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 une inférence d'apprentissage automatique optimisée à l'aide du AWS Management Console
Pour suivre les étapes de ce didacticiel, vous devez utiliser AWS IoT Greengrass Core v1.10 ou une version ultérieure.
Vous pouvez utiliser le compilateur d'apprentissage profond SageMaker AI Neo pour optimiser l'efficacité prédictive des modèles d'inférence d'apprentissage automatique natifs dans Tensorflow, Apache MXNet PyTorch, ONNX et les XGBoost frameworks pour un encombrement réduit et des performances plus rapides. Vous pouvez ensuite télécharger le modèle optimisé, installer le moteur d'apprentissage profond SageMaker AI Neo et le déployer sur vos AWS IoT Greengrass appareils pour une inférence plus rapide.
Ce didacticiel explique comment utiliser le AWS Management Console pour configurer un groupe Greengrass afin d'exécuter un exemple d'inférence Lambda qui reconnaît les images d'une caméra localement, sans envoyer de données au cloud. L'exemple d'inférence accède au module de caméra sur un Raspberry Pi. Dans ce didacticiel, vous allez télécharger un modèle préemballé entraîné par Resnet-50 et optimisé dans le compilateur d'apprentissage profond Neo. Vous utilisez ensuite le modèle pour effectuer une classification locale des images sur votre AWS IoT Greengrass appareil.
Le didacticiel contient les étapes détaillées suivantes :
1. [Configurer le Raspberry Pi](#config-raspberry-pi-dlc)
1. [Installer l'environnement d'exécution Neo Deep Learning](#install-dlr)
1. [Création d'une fonction Lambda d'inférence](#ml-console-dlc-create-lambda)
1. [Ajoutez la fonction Lambda au groupe](#ml-console-dlc-config-lambda)
1. [Ajouter une ressource de modèle optimisé pour Neo au groupe](#ml-console-dlc-add-resources)
1. [Ajouter la ressource d'appareil de votre caméra au groupe](#ml-console-dlc-add-cam-resource)
1. [Ajouter des abonnements au groupe](#ml-console-dlc-add-subscription)
1. [Déployer le groupe](#ml-console-dlc-deploy-group)
1. [Tester l'exemple](#ml-console-dlc-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. Un bloc d'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 savoir comment configurer 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 savoir comment créer un groupe ou un service principal 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-dlc-config) et [NVIDIA Jetson TX2](#jetson-lambda-dlc-config). Si vous utilisez l'exemple Intel Atom, 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 d'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 moteur d'apprentissage profond Amazon SageMaker Neo
Au cours de cette étape, installez le Neo Deep Learning Runtime (DLR) sur votre Raspberry Pi.
**Note**
Nous vous recommandons d'installer la version 1.1.0 pour ce tutoriel.
1. Connectez-vous à votre Raspberry Pi à distance.
```
ssh pi@your-device-ip-address
```
1. Ouvrez la documentation DLR, ouvrez [Installation du DLR](https://neo-ai-dlr.readthedocs.io/en/latest/install.html) et recherchez l'URL du Wheel des appareils Raspberry Pi. Suivez ensuite les instructions d'installation du DLR sur votre appareil. Par exemple, vous pouvez utiliser pip :
```
pip3 install rasp3b-wheel-url
```
1. Après avoir installé le DLR, validez la configuration suivante :
+ Assurez-vous que le compte système `ggc_user` peut utiliser la bibliothèque DLR.
```
sudo -u ggc_user bash -c 'python3 -c "import dlr"'
```
+ Assurez-vous qu' NumPy il est installé.
```
sudo -u ggc_user bash -c 'python3 -c "import numpy"'
```
## Étape 3 : Création d'une fonction Lambda d'inférence
Au cours de cette étape, créez un package de déploiement de fonctions Lambda et une fonction Lambda. Ensuite, publiez une version de fonction et créez un alias.
1. Sur votre ordinateur, téléchargez l'exemple DLR pour Raspberry Pi à partir de [Exemples de machine learning](what-is-gg.md#gg-ml-samples).
