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.
# Comment configurer l'inférence d'apprentissage automatique à l'aide du AWS Management Console
Pour suivre les étapes de ce didacticiel, vous devez disposer de AWS IoT Greengrass Core v1.10 ou d'une version ultérieure.
Vous pouvez exécuter l'inférence Machine Learning (ML) localement sur un appareil principal Greengrass (core) à l'aide des données provenant d'appareils connectés. Pour en savoir plus, notamment sur les exigences et contraintes, consultez la page [Exécuter l'inférence de Machine Learning](ml-inference.md).
Ce didacticiel explique comment utiliser le AWS Management Console pour configurer un groupe Greengrass afin d'exécuter une application d'inférence Lambda qui reconnaît les images d'une caméra localement, sans envoyer de données vers le cloud. L'application d'inférence accède au module de caméra d'un Raspberry Pi et exécute l'inférence en utilisant le modèle open source. [SqueezeNet](https://github.com/DeepScale/SqueezeNet)
Le didacticiel contient les étapes détaillées suivantes :
1. [Configurer le Raspberry Pi](#config-raspberry-pi)
1. [Installez le MXNet framework](#install-mxnet)
1. [Création d’un package de modèle](#package-ml-model)
1. [Création et publication d'une fonction Lambda](#ml-console-create-lambda)
1. [Ajoutez la fonction Lambda au groupe](#ml-console-config-lambda)
1. [Ajouter des ressources au groupe](#ml-console-add-resources)
1. [Ajouter un abonnement au groupe](#ml-console-add-subscription)
1. [Déployer le groupe](#ml-console-deploy-group)
1. [Tester l'application](#ml-console-test-app)
## Conditions préalables
Pour suivre ce didacticiel, vous devez disposer des éléments suivants :
+ Raspberry Pi 4 modèle B ou Raspberry Pi 3 modèle B/B\$1, installé et configuré pour être utilisé avec. AWS IoT Greengrass Pour configurer votre Raspberry Pi avec AWS IoT Greengrass, exécutez le script de [configuration de l'appareil Greengrass](quick-start.md) ou assurez-vous d'avoir terminé le [Module 1](https://docs.aws.amazon.com/greengrass/latest/developerguide/module1.html) et le [Module 2](https://docs.aws.amazon.com/greengrass/latest/developerguide/module2.html) de [Commencer avec AWS IoT Greengrass](gg-gs.md).
**Note**
Le Raspberry Pi peut nécessiter une [alimentation](https://www.raspberrypi.org/documentation/hardware/raspberrypi/power/) de 2,5 A pour exécuter les frameworks d'apprentissage profond généralement utilisés pour la classification d'images. Une alimentation d'une valeur nominale inférieure peut provoquer le redémarrage de l'appareil.
+ [Module caméra V2 du Raspberry Pi - 8 mégapixels, 1080p](https://www.amazon.com/Raspberry-Pi-Camera-Module-Megapixel/dp/B01ER2SKFS). Pour plus d'informations sur la configuration de la caméra, consultez la section [Connexion de la caméra](https://www.raspberrypi.org/documentation/usage/camera/) dans la documentation du Raspberry Pi.
+ Un groupe Greengrass et un service principal Greengrass. Pour plus d'informations sur la création d'un groupe ou d'un noyau Greengrass, consultez. [Commencer avec AWS IoT Greengrass](gg-gs.md)
**Note**
Ce didacticiel utilise un Raspberry Pi, mais AWS IoT Greengrass prend en charge d'autres plateformes, telles que [Intel Atom](#atom-lambda-config) et [NVIDIA Jetson TX2](#jetson-lambda-config). Dans l'exemple de Jetson TX2, vous pouvez utiliser des images statiques au lieu d'images diffusées par un appareil photo. Si vous utilisez l' TX2 exemple Jetson, vous devrez peut-être installer Python 3.6 au lieu de Python 3.7. Pour plus d'informations sur la configuration de votre appareil afin que vous puissiez installer le logiciel AWS IoT Greengrass Core, consultez[Configuration d'autres appareils](setup-filter.other.md).
Pour les plateformes tierces qui AWS IoT Greengrass ne le prennent pas en charge, vous devez exécuter votre fonction Lambda en mode non conteneurisé. Pour fonctionner en mode non conteneurisé, vous devez exécuter votre fonction Lambda en tant qu'utilisateur root. Pour plus d’informations, consultez [Considérations à prendre en compte lors du choix de la conteneurisation des fonctions Lambda](lambda-group-config.md#lambda-containerization-considerations) et [Définition de l'identité d'accès par défaut pour les fonctions Lambda dans un groupe](lambda-group-config.md#lambda-access-identity-groupsettings).
## Étape 1 : Configurer le Raspberry Pi
Au cours de cette étape, installez les mises à jour du système d'exploitation Raspbian, installez le logiciel du module caméra et les dépendances Python, et activez l'interface de la caméra.
Dans la fenêtre de terminal de votre Raspberry Pi, exécutez les commandes suivantes :
1. Installez les mises à jour sur Raspbian.
```
sudo apt-get update
sudo apt-get dist-upgrade
```
1. Installez l'interface `picamera` pour le module caméra, ainsi que les autres bibliothèques Python requises pour ce didacticiel.
```
sudo apt-get install -y python3-dev python3-setuptools python3-pip python3-picamera
```
Valider l'installation :
+ Assurez-vous que votre installation Python 3.7 inclut pip.
```
python3 -m pip
```
Si pip n'est pas installé, téléchargez-le à partir du [site web pip](https://pip.pypa.io/en/stable/installing/), puis exécutez la commande suivante.
```
python3 get-pip.py
```
+ Assurez-vous que votre Python est en version 3.7 ou supérieure.
```
python3 --version
```
Si la sortie mentionne une version antérieure, exécutez la commande suivante.
