de répertoire suivante.  
![Le répertoire du modèle compilé resnet18 contient quatre fichiers.](http://docs.aws.amazon.com/fr_fr/greengrass/v1/developerguide/images/idt/idt-ml-qualification-dlr-compiled-tvm.png)

[Configurez ensuite vos AWS informations d'identification et votre `device.json` fichier](set-config.md).