1. Décompressez le fichier `dlr-py3-armv7l.tar.gz` téléchargé.
```
cd path-to-downloaded-sample
tar -xvzf dlr-py3-armv7l.tar.gz
```
Le répertoire `examples` de l'exemple de package extrait contient le code de fonction et les dépendances.
+ `inference.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 `optimizedImageClassification.zip`. Vous obtiendrez alors votre package de déploiement.
```
cd path-to-downloaded-sample/dlr-py3-armv7l/examples
zip -r optimizedImageClassification.zip .
```
Le package de déploiement contient votre code de fonction et vos dépendances. Cela inclut le code qui invoque Python, le moteur d'apprentissage profond Neo, APIs pour effectuer des inférences avec les modèles de compilateur d'apprentissage profond Neo.
**Note**
Assurez-vous que les fichiers `.py` et les dépendances se trouvent dans la racine du répertoire.
1. Ajoutez maintenant la fonction Lambda à votre groupe Greengrass.
Sur la page de la console Lambda, choisissez **Functions**, puis **Create** function.
1. Choisissez **Author à partir de zéro** et utilisez les valeurs suivantes pour créer votre fonction :
+ Sous **Nom de la fonction**, saisissez **optimizedImageClassification**.
+ 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.
![\[Section Informations de base de la page Créer une fonction.\]](http://docs.aws.amazon.com/fr_fr/greengrass/v1/developerguide/images/ml-dlc-inference/gg-dlr-lambda-creation.png)
1. Choisissez **Créer une fonction**.
À présent, téléchargez le package de déploiement de votre fonction Lambda et enregistrez le gestionnaire.
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 votre package de `optimizedImageClassification.zip` déploiement, puis cliquez **sur 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 **inference.handler**.
Choisissez **Enregistrer**.
![\[La section des paramètres d'exécution avec Upload en surbrillance.\]](http://docs.aws.amazon.com/fr_fr/greengrass/v1/developerguide/images/ml-dlc-inference/gg-ml2-lambda-upload.png)
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-dlc-inference/gg-ml2-publish-new.png)
1. Dans **Description de la version**, saisissez **First version**, puis choisissez **Publish**.
1. Sur la page de configuration **optimizedImageClassification: 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-dlc-inference/gg-ml2-create-alias.png)
1. Sur la page **Create a new alias**, utilisez les valeurs suivantes :
+ Pour **Nom**, saisissez **mlTestOpt**.
+ Pour **Version**, entrez **1**.
**Note**
AWS IoT Greengrass **ne prend pas en charge les alias Lambda pour les versions \$1LATEST.**
1. Choisissez **Créer**.
Ajoutez maintenant la fonction Lambda à votre groupe Greengrass.
## Étape 4 : ajouter la fonction Lambda au groupe Greengrass
Au cours de cette étape, ajoutez la fonction Lambda au groupe, puis configurez son cycle de vie.
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 des groupes, choisissez l'onglet **Fonctions Lambda**, puis sélectionnez Ajouter.**
1. Choisissez la **fonction Lambda**, puis sélectionnez. **optimizedImageClassification**
1. Dans la **version de la fonction Lambda**, choisissez l'alias de la version que vous avez publiée.
Configurez ensuite le cycle de vie 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).
+ Sous **Paramètre supplémentaire**, pour l'**accès en lecture au répertoire /sys**, choisissez **Enabled**.
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 **1024 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).
+ Sous **Paramètres supplémentaires**, pour l'**accès en lecture au répertoire /sys**, sélectionnez **Activé**.
1. Choisissez **Ajouter une fonction Lambda**.
## Étape 5 : Ajouter une ressource de modèle optimisée pour SageMaker AI Neo au groupe Greengrass
Au cours de cette étape, créez une ressource pour le modèle d'inférence ML optimisé et chargez-la dans un compartiment Amazon S3. Localisez ensuite le modèle téléchargé sur Amazon S3 dans la AWS IoT Greengrass console et associez la ressource nouvellement créée à la fonction Lambda. Cela permet à la fonction d'accéder à ses ressources sur l'appareil principal.