```
sudo apt-get install -y python3.7-dev
```
+ Assurez-vous que Setuptools et Picamera sont installés correctement.
```
sudo -u ggc_user bash -c 'python3 -c "import setuptools"'
sudo -u ggc_user bash -c 'python3 -c "import picamera"'
```
Si la sortie ne contient pas d'erreurs, la validation a abouti.
**Note**
Si l'exécutable Python installé sur votre appareil est `python3.7`, utilisez `python3.7` plutôt que `python3` pour les commandes de ce didacticiel. Assurez-vous que votre installation pip correspond à la version correcte (`python3.7` ou `python3`) pour éviter les erreurs de dépendance.
1. Redémarrez l'appareil Raspberry Pi.
```
sudo reboot
```
1. Ouvrez l'outil de configuration du Raspberry Pi.
```
sudo raspi-config
```
1. Utilisez les touches flèches pour ouvrir les **Options d'interface** et activer l'interface de la caméra. Si vous y êtes invité, autorisez le redémarrage de l'appareil.
1. Utilisez la commande suivante pour tester la configuration de la caméra.
```
raspistill -v -o test.jpg
```
Elle ouvre une fenêtre d'aperçu sur le Raspberry Pi, enregistre une image nommée `test.jpg` dans votre répertoire actuel et affiche des informations sur la caméra dans la fenêtre de terminal du Raspberry Pi.
## Étape 2 : Installation du MXNet framework
Dans cette étape, installez MXNet les bibliothèques sur votre Raspberry Pi.
1. Connectez-vous à votre Raspberry Pi à distance.
```
ssh pi@your-device-ip-address
```
1. Ouvrez la MXNet documentation, ouvrez [Installation MXNet](https://mxnet.apache.org/get_started/?) et suivez les instructions d'installation MXNet sur l'appareil.
**Note**
Nous vous recommandons d'installer la version 1.5.0 et MXNet de créer à partir des sources pour ce didacticiel afin d'éviter les conflits entre appareils.
1. Après l'installation MXNet, validez la configuration suivante :
+ Assurez-vous que le compte `ggc_user` système peut utiliser le MXNet framework.
```
sudo -u ggc_user bash -c 'python3 -c "import mxnet"'
```
+ Assurez-vous qu' NumPy il est installé.
```
sudo -u ggc_user bash -c 'python3 -c "import numpy"'
```
## Étape 3 : Création d'un MXNet modèle de package
Au cours de cette étape, créez un package de modèle contenant un exemple de MXNet modèle préentraîné à télécharger sur Amazon Simple Storage Service (Amazon S3). AWS IoT Greengrass peut utiliser un modèle de package d'Amazon S3, à condition d'utiliser le format tar.gz ou zip.
1. Sur votre ordinateur, téléchargez l' MXNet exemple de Raspberry Pi à partir de[Exemples de machine learning](what-is-gg.md#gg-ml-samples).
1. Décompressez le fichier `mxnet-py3-armv7l.tar.gz` téléchargé.
1. Accédez au répertoire `squeezenet`.
```
cd path-to-downloaded-sample/mxnet-py3-armv7l/models/squeezenet
```
Le fichier `squeezenet.zip` de ce répertoire est votre package de modèle. Il contient des artefacts de modèle SqueezeNet open source pour un modèle de classification d'images. Vous téléchargerez ensuite ce modèle de package sur Amazon S3.
## Étape 4 : Création et publication d'une fonction Lambda
Dans cette étape, créez un package de déploiement de fonctions Lambda et une fonction Lambda. Ensuite, publiez une version de fonction et créez un alias.
Créez d'abord le package de déploiement de la fonction Lambda.
1. Sur votre ordinateur, accédez au répertoire `examples` de l'exemple de package que vous avez décompressé dans [Étape 3 : Création d'un MXNet modèle de package](#package-ml-model).
```
cd path-to-downloaded-sample/mxnet-py3-armv7l/examples
```
Le répertoire `examples` contient le code de fonction et les dépendances.
+ `greengrassObjectClassification.py` est le code d'inférence utilisé dans ce didacticiel. Vous pouvez utiliser ce code comme modèle pour créer votre propre fonction d'inférence.
+ `greengrasssdk`est la version 1.5.0 du SDK AWS IoT Greengrass Core pour Python.
**Note**
Si une nouvelle version est disponible, vous pouvez la télécharger et mettre à niveau la version du kit SDK dans votre package de déploiement. Pour plus d'informations, consultez le [SDK AWS IoT Greengrass principal pour Python](https://github.com/aws/aws-greengrass-core-sdk-python/) sur GitHub.
1. Compressez le contenu du répertoire `examples` dans un fichier nommé `greengrassObjectClassification.zip`. Vous obtiendrez alors votre package de déploiement.
```
zip -r greengrassObjectClassification.zip .
```
**Note**
Assurez-vous que les fichiers `.py` et les dépendances se trouvent dans la racine du répertoire.
Créez ensuite la fonction Lambda.
1. Dans la AWS IoT console, sélectionnez **Fonctions** et **Créer une fonction**.
1. Choisissez **Author à partir de zéro** et utilisez les valeurs suivantes pour créer votre fonction :
+ Sous **Nom de la fonction**, saisissez **greengrassObjectClassification**.
+ Pour **Runtime**, sélectionnez **Python 3.7**.
Pour **les autorisations**, conservez le paramètre par défaut. Cela crée un rôle d'exécution qui accorde des autorisations Lambda de base. Ce rôle n'est pas utilisé par AWS IoT Greengrass.
1. Choisissez **Créer une fonction**.
À présent, téléchargez le package de déploiement de votre fonction Lambda et enregistrez le gestionnaire.
