Sesuaikan komponen machine learning Anda

Untuk men-deploy komponen inferensi publik yang dimodifikasi (konsol)

1. Masuk ke konsol AWS IoT Greengrass tersebut.

2. Pada menu navigasi, pilih Komponen.

3. Pada halaman Komponen, pada tab Komponen publik, pilih komponen yang ingin Anda deploy.

4. Pada halaman komponen, pilih Deploy.

5. Dari Tambahkan ke deployment, pilih salah satu langkah berikut ini:

   1. Untuk menggabungkan komponen ini ke deployment yang ada pada perangkat target Anda, pilih Tambahkan ke deployment yang ada, lalu pilih deployment yang ingin Anda revisi.

   2. Untuk membuat deployment baru di perangkat target Anda, pilih Buat deployment baru. Jika Anda memiliki deployment yang ada di perangkat, dengan memilih langkah ini Anda akan menggantikan deployment yang ada.

6. Di halaman Tentukan target, lakukan hal berikut:

   1. Di bawah informasi Deployment, masukkan atau ubah nama yang ramah untuk deployment Anda.

   2. Di bawah Target deployment, pilih target untuk deployment Anda, dan pilih Selanjutnya. Anda tidak dapat mengubah target deployment jika Anda merevisi deployment yang ada.

7. Pada halaman Pilih komponen, di bawah Komponen publik verifikasi bahwa komponen inferensi dengan konfigurasi yang dimodifikasi dipilih, dan pilih Selanjutnya.

8. Pada halaman Konfigurasikan komponen, lakukan hal berikut:

   1. Pilih komponen inferensi, dan pilih Konfigurasikan komponen.

   2. Di bawah Pembaruan konfigurasi, masukkan nilai konfigurasi yang ingin Anda perbarui. Sebagai contoh, masukkan pembaruan konfigurasi berikut di kotak Konfigurasikan untuk menggabungkan untuk mengubah interval inferensi menjadi 15 detik, dan instruksikan komponen untuk mencari citra bernama custom.jpg di folder /custom-ml-inference/images/.

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

      Untuk me-reset seluruh konfigurasi komponen ke nilai default-nya, tentukan string kosong tunggal "" di kotak Reset path.

   3. Pilih Konfirmasi dan kemudian pilih Selanjutnya.

9. Pada halaman Konfigurasikan pengaturan lanjutan, simpan pengaturan konfigurasi default tersebut, dan pilih Selanjutnya.

10. Di halaman Tinjauan, pilih Deploy.

1. Jalankan perintah berikut untuk mengambil resep komponen komponen klasifikasi DLR gambar. Perintah ini menulis resep komponen ke file JSON atau YAML resep yang Anda berikan dalam perintah Anda.

   Linux, macOS, or Unix

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

   Windows Command Prompt (CMD)

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

   PowerShell

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

   Ganti <recipe-file> dengan nama resep dalam format<component-name>-<component-version>.

2. Di objek ComponentDependencies dalam resep Anda, lakukan salah satu atau lebih hal berikut ini tergantung pada model dan waktu aktif komponen yang ingin Anda gunakan:

   • Pertahankan ketergantungan DLR komponen jika Anda ingin menggunakan model DLR -compiled. Anda juga dapat menggantinya dengan dependensi pada komponen waktu aktif kustom, seperti yang ditunjukkan dalam contoh berikut.

     Komponen runtime

     JSON

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

     YAML

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

   • Pertahankan dependensi penyimpanan model klasifikasi DLR gambar untuk menggunakan model ResNet -50 yang telah dilatih sebelumnya yang AWS menyediakan, atau memodifikasinya untuk menggunakan komponen model kustom. Saat Anda menyertakan dependensi untuk komponen model publik, jika versi kustom komponen yang lebih baru ada dalam komponen yang sama Akun AWS dan Wilayah AWS, maka komponen inferensi menggunakan komponen kustom tersebut. Tentukan dependensi komponen model seperti yang ditunjukkan dalam contoh berikut.

     Komponen model publik

     JSON

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

     YAML

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

     Komponen model kustom

     JSON

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

     YAML

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

3. Di objek ComponentConfiguration, tambahkan konfigurasi default untuk komponen ini. Anda nanti dapat mengubah konfigurasi ini ketika Anda men-deploy komponen tersebut. Kutipan berikut menunjukkan konfigurasi komponen untuk komponen klasifikasi DLR gambar.

   Misalnya, jika Anda menggunakan komponen model kustom sebagai dependensi untuk komponen inferensi kustom Anda, maka ubah ModelResourceKey untuk memberikan nama-nama model yang Anda gunakan.

   JSON

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

   YAML

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

4. Di objek Manifests, berikan informasi tentang artefak tersebut dan konfigurasi komponen ini yang digunakan ketika komponen tersebut di-deploy pada beberapa platform yang berbeda dan informasi lain yang diperlukan untuk berhasil menjalankan komponen tersebut. Kutipan berikut menunjukkan konfigurasi Manifests objek untuk platform Linux dalam komponen klasifikasi DLR gambar.

   JSON

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

   YAML

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