1. Sur votre ordinateur, accédez au répertoire `resnet50` de l'exemple de package que vous avez décompressé dans [Étape 3 : Création d'une fonction Lambda d'inférence](#ml-console-dlc-create-lambda).
**Note**
Si vous utilisez l'exemple NVIDIA Jetson, vous devez plutôt utiliser le répertoire `resnet18` dans l'exemple de package. Pour de plus amples informations, veuillez consulter [Configuration d'un NVIDIA Jetson TX2](#jetson-lambda-dlc-config).
```
cd path-to-downloaded-sample/dlr-py3-armv7l/models/resnet50
```
Ce répertoire contient des artefacts de modèles précompilés pour un modèle de classification d'images avec Resnet-50.
1. Compressez les fichiers du répertoire `resnet50` dans un fichier nommé `resnet50.zip`.
```
zip -r resnet50.zip .
```
1. Sur la page de configuration de votre AWS IoT Greengrass groupe, choisissez l'onglet **Ressources**. Accédez à la section **Machine Learning**, choisissez **Ajouter une ressource de Machine Learning**. Sur la page **Créer une ressource de Machine Learning**, pour **Nom de la ressource**, entrez **resnet50\$1model**.
1. Pour **Model source**, choisissez **Utiliser un modèle stocké dans S3, tel qu'un modèle optimisé via le Deep Learning Compiler**.
1. Sous **S3 URI**, choisissez **Browse S3**.
**Note**
Actuellement, les modèles d' SageMaker IA optimisés sont stockés automatiquement dans Amazon S3. Vous pouvez trouver votre modèle optimisé dans votre compartiment Amazon S3 à l'aide de cette option. Pour plus d'informations sur l'optimisation des modèles dans l' SageMaker IA, consultez la [documentation SageMaker AI Neo](https://docs.aws.amazon.com/sagemaker/latest/dg/neo.html).
1. Choisissez **Charger un modèle**.
1. Dans l'onglet console Amazon S3, chargez votre fichier zip dans un compartiment Amazon 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**
Le nom de votre compartiment doit contenir la chaîne **greengrass**. Choisissez un nom unique (comme **greengrass-dlr-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 Amazon S3. Localisez votre fichier chargé `resnet50.zip`, puis choisissez **Sélectionner**. Vous devrez peut-être actualiser la page pour mettre à jour la liste des compartiments et des fichiers disponibles.
1. Dans le **champ Destination path**, entrez**/ml\$1model**.
![\[Le chemin de destination mis à jour.\]](http://docs.aws.amazon.com/fr_fr/greengrass/v1/developerguide/images/ml-dlc-inference/local-path.png)
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.
**Note**
Nous vous recommandons vivement d'utiliser le chemin d'accès local exact. L'utilisation d'un autre chemin de destination de modèle local dans cette étape entraîne l'inexactitude de certaines commandes de dépannage fournies dans ce didacticiel. Si vous utilisez un autre chemin, vous devez configurer une variable d'environnement `MODEL_PATH` qui utilise le chemin d'accès exact que vous fournissez ici. Pour de plus amples informations sur les variables d'environnement, veuillez consulter [Variables d'environnement AWS Lambda](https://docs.aws.amazon.com/lambda/latest/dg/env_variables.html).
1. **En cas d'exécution en mode conteneurisé :**
1. Sous **Propriétaire du groupe système et autorisations d'accès aux fichiers**, choisissez **Spécifier le groupe système et les autorisations**.
1. Choisissez **Accès en lecture seule**, puis sélectionnez **Ajouter** une ressource.
## Étape 6 : Ajouter la ressource d'appareil de votre caméra au groupe Greengrass
Au cours de cette étape, créez une ressource pour le module caméra et associez-la à la fonction Lambda. Cela permet à la fonction Lambda d'accéder à la ressource sur le périphérique principal.