1. Choisissez votre fonction Lambda et téléchargez le package de déploiement de votre fonction Lambda.
1. Dans l'onglet **Code**, sous **Source du code**, choisissez **Télécharger depuis**. Dans le menu déroulant, sélectionnez le **fichier .zip.**
![\[La liste déroulante Upload from avec le fichier .zip surligné.\]](http://docs.aws.amazon.com/fr_fr/greengrass/v1/developerguide/images/lra-console/upload-deployment-package.png)
1. Choisissez **Upload**, puis choisissez votre package `greengrassObjectClassification.zip` de déploiement. Ensuite, choisissez **Enregistrer**.
1. Dans l'onglet **Code** de la fonction, sous **Paramètres d'exécution**, choisissez **Modifier**, puis entrez les valeurs suivantes.
+ Pour **Runtime**, sélectionnez **Python 3.7**.
+ Pour **Handler** (Gestionnaire), entrez **greengrassObjectClassification.function\$1handler**.
Choisissez **Enregistrer**.
Publiez ensuite la première version de votre fonction Lambda. Puis, créez un [alias pour la version](https://docs.aws.amazon.com/lambda/latest/dg/versioning-aliases.html).
**Note**
Les groupes Greengrass peuvent référencer une fonction Lambda par alias (recommandé) ou par version. L'utilisation d'un alias facilite la gestion des mises à jour du code, car vous n'avez pas à modifier votre table d'abonnement ou la définition de groupe lorsque le code de fonction est mis à jour. Au lieu de cela, il vous suffit de pointer l'alias vers la nouvelle version de la fonction.
1. Dans le menu **Actions**, sélectionnez **Publier une nouvelle version**.
![\[Option Publier une nouvelle version dans le menu Actions.\]](http://docs.aws.amazon.com/fr_fr/greengrass/v1/developerguide/images/ml-inference/lambda-publish-version.png)
1. Dans **Description de la version**, saisissez **First version**, puis choisissez **Publish**.
1. Sur la page de configuration **greengrassObjectClassification: 1**, dans le menu **Actions**, choisissez **Créer un alias**.
![\[Option Créer un alias dans le menu Actions.\]](http://docs.aws.amazon.com/fr_fr/greengrass/v1/developerguide/images/ml-inference/lambda-create-alias.png)
1. Sur la page **Create a new alias**, utilisez les valeurs suivantes :
+ Pour **Nom**, saisissez **mlTest**.
+ Pour **Version**, entrez **1**.
**Note**
AWS IoT Greengrass **ne prend pas en charge les alias Lambda pour les versions \$1LATEST.**
1. Choisissez **Enregistrer**.
Ajoutez maintenant la fonction Lambda à votre groupe Greengrass.
## Étape 5 : Ajouter la fonction Lambda au groupe Greengrass
Au cours de cette étape, ajoutez la fonction Lambda au groupe, puis configurez son cycle de vie et ses variables d'environnement.
Ajoutez d'abord la fonction Lambda à votre groupe Greengrass.
1. Dans le volet de navigation de la AWS IoT console, sous **Gérer**, développez les **appareils Greengrass**, puis choisissez **Groups (V1)**.
1. Sur la page de configuration du groupe, choisissez l'onglet **Fonctions Lambda**.
1. **Dans la section **Mes fonctions Lambda**, choisissez Ajouter.**
1. Pour la **fonction Lambda, choisissez**. **greengrassObjectClassification**
1. **Pour la **version de la fonction Lambda**, choisissez Alias:MLTest.**
Configurez ensuite le cycle de vie et les variables d'environnement de la fonction Lambda.
1. Dans la section **Configuration de la fonction Lambda**, effectuez les mises à jour suivantes.
**Note**
Nous vous recommandons d'exécuter votre fonction Lambda sans conteneurisation, sauf si votre analyse de rentabilisation l'exige. Cela permet d'accéder au processeur graphique et à la caméra de votre appareil sans configurer les ressources de l'appareil. Si vous exécutez sans conteneurisation, vous devez également accorder un accès root à vos fonctions Lambda AWS IoT Greengrass .
1. **Pour exécuter sans conteneurisation :**
+ Pour **Utilisateur et groupe du système**, sélectionnez**Another user ID/group ID**. Dans le champ **ID utilisateur du système**, entrez**0**. Pour l'**ID du groupe de systèmes**, entrez**0**.
Cela permet à votre fonction Lambda de s'exécuter en tant que root. Pour plus d'informations sur l'exécution en tant que root, consultez[Définition de l'identité d'accès par défaut pour les fonctions Lambda dans un groupe](lambda-group-config.md#lambda-access-identity-groupsettings).
**Astuce**
Vous devez également mettre à jour votre `config.json` fichier pour accorder un accès root à votre fonction Lambda. Pour la procédure, voir[Exécution d'une fonction Lambda en tant que root](lambda-group-config.md#lambda-running-as-root).
+ **Pour la **conteneurisation de la fonction Lambda, sélectionnez Aucun conteneur**.**
Pour plus d'informations sur l'exécution sans conteneurisation, consultez. [Considérations à prendre en compte lors du choix de la conteneurisation des fonctions Lambda](lambda-group-config.md#lambda-containerization-considerations)
+ Pour **Expiration**, entrez **10 seconds**.
+ Pour **Épinglé**, choisissez **True**.
Pour de plus amples informations, veuillez consulter [Configuration du cycle de vie pour les fonctions Greengrass Lambda](lambda-functions.md#lambda-lifecycle).
1. **Pour exécuter plutôt en mode conteneurisé :**
**Note**
Nous vous déconseillons de l'exécuter en mode conteneurisé, sauf si votre analyse de rentabilisation l'exige.
+ Pour **Utilisateur et groupe du système**, choisissez **Utiliser le groupe par défaut**.
+ **Pour la **conteneurisation de la fonction Lambda**, choisissez Utiliser le groupe par défaut.**
+ Pour **Limite de mémoire**, entrez **96 MB**.