**Note**
Si vous exécutez en mode non conteneurisé, vous AWS IoT Greengrass pouvez accéder au GPU et à la caméra de votre appareil sans configurer cette ressource de périphérique.
1. Sur la page de configuration du groupe, choisissez l'onglet **Ressources**.
1. Dans l'onglet **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 du périphérique 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 **Autorisation d'accès fichier pour le propriétaire du groupe** vous permet d'accorder des autorisations supplémentaires d'accès aux fichiers 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. Au bas de la page, choisissez **Ajouter une ressource**.
1. Dans l'onglet **Ressources**, créez une autre ressource locale en choisissant **Ajouter** et en utilisant les valeurs suivantes :
+ Sous **Resource Name (Nom de la ressource)**, entrez **videoCoreInterface**.
+ Pour **Type de ressource**, choisissez **Appareil**.
+ Pour le **chemin du périphérique 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. Choisissez **Add resource (Ajouter ressource)**.
## Étape 7 : Ajouter des abonnements au groupe Greengrass
Au cours de cette étape, ajoutez des abonnements au groupe. Ces abonnements permettent 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 **Créer un abonnement**, configurez la source et la cible comme suit :
1. Dans **Type de source**, sélectionnez **Fonction Lambda**, puis sélectionnez. **optimizedImageClassification**
1. Dans **Type de cible**, choisissez **Service**, puis **IoT Cloud**.
1. Dans le **filtre de rubrique**, entrez**/resnet-50/predictions**, puis choisissez **Créer un abonnement**.
1. Ajoutez un second abonnement. Choisissez l'onglet **Abonnements**, choisissez **Ajouter un abonnement** et configurez la source et la cible comme suit :
1. Dans **Type de source**, choisissez **Services**, puis **IoT Cloud**.
1. Dans **Type de cible**, sélectionnez **Fonction Lambda**, puis sélectionnez. **optimizedImageClassification**
1. Dans le **filtre de rubrique**, entrez**/resnet-50/test**, 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/latest-core-version/bin/daemon`, le démon est en cours d'exécution.
1. Pour démarrer le daemon :
```
cd /greengrass/ggc/core/
sudo ./greengrassd start
```
1. Sur la page de configuration du groupe, choisissez **Deploy**.
1. **Dans l'onglet **Fonctions Lambda**, sélectionnez **Détecteur IP**, puis 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**, puis sélectionnez 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).
## Tester l'exemple d'inférence
À présent, vous pouvez vérifier si le déploiement est correctement configuré. Pour effectuer le test, abonnez-vous à la rubrique `/resnet-50/predictions` et publiez n'importe quel message dans la rubrique `/resnet-50/test`. Cela déclenche la fonction Lambda pour prendre une photo avec votre Raspberry Pi et effectuer une inférence sur l'image qu'il capture.
**Note**
Si vous utilisez l'exemple NVIDIA Jetson, veillez à utiliser plutôt les rubriques `resnet-18/predictions` et `resnet-18/test`.
**Note**
Si un écran est attaché au Raspberry Pi, le flux de la caméra est diffusé en direct dans une fenêtre d'aperçu.
1. Sur la page d'accueil de la AWS IoT console, sous **Test**, choisissez le **client de test MQTT**.
1. Pour les **abonnements**, choisissez **S'abonner à un sujet**. Utilisez les valeurs suivantes. Conservez les valeurs par défaut des autres options.
+ Pour **Rubrique d'abonnement**, entrez **/resnet-50/predictions**.
+ Sous **Configuration supplémentaire**, pour l'affichage de la **charge utile MQTT, choisissez Afficher** **les charges utiles sous forme de chaînes**.
1. Choisissez **Abonner**.
1. Choisissez **Publier dans un sujet**, entrez le **/resnet-50/test** **nom du sujet**, puis choisissez **Publier**.
1. Si le test réussit, le message publié provoque la capture d'une image par la caméra Raspberry Pi. Un message de la fonction Lambda apparaît au bas de la page. Ce message contient le résultat des prédictions de l'image en utilisant le format suivant : nom de classe prédite, probabilité et utilisation de la mémoire.