+ Pour **Expiration**, entrez **10 seconds**.
+ Pour **Épinglé**, choisissez **True**.
Pour de plus amples informations, veuillez consulter [Configuration du cycle de vie pour les fonctions Greengrass Lambda](lambda-functions.md#lambda-lifecycle).
1. Sous **Variables d'environnement**, créez une paire clé-valeur. Une paire clé-valeur est requise par les fonctions qui interagissent avec les MXNet modèles d'un Raspberry Pi.
Pour la clé, utilisez MXNET\$1ENGINE\$1TYPE. Pour la valeur, utilisez NaiveEngine.
**Note**
Dans vos propres fonctions Lambda définies par l'utilisateur, vous pouvez éventuellement définir la variable d'environnement dans le code de votre fonction.
1. Conservez les valeurs par défaut pour toutes les autres propriétés et choisissez **Ajouter une fonction Lambda**.
## Étape 6 : Ajouter des ressources au groupe Greengrass
Au cours de cette étape, créez des ressources pour le module de caméra et le modèle d'inférence ML, puis associez les ressources à la fonction Lambda. Cela permet à la fonction Lambda d'accéder aux ressources du périphérique principal.
**Note**
Si vous exécutez en mode non conteneurisé, vous AWS IoT Greengrass pouvez accéder au processeur graphique et à la caméra de votre appareil sans configurer ces ressources.
Tout d'abord, créez deux ressources d'appareil local pour la caméra : un pour la mémoire partagée et l'autre pour l'interface de l'appareil. Pour plus d'informations sur l'accès aux ressources locales, consultez la page [Accédez aux ressources locales grâce aux fonctions et connecteurs Lambda](access-local-resources.md).
1. Sur la page de configuration du groupe, choisissez l'onglet **Ressources**.
1. Dans la section **Ressources locales**, choisissez **Ajouter une ressource locale**.
1. Sur la page **Ajouter une ressource locale**, utilisez les valeurs suivantes :
+ Sous **Resource Name (Nom de la ressource)**, entrez **videoCoreSharedMemory**.
+ Pour **Type de ressource**, choisissez **Appareil**.
+ Pour le **chemin de l'appareil local**, entrez**/dev/vcsm**.
Le chemin de l'appareil est le chemin absolu local de la ressource d'appareil. Ce chemin ne peut faire référence qu'à un périphérique de caractères ou un périphérique de stockage en mode bloc sous `/dev`.
+ Pour **le propriétaire du groupe système et les autorisations d'accès aux fichiers****, choisissez Ajouter automatiquement les autorisations de système de fichiers du groupe système propriétaire de la ressource**.
L'option **Propriétaire du groupe système et autorisations d'accès aux fichiers** vous permet d'accorder des autorisations d'accès aux fichiers supplémentaires au processus Lambda. Pour de plus amples informations, veuillez consulter [Autorisation d'accès fichier pour le propriétaire du groupe](access-local-resources.md#lra-group-owner).
1. Ensuite, vous ajoutez une ressource d'appareil local pour l'interface de la caméra.
1. Choisissez **Ajouter une ressource locale**.
1. Sur la page **Ajouter une ressource locale**, utilisez les valeurs suivantes :
+ Sous **Resource Name (Nom de la ressource)**, entrez **videoCoreInterface**.
+ Pour **Type de ressource**, choisissez **Appareil**.
+ Pour le **chemin de l'appareil local**, entrez**/dev/vchiq**.
+ Pour **le propriétaire du groupe système et les autorisations d'accès aux fichiers****, choisissez Ajouter automatiquement les autorisations de système de fichiers du groupe système propriétaire de la ressource**.
1. Au bas de la page, choisissez **Ajouter une ressource**.
Ajoutez à présent le modèle d'inférence en tant que ressource d'apprentissage automatique. Cette étape inclut le téléchargement du `squeezenet.zip` modèle de package sur Amazon S3.
1. Dans l'onglet **Ressources** de votre groupe, dans la section **Machine Learning**, sélectionnez **Ajouter une ressource d'apprentissage automatique**.
1. Sur la page **Ajouter une ressource d'apprentissage automatique**, dans le champ **Nom de la ressource**, entrez**squeezenet\$1model**.
1. Pour **Model source**, choisissez **Utiliser un modèle stocké dans S3, tel qu'un modèle optimisé via le Deep Learning Compiler**.
1. Pour l'**URI S3**, entrez le chemin dans lequel le compartiment S3 est enregistré.
1. Choisissez **Parcourir S3**. Cela ouvre un nouvel onglet sur la console Amazon S3.
1. Dans l'onglet console Amazon S3, chargez le `squeezenet.zip` fichier dans un compartiment S3. Pour plus d'informations, consultez [Comment télécharger des fichiers et des dossiers dans un compartiment S3 ?](https://docs.aws.amazon.com/AmazonS3/latest/user-guide/upload-objects.html) dans le *guide de l'utilisateur d'Amazon Simple Storage Service*.
**Note**
Pour que le compartiment S3 soit accessible, le nom de votre compartiment doit contenir la chaîne **greengrass** et le compartiment doit se trouver dans la même région que celle pour laquelle vous l'utilisez AWS IoT Greengrass. Choisissez un nom unique (comme **greengrass-bucket-*user-id*-*epoch-time***). N'utilisez pas de point (`.`) dans le nom du compartiment.
1. Dans l'onglet AWS IoT Greengrass console, recherchez et choisissez votre compartiment S3. Localisez votre fichier chargé `squeezenet.zip`, puis choisissez **Sélectionner**. Vous devrez peut-être choisir **Actualiser** pour mettre à jour la liste des compartiments et des fichiers disponibles.
1. Pour **Destination path (Chemin d'accès de destination)**, entrez **/greengrass-machine-learning/mxnet/squeezenet**.
Il s'agit de la destination du modèle local dans l'espace de noms d'exécution Lambda. Lorsque vous déployez le groupe, il AWS IoT Greengrass récupère le package du modèle source, puis en extrait le contenu dans le répertoire spécifié. L'exemple de fonction Lambda de ce didacticiel est déjà configuré pour utiliser ce chemin (dans la `model_path` variable).
1. Sous **Propriétaire du groupe système et autorisations d'accès aux fichiers**, sélectionnez **Aucun groupe système**.
1. Choisissez **Add resource (Ajouter ressource)**.
### Utilisation de modèles entraînés par l' SageMaker IA
Ce didacticiel utilise un modèle stocké dans Amazon S3, mais vous pouvez également facilement utiliser des modèles d' SageMaker IA. La AWS IoT Greengrass console intègre l' SageMaker IA, vous n'avez donc pas besoin de télécharger manuellement ces modèles sur Amazon S3. Pour connaître les exigences et les limites relatives à l'utilisation des modèles d' SageMaker IA, consultez[Sources de modèles prises en charge](ml-inference.md#supported-model-sources).
Pour utiliser un modèle d' SageMaker IA :
+ Dans **Source du modèle**, choisissez **Utiliser un modèle formé à l' AWS SageMaker IA**, puis choisissez le nom de la tâche de formation du modèle.
+ Dans le **champ Destination path**, entrez le chemin du répertoire dans lequel votre fonction Lambda recherche le modèle.
## Étape 7 : Ajouter un abonnement au groupe Greengrass
Au cours des cette étape, ajoutez un abonnement au groupe. Cet abonnement permet à la fonction Lambda d'envoyer des résultats de prédiction en les AWS IoT publiant dans un sujet MQTT.
1. Sur la page de configuration du groupe, choisissez l'onglet **Abonnements**, puis choisissez **Ajouter un abonnement**.
1. Sur la page des **détails de l'abonnement**, configurez la source et la cible comme suit :
1. Dans **Type de source**, sélectionnez **Fonction Lambda**, puis sélectionnez. **greengrassObjectClassification**
1. Dans **Type de cible**, choisissez **Service**, puis **IoT Cloud**.
1. Dans **Filtre par sujet**, entrez**hello/world**, puis choisissez **Créer un abonnement**.
## Étape 8 : Déployer le groupe Greengrass
Au cours de cette étape, déployez la version actuelle de la définition de groupe sur l'appareil Greengrass principal (noyau). La définition contient la fonction Lambda, les ressources et les configurations d'abonnement que vous avez ajoutées.
1. Assurez-vous que le AWS IoT Greengrass noyau fonctionne. Dans la fenêtre de terminal de votre Raspberry Pi, exécutez les commandes suivantes, si nécessaire.
1. Pour vérifier si le démon est en cours d'exécution :
```
ps aux | grep -E 'greengrass.*daemon'
```
Si la sortie contient une entrée `root` pour `/greengrass/ggc/packages/1.11.6/bin/daemon`, le démon est en cours d'exécution.
**Note**
La version indiquée dans le chemin dépend de la version du logiciel AWS IoT Greengrass Core installée sur votre appareil principal.
1. Pour démarrer le daemon, procédez comme suit :
```
cd /greengrass/ggc/core/
sudo ./greengrassd start
```
1. Sur la page de configuration du groupe, choisissez **Deploy**.
![\[Page de groupe avec les options Déploiements et Déployer mises en évidence.\]](http://docs.aws.amazon.com/fr_fr/greengrass/v1/developerguide/images/console-group-deployments-deploy.png)
1. **Dans l'onglet **Fonctions Lambda**, sous la section **Fonctions Lambda** du système, sélectionnez **Détecteur IP** et choisissez Modifier.**
1. Dans la boîte de dialogue **Modifier les paramètres du détecteur IP**, sélectionnez **Détecter et remplacer automatiquement les points de terminaison du broker MQTT**.
1. Choisissez **Enregistrer**.
Les appareils peuvent ainsi acquérir automatiquement des informations de connectivité pour le noyau, telles que l'adresse IP, le DNS et le numéro de port. La détection automatique est recommandée, mais elle prend AWS IoT Greengrass également en charge les points de terminaison spécifiés manuellement. Vous êtes uniquement invité à indiquer la méthode de découverte lors du déploiement initial du groupe.
**Note**
Si vous y êtes invité, autorisez la création du rôle de [service Greengrass et associez-le à votre rôle](service-role.md) Compte AWS dans le service actuel. Région AWS Ce rôle permet d'accéder AWS IoT Greengrass à vos ressources dans les AWS services.
La page **Déploiements** indique l'horodatage, l'ID de version et l'état du déploiement. Une fois terminé, le statut affiché pour le déploiement doit être **Terminé**.
Pour de plus amples informations sur les déploiements, veuillez consulter [Déployer AWS IoT Greengrass des groupes vers un AWS IoT Greengrass noyau](deployments.md). Pour bénéficier d'une aide à la résolution des problèmes, consultez [Résolution des problèmes AWS IoT Greengrass](gg-troubleshooting.md).
## Étape 9 : Tester l'application d'inférence
À présent, vous pouvez vérifier si le déploiement est correctement configuré. Pour effectuer un test, vous vous abonnez à la `hello/world` rubrique et vous consultez les résultats de prédiction publiés par la fonction Lambda.
**Note**
Si un écran est attaché au Raspberry Pi, le flux de la caméra est diffusé en direct dans une fenêtre d'aperçu.
1. Dans la AWS IoT console, sous **Test**, choisissez le **client de test MQTT**.
1. Pour **Abonnements**, utilisez les valeurs suivantes :
+ Pour la rubrique d'abonnement, utilisez hello/world.