## 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
+ [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 `inference.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 3 : Création d'une fonction Lambda d'inférence](#ml-console-dlc-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. Modifiez la configuration de la fonction Lambda. Suivez la procédure décrite dans [Étape 4 : ajouter la fonction Lambda au groupe Greengrass](#ml-console-dlc-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)
+ Augmentez la valeur **Expiration** en la faisant passer à 2 minutes. 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. **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** en la faisant passer à 3 000 Mo.
+ Augmentez la valeur **Expiration** en la faisant passer à 2 minutes. 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. Ajoutez une ressource de modèle optimisé pour Neo au groupe. Téléchargez les ressources du modèle dans le répertoire `resnet50` de l'exemple de package que vous avez décompressé dans [Étape 3 : Création d'une fonction Lambda d'inférence](#ml-console-dlc-create-lambda). Ce répertoire contient des artefacts de modèles précompilés pour un modèle de classification d'images avec Resnet-50. Exécutez la procédure décrite dans [Étape 5 : Ajouter une ressource de modèle optimisée pour SageMaker AI Neo au groupe Greengrass](#ml-console-dlc-add-resources) en appliquant les mises à jour qui suivent :
+ Compressez les fichiers du répertoire `resnet50` dans un fichier nommé `resnet50.zip`.
+ Sur la page **Créer une ressource de Machine Learning**, pour **Nom de la ressource**, entrez **resnet50\$1model**.
+ Chargez le fichier `resnet50.zip`.
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. Dans la section **Ressources locales**, choisissez **Ajouter une ressource locale**.
1. Définissez la ressource :
+ Sous **Resource Name (Nom de la ressource)**, entrez **renderD128**.
+ Pour **Type de ressource**, choisissez **Appareil**.
+ Pour le **chemin du périphérique local**, 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**.
## Configuration d'un NVIDIA Jetson TX2
Pour exécuter ce didacticiel sur un NVIDIA Jetson TX2, fournissez des images sources, configurez la fonction Lambda et ajoutez des ressources supplémentaires au périphérique local.
1. Assurez-vous que votre appareil Jetson est configuré de manière à pouvoir installer le logiciel AWS IoT Greengrass Core et utiliser le GPU à des fins d'inférence. Pour de plus amples informations sur la configuration de votre appareil, veuillez consulter [Configuration d'autres appareils](setup-filter.other.md). Pour utiliser le GPU à des fins d'inférence sur un NVIDIA Jetson TX2, vous devez installer CUDA 10.0 et cuDNN 7.0 sur votre appareil lorsque vous imager votre carte avec Jetpack 4.3.
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 contenant le fichier `inference.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 3 : Création d'une fonction Lambda d'inférence](#ml-console-dlc-create-lambda)
**Note**
À la place, vous pouvez choisir d'instrumenter une caméra sur la carte Jetson pour capturer les images source. Cependant, nous vous recommandons vivement de commencer par les images statiques.
1. Modifiez la configuration de la fonction Lambda. Suivez la procédure décrite dans [Étape 4 : ajouter la fonction Lambda au groupe Greengrass](#ml-console-dlc-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 **Exécuter en tant que**, choisissez**Another user ID/group ID**. Pour **UID**, entrez**0**. Pour **GUID**, 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)
+ Augmentez la valeur **Expiration** en la faisant passer à 5 minutes. 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. **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**. Pour utiliser le modèle fourni en mode GPU (processeur graphique), utilisez au moins 2000 Mo.
+ Augmentez la valeur **Expiration** en la faisant passer à 5 minutes. 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. Ajoutez une ressource de modèle optimisé pour Neo au groupe. Téléchargez les ressources du modèle dans le répertoire `resnet18` de l'exemple de package que vous avez décompressé dans [Étape 3 : Création d'une fonction Lambda d'inférence](#ml-console-dlc-create-lambda). Ce répertoire contient des artefacts de modèles précompilés pour un modèle de classification d'images entraîné avec Resnet-18. Exécutez la procédure décrite dans [Étape 5 : Ajouter une ressource de modèle optimisée pour SageMaker AI Neo au groupe Greengrass](#ml-console-dlc-add-resources) en appliquant les mises à jour qui suivent :
+ Compressez les fichiers du répertoire `resnet18` dans un fichier nommé `resnet18.zip`.