+ Sous **Configuration supplémentaire**, pour l'affichage de la **charge utile MQTT, choisissez Afficher** **les charges utiles sous forme de chaînes**.
1. Choisissez **Abonner**.
Si le test est réussi, les messages de la fonction Lambda apparaissent en bas de page. Chaque message contient les cinq premiers résultats des prédictions de l'image, en utilisant le format suivant : probabilité, ID de classe prédite et nom de classe correspondante.
![\[Page Abonnements affichant les résultats des tests avec les données de message.\]](http://docs.aws.amazon.com/fr_fr/greengrass/v1/developerguide/images/ml-inference/prediction-results.png)
### Résolution des problèmes liés à l' AWS IoT Greengrass inférence ML
Si le test n'est pas réussi, vous pouvez essayer les étapes de dépannage suivantes. Exécutez les commandes dans la fenêtre de terminal de votre Raspberry Pi.
#### Consultez les journaux des erreurs
1. Connectez-vous en tant qu'utilisateur racine et accédez au répertoire `log`. L'accès aux AWS IoT Greengrass journaux nécessite des autorisations root.
```
sudo su
cd /greengrass/ggc/var/log
```
1. Dans le répertoire `system`, consultez `runtime.log` ou `python_runtime.log`.
Dans le répertoire `user/region/account-id`, consultez `greengrassObjectClassification.log`.
Pour de plus amples informations, veuillez consulter [Résolution des problèmes liés aux journaux](gg-troubleshooting.md#troubleshooting-logs).
##### Erreur de décompression dans le fichier runtime.log
Si `runtime.log` contient une erreur similaire à ce qui suit, assurez-vous que votre package de modèle source `tar.gz` possède un répertoire parent.
```
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 votre package n'a pas de répertoire parent contenant les fichiers de modèle, utilisez la commande suivante pour repackager le modèle :
```
tar -zcvf model.tar.gz ./model
```
Par exemple :
```
─$ tar -zcvf test.tar.gz ./test
./test
./test/some.file
./test/some.file2
./test/some.file3
```
**Note**
N'incluez pas les caractères de fin `/*` dans cette commande.
#### Vérifiez que la fonction Lambda est correctement déployée
1. Répertoriez le contenu du Lambda déployé dans le `/lambda` répertoire. Remplacez les valeurs d'espace réservé avant d'exécuter la commande.
```
cd /greengrass/ggc/deployment/lambda/arn:aws:lambda:region:account:function:function-name:function-version
ls -la
```
1. Vérifiez que le répertoire contient le même contenu que le package de déploiement `greengrassObjectClassification.zip` que vous avez chargé dans [Étape 4 : Création et publication d'une fonction Lambda](#ml-console-create-lambda).
Assurez-vous que les fichiers `.py` et les dépendances se trouvent dans la racine du répertoire.
#### Vérifiez que le modèle d'inférence a été déployé avec succès
1. Trouvez le numéro d'identification du processus (PID) du processus d'exécution Lambda :
```
ps aux | grep 'lambda-function-name*'
```
Dans la sortie, le PID apparaît dans la deuxième colonne de la ligne pour le processus d'exécution Lambda.
1. Entrez l'espace de noms d'exécution Lambda. Assurez-vous de remplacer la *pid* valeur de l'espace réservé avant d'exécuter la commande.
**Note**
Ce répertoire et son contenu se trouvent dans l'espace de noms d'exécution Lambda, ils ne sont donc pas visibles dans un espace de noms Linux normal.
```
sudo nsenter -t pid -m /bin/bash
```
1. Affichez le contenu du répertoire local que vous avez spécifié comme ressource de ML.
```
cd /greengrass-machine-learning/mxnet/squeezenet/
ls -ls
```
Vous devriez voir les fichiers suivants :
```
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
```
## Étapes suivantes
Ensuite, explorez d'autres applications d'inférence. AWS IoT Greengrass fournit d'autres fonctions Lambda que vous pouvez utiliser pour tester l'inférence locale. Vous pouvez trouver les packages d'exemple dans le dossier des bibliothèques précompilées que vous avez téléchargé à l'[Étape 2 : Installation du MXNet framework](#install-mxnet).
## Configuration d'un processeur Intel Atom
Pour exécuter ce didacticiel sur un périphérique Intel Atom, vous devez fournir des images sources, configurer la fonction Lambda et ajouter une autre ressource de périphérique local. Pour utiliser le processeur graphique à des fins d'inférence, assurez-vous que les logiciels suivants sont installés sur votre appareil :
+ OpenCL version 1.0 ou ultérieure
+ Python 3.7 et pip
**Note**
Si votre appareil est préconfiguré avec Python 3.6, vous pouvez aussi créer un lien symbolique vers Python 3.7. Pour de plus amples informations, veuillez consulter [Step 2](#python-symlink).
+ [NumPy](https://pypi.org/project/numpy/)
+ [OpenCV sur Wheels](https://pypi.org/project/opencv-python/)
1. Téléchargez des images statiques au format PNG ou JPG pour la fonction Lambda à utiliser pour la classification des images. L'exemple fonctionne mieux avec des fichiers image de petite taille.
Enregistrez vos fichiers image dans le répertoire qui contient le fichier `greengrassObjectClassification.py` (ou dans un sous-répertoire de ce répertoire). Cela se trouve dans le package de déploiement de la fonction Lambda que vous téléchargez. [Étape 4 : Création et publication d'une fonction Lambda](#ml-console-create-lambda)
**Note**
Si vous en utilisez AWS DeepLens, vous pouvez utiliser la caméra intégrée ou monter votre propre caméra pour effectuer des inférences sur des images capturées plutôt que sur des images statiques. Cependant, nous vous recommandons vivement de commencer par les images statiques.
Si vous utilisez une caméra, assurez-vous que le package APT `awscam` est installé et à jour. Pour plus d'informations, consultez la section [Mettre à jour votre AWS DeepLens appareil](https://docs.aws.amazon.com/deeplens/latest/dg/deeplens-manual-updates.html) dans le *guide du AWS DeepLens développeur*.
1. Si vous n'utilisez pas Python 3.7, assurez-vous de créer un lien symbolique entre Python 3.x et Python 3.7. Cela permet de configurer votre appareil pour utiliser Python 3 avec AWS IoT Greengrass. Exécutez la commande suivante pour localiser votre installation Python :
```
which python3
```
Exécutez la commande suivante pour créer le lien symbolique :
```
sudo ln -s path-to-python-3.x/python3.x path-to-python-3.7/python3.7
```
Redémarrez l'appareil.
1. Modifiez la configuration de la fonction Lambda. Suivez la procédure décrite dans [Étape 5 : Ajouter la fonction Lambda au groupe Greengrass](#ml-console-config-lambda).
**Note**
Nous vous recommandons d'exécuter votre fonction Lambda sans conteneurisation, sauf si votre analyse de rentabilisation l'exige. Cela permet d'accéder au processeur graphique et à la caméra de votre appareil sans configurer les ressources de l'appareil. Si vous exécutez sans conteneurisation, vous devez également accorder un accès root à vos fonctions Lambda AWS IoT Greengrass .
1. **Pour exécuter sans conteneurisation :**
+ Pour **Utilisateur et groupe du système**, sélectionnez**Another user ID/group ID**. Dans le champ **ID utilisateur du système**, entrez**0**. Pour l'**ID du groupe de systèmes**, entrez**0**.
Cela permet à votre fonction Lambda de s'exécuter en tant que root. Pour plus d'informations sur l'exécution en tant que root, consultez[Définition de l'identité d'accès par défaut pour les fonctions Lambda dans un groupe](lambda-group-config.md#lambda-access-identity-groupsettings).
**Astuce**
Vous devez également mettre à jour votre `config.json` fichier pour accorder un accès root à votre fonction Lambda. Pour la procédure, voir[Exécution d'une fonction Lambda en tant que root](lambda-group-config.md#lambda-running-as-root).
+ **Pour la **conteneurisation de la fonction Lambda, sélectionnez Aucun conteneur**.**
Pour plus d'informations sur l'exécution sans conteneurisation, consultez. [Considérations à prendre en compte lors du choix de la conteneurisation des fonctions Lambda](lambda-group-config.md#lambda-containerization-considerations)
+ Mettez à jour la valeur **Délai d'expiration** à 5 secondes. Cela permet de s'assurer que la demande n'expire pas trop tôt. L'exécution de l'inférence nécessite quelques minutes après la configuration.
+ Sous **Épinglé**, choisissez **True**.
+ Sous **Paramètres supplémentaires**, pour l'**accès en lecture au répertoire /sys**, sélectionnez **Activé**.
+ Sous **Cycle de vie Lambda**, sélectionnez **Attribuer une longue durée de vie à cette fonction et l'exécuter indéfiniment**.
1. **Pour exécuter plutôt en mode conteneurisé :**
**Note**
Nous vous déconseillons de l'exécuter en mode conteneurisé, sauf si votre analyse de rentabilisation l'exige.
+ Mettez à jour la valeur **Délai d'expiration** à 5 secondes. Cela permet de s'assurer que la demande n'expire pas trop tôt. L'exécution de l'inférence nécessite quelques minutes après la configuration.
+ Pour **Épinglé**, choisissez **True**.
+ Sous **Paramètres supplémentaires**, pour l'**accès en lecture au répertoire /sys**, sélectionnez **Activé**.
1. En **cas d'exécution en mode conteneurisé**, ajoutez la ressource locale requise pour autoriser l'accès au GPU de votre appareil.
**Note**
Si vous exécutez en mode non conteneurisé, vous AWS IoT Greengrass pouvez accéder au GPU de votre appareil sans configurer les ressources de l'appareil.
1. Sur la page de configuration du groupe, choisissez l'onglet **Ressources**.
1. Choisissez **Ajouter une ressource locale**.
1. Définissez la ressource :
+ Sous **Resource Name (Nom de la ressource)**, entrez **renderD128**.
+ Pour **Type de ressource**, choisissez **Appareil local**.
+ Pour **Device path (Chemin de l'appareil)**, entrez **/dev/dri/renderD128**.
+ Pour **le propriétaire du groupe système et les autorisations d'accès aux fichiers****, choisissez Ajouter automatiquement les autorisations de système de fichiers du groupe système propriétaire de la ressource**.
+ Pour les **affiliations à une fonction Lambda**, accordez un **accès en lecture et en écriture à** votre fonction Lambda.
## Configuration d'un NVIDIA Jetson TX2
Pour exécuter ce didacticiel sur un NVIDIA Jetson TX2, fournissez des images sources et configurez la fonction Lambda. Si vous utilisez le processeur graphique, vous devez également ajouter des ressources de périphérique local.
1. Assurez-vous que votre appareil Jetson est configuré pour pouvoir installer le logiciel AWS IoT Greengrass Core. Pour de plus amples informations sur la configuration de votre appareil, veuillez consulter [Configuration d'autres appareils](setup-filter.other.md).
1. Ouvrez la MXNet documentation, accédez à [Installation MXNet sur un appareil Jetson](https://mxnet.apache.org/get_started/jetson_setup) et suivez les instructions d'installation MXNet sur le périphérique Jetson.
**Note**
Si vous souhaitez créer à MXNet partir des sources, suivez les instructions pour créer la bibliothèque partagée. Modifiez les paramètres suivants dans votre `config.mk` fichier pour qu'ils fonctionnent avec un TX2 appareil Jetson :
Ajoutez `-gencode arch=compute-62, code=sm_62` au paramètre `CUDA_ARCH`.
Activez CUDA.