+ Sur la page **Créer une ressource de Machine Learning**, pour **Nom de la ressource**, entrez **resnet18\$1model**.
+ Chargez le fichier `resnet18.zip`.
1. En **cas d'exécution en mode conteneurisé**, ajoutez les ressources locales requises 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. Dans la section **Ressources locales**, choisissez **Ajouter une ressource locale**.
1. Définissez chaque ressource :
+ Pour **Resource name (Nom de la ressource )** et **Device path, (Chemin de l'appareil)**, utilisez les valeurs du tableau suivant. Créez une ressource de périphérique pour chaque ligne de la table.
+ 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-dlc-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 5 : Ajouter une ressource de modèle optimisée pour SageMaker AI Neo au groupe Greengrass](#ml-console-dlc-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 l'appareil.
+ 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-dlc-console.html)
1. Mettez à jour vos abonnements de groupe pour utiliser le répertoire correct. Exécutez la procédure décrite dans [Étape 7 : Ajouter des abonnements au groupe Greengrass](#ml-console-dlc-add-subscription) en appliquant les mises à jour qui suivent :
+ Pour votre premier filtre de rubrique, entrez **/resnet-18/predictions**.
+ Pour votre deuxième filtre de rubrique, entrez **/resnet-18/test**.
1. Mettez à jour vos abonnements de test pour utiliser le répertoire correct. Exécutez la procédure décrite dans [Tester l'exemple d'inférence](#ml-console-dlc-test-app) en appliquant les mises à jour qui suivent :
+ Pour les **abonnements**, choisissez **S'abonner à un sujet**. Pour **Rubrique d'abonnement**, entrez **/resnet-18/predictions**.
+ Dans la page `/resnet-18/predictions`, spécifiez la rubrique `/resnet-18/test` sur laquelle publier.
## Résolution des problèmes AWS IoT Greengrass d'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. Vérifiez s'il `runtime.log` y a des erreurs.
```
cat system/runtime.log | grep 'ERROR'
```
Vous pouvez également consulter le journal des fonctions Lambda défini par l'utilisateur pour détecter d'éventuelles erreurs :
```
cat user/your-region/your-account-id/lambda-function-name.log | grep 'ERROR'
```
Pour de plus amples informations, veuillez consulter [Résolution des problèmes liés aux journaux](gg-troubleshooting.md#troubleshooting-logs).
### 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 `optimizedImageClassification.zip` que vous avez chargé dans [Étape 3 : Création d'une fonction Lambda d'inférence](#ml-console-dlc-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 le namespace 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.
**Note**
Si votre chemin de ressource ML est différent de `ml_model`, vous devez le remplacer ici.
```
cd /ml_model
ls -ls
```
Vous devriez voir les fichiers suivants :
```
56 -rw-r--r-- 1 ggc_user ggc_group 56703 Oct 29 20:07 model.json
196152 -rw-r--r-- 1 ggc_user ggc_group 200855043 Oct 29 20:08 model.params
256 -rw-r--r-- 1 ggc_user ggc_group 261848 Oct 29 20:07 model.so
32 -rw-r--r-- 1 ggc_user ggc_group 30564 Oct 29 20:08 synset.txt
```
### La fonction Lambda ne parvient pas à trouver `/dev/dri/renderD128`
Cela peut se produire si OpenCL ne parvient pas à se connecter aux appareils GPU dont il a besoin. Vous devez créer des ressources pour les appareils nécessaires à votre fonction Lambda.
## Étapes suivantes
Ensuite, explorez d'autres modèles optimisés. Pour plus d'informations, consultez la [documentation SageMaker AI Neo](https://docs.aws.amazon.com/sagemaker/latest/dg/neo.html).