```
USE_CUDA = 1
```
1. Téléchargez des images statiques au format PNG ou JPG pour la fonction Lambda à utiliser pour la classification des images. L'application fonctionne mieux avec des fichiers image de petite taille. Vous pouvez également instrumenter une caméra sur le plateau Jetson pour capturer les images source.
Enregistrez vos fichiers image dans le répertoire contenant le fichier `greengrassObjectClassification.py`. Vous pouvez également les enregistrer dans un sous-répertoire de ce répertoire. Ce répertoire se trouve dans le package de déploiement de la fonction Lambda dans lequel vous téléchargez. [Étape 4 : Création et publication d'une fonction Lambda](#ml-console-create-lambda)
1. Créez un lien symbolique entre Python 3.7 et Python 3.6 pour utiliser Python 3 avec AWS IoT Greengrass. Exécutez la commande suivante pour localiser votre installation Python :
```
which python3
```
Exécutez la commande suivante pour créer le lien symbolique :
```
sudo ln -s path-to-python-3.6/python3.6 path-to-python-3.7/python3.7
```
Redémarrez l'appareil.
1. Assurez-vous que le compte `ggc_user` système peut utiliser le MXNet framework :
```
“sudo -u ggc_user bash -c 'python3 -c "import mxnet"'
```
1. Modifiez la configuration de la fonction Lambda. Suivez la procédure décrite dans [Étape 5 : Ajouter la fonction Lambda au groupe Greengrass](#ml-console-config-lambda).
**Note**
Nous vous recommandons d'exécuter votre fonction Lambda sans conteneurisation, sauf si votre analyse de rentabilisation l'exige. Cela permet d'accéder au processeur graphique et à la caméra de votre appareil sans configurer les ressources de l'appareil. Si vous exécutez sans conteneurisation, vous devez également accorder un accès root à vos fonctions Lambda AWS IoT Greengrass .
1. **Pour exécuter sans conteneurisation :**
+ Pour **Utilisateur et groupe du système**, sélectionnez**Another user ID/group ID**. Dans le champ **ID utilisateur du système**, entrez**0**. Pour l'**ID du groupe de systèmes**, entrez**0**.
Cela permet à votre fonction Lambda de s'exécuter en tant que root. Pour plus d'informations sur l'exécution en tant que root, consultez[Définition de l'identité d'accès par défaut pour les fonctions Lambda dans un groupe](lambda-group-config.md#lambda-access-identity-groupsettings).
**Astuce**
Vous devez également mettre à jour votre `config.json` fichier pour accorder un accès root à votre fonction Lambda. Pour la procédure, voir[Exécution d'une fonction Lambda en tant que root](lambda-group-config.md#lambda-running-as-root).
+ **Pour la **conteneurisation de la fonction Lambda, sélectionnez Aucun conteneur**.**
Pour plus d'informations sur l'exécution sans conteneurisation, consultez. [Considérations à prendre en compte lors du choix de la conteneurisation des fonctions Lambda](lambda-group-config.md#lambda-containerization-considerations)
+ Sous **Paramètres supplémentaires**, pour l'**accès en lecture au répertoire /sys**, sélectionnez **Activé**.
+ Sous **Variables d'environnement**, ajoutez les paires clé-valeur suivantes à votre fonction Lambda. Cela permet de configurer AWS IoT Greengrass pour utiliser le MXNet framework.
[\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/fr_fr/greengrass/v1/developerguide/ml-console.html)
1. **Pour exécuter plutôt en mode conteneurisé :**
**Note**
Nous vous déconseillons de l'exécuter en mode conteneurisé, sauf si votre analyse de rentabilisation l'exige.
+ Augmentez la valeur **Limite de mémoire**. Utilisez 500 Mo pour le processeur ou au moins 2000 Mo pour le processeur graphique.
+ Sous **Paramètres supplémentaires**, pour l'**accès en lecture au répertoire /sys**, sélectionnez **Activé**.
+ Sous **Variables d'environnement**, ajoutez les paires clé-valeur suivantes à votre fonction Lambda. Cela permet de configurer AWS IoT Greengrass pour utiliser le MXNet framework.
[\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/fr_fr/greengrass/v1/developerguide/ml-console.html)
1. En **cas d'exécution en mode conteneurisé**, ajoutez les ressources locales suivantes pour autoriser l'accès au GPU de votre appareil. Suivez la procédure décrite dans [Étape 6 : Ajouter des ressources au groupe Greengrass](#ml-console-add-resources).
**Note**
Si vous exécutez en mode non conteneurisé, vous AWS IoT Greengrass pouvez accéder au GPU de votre appareil sans configurer les ressources de l'appareil.
Pour chaque ressource :
+ Pour **Type de ressource**, choisissez **Appareil**.
+ Pour **le propriétaire du groupe système et les autorisations d'accès aux fichiers****, choisissez Ajouter automatiquement les autorisations de système de fichiers du groupe système propriétaire de la ressource**.
[\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/fr_fr/greengrass/v1/developerguide/ml-console.html)
1. En **cas d'exécution en mode conteneurisé**, ajoutez la ressource de volume local suivante pour autoriser l'accès à l'appareil photo de votre appareil. Suivez la procédure décrite dans [Étape 6 : Ajouter des ressources au groupe Greengrass](#ml-console-add-resources).
**Note**
Si vous exécutez en mode non conteneurisé, vous AWS IoT Greengrass pouvez accéder à la caméra de votre appareil sans configurer les ressources de volume.
+ Pour **Type de ressource**, choisissez **Volume**.
+ Pour **le propriétaire du groupe système et les autorisations d'accès aux fichiers****, choisissez Ajouter automatiquement les autorisations de système de fichiers du groupe système propriétaire de la ressource**.
[\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/fr_fr/greengrass/v1/developerguide/ml-console.html)