Menerapkan aplikasi

Untuk menerapkan aplikasi, Anda menggunakan AWS Panorama Application CLI yang mengimpornya ke akun Anda, membuat kontainer, mengunggah dan mendaftarkan aset, dan membuat instance aplikasi. Topik ini masuk ke masing-masing langkah ini secara rinci dan menjelaskan apa yang terjadi di latar belakang.

Jika Anda belum menerapkan aplikasi, lihat Memulai dengan AWS Panorama panduan.

Untuk informasi lebih lanjut tentang menyesuaikan dan memperluas aplikasi sampel, lihat. Membangun AWS Panorama aplikasi

Instal CLI Aplikasi AWS Panorama

Untuk menginstal AWS Panorama Application CLI danAWS CLI, gunakan pip.

$ pip3 install --upgrade awscli panoramacli

Untuk membuat gambar aplikasi dengan AWS Panorama Application CLI, Anda memerlukan Docker. Di Linux, qemu dan perpustakaan sistem terkait juga diperlukan. Untuk informasi selengkapnya tentang menginstal dan mengonfigurasi AWS Panorama Application CLI, lihat file README di repositori proyek. GitHub

Untuk petunjuk tentang pengaturan lingkungan build di Windows dengan WSL2, lihat. Menyiapkan lingkungan pengembangan di Windows

Mengimpor aplikasi

Jika Anda bekerja dengan aplikasi sampel atau aplikasi yang disediakan oleh pihak ketiga, gunakan AWS Panorama Application CLI untuk mengimpor aplikasi.

my-app$ panorama-cli import-application

Perintah ini mengganti nama paket aplikasi dengan ID akun Anda. Nama paket dimulai dengan ID akun akun tempat mereka digunakan. Saat Anda menerapkan aplikasi ke beberapa akun, Anda harus mengimpor dan mengemas aplikasi secara terpisah untuk setiap akun.

Misalnya, contoh aplikasi panduan ini paket kode dan paket model, masing-masing diberi nama dengan ID akun placeholder. import-applicationPerintah mengganti nama ini untuk menggunakan ID akun yang disimpulkan CLI dari kredensyal ruang kerja Anda. AWS

/aws-panorama-sample
├── assets
├── graphs
│   └── my-app
│       └── graph.json
└── packages
    ├── 123456789012-SAMPLE_CODE-1.0
    │   ├── Dockerfile
    │   ├── application.py
    │   ├── descriptor.json
    │   ├── package.json
    │   ├── requirements.txt
    │   └── squeezenet_classes.json
    └── 123456789012-SQUEEZENET_PYTORCH-1.0
        ├── descriptor.json
        └── package.json

123456789012diganti dengan ID akun Anda dalam nama direktori paket, dan dalam manifes aplikasi (graph.json), yang merujuk kepada mereka. Anda dapat mengonfirmasi ID akun Anda dengan menelepon aws sts get-caller-identity denganAWS CLI.

$ aws sts get-caller-identity
{
    "UserId": "AIDAXMPL7W66UC3GFXMPL",
    "Account": "210987654321",
    "Arn": "arn:aws:iam::210987654321:user/devenv"
}

Membangun gambar kontainer

Kode aplikasi Anda dikemas dalam gambar kontainer Docker, yang mencakup kode aplikasi dan pustaka yang Anda instal di Dockerfile Anda. Gunakan build-container perintah AWS Panorama Application CLI untuk membuat image Docker dan mengekspor image filesystem.

my-app$ panorama-cli build-container --container-asset-name code_asset --package-path packages/210987654321-SAMPLE_CODE-1.0
{
    "name": "code_asset",
    "implementations": [
        {
            "type": "container",
            "assetUri": "5fa5xmplbc8c16bf8182a5cb97d626767868d3f4d9958a4e49830e1551d227c5.tar.gz",
            "descriptorUri": "1872xmpl129481ed053c52e66d6af8b030f9eb69b1168a29012f01c7034d7a8f.json"
        }
    ]
}
Container asset for the package has been succesfully built at assets/5fa5xmplbc8c16bf8182a5cb97d626767868d3f4d9958a4e49830e1551d227c5.tar.gz

Perintah ini membuat image Docker bernama code_asset dan mengekspor filesystem ke arsip dalam .tar.gz folder. assets CLI menarik gambar dasar aplikasi dari Amazon Elastic Container Registry (Amazon ECR), sebagaimana ditentukan dalam Dockerfile aplikasi.

Selain arsip kontainer, CLI menciptakan aset untuk deskriptor paket ()descriptor.json. Kedua file diganti namanya dengan pengenal unik yang mencerminkan hash dari file asli. AWS Panorama Application CLI juga menambahkan blok ke konfigurasi paket yang mencatat nama kedua aset tersebut. Nama-nama ini digunakan oleh alat selama proses penyebaran.

{
    "nodePackage": {
        "envelopeVersion": "2021-01-01",
        "name": "SAMPLE_CODE",
        "version": "1.0",
        "description": "Computer vision application code.",
        "assets": [
            {
                "name": "code_asset",
                "implementations": [
                    {
                        "type": "container",
                        "assetUri": "5fa5xmplbc8c16bf8182a5cb97d626767868d3f4d9958a4e49830e1551d227c5.tar.gz",
                        "descriptorUri": "1872xmpl129481ed053c52e66d6af8b030f9eb69b1168a29012f01c7034d7a8f.json"
                    }
                ]
            }
        ],
        "interfaces": [
            {
                "name": "interface",
                "category": "business_logic",
                "asset": "code_asset",
                "inputs": [
                    {
                        "name": "video_in",
                        "type": "media"
                    },

Nama aset kode, yang ditentukan dalam build-container perintah, harus sesuai dengan nilai asset bidang dalam konfigurasi paket. Dalam contoh sebelumnya, kedua nilai tersebutcode_asset.

Impor model

Aplikasi Anda mungkin memiliki arsip model di folder asetnya atau yang Anda unduh secara terpisah. Jika Anda memiliki model baru, model yang diperbarui, atau file deskriptor model yang diperbarui, gunakan add-raw-model perintah untuk mengimpornya.

my-app$ panorama-cli add-raw-model --model-asset-name model_asset \
      --model-local-path my-model.tar.gz \
      --descriptor-path packages/210987654321-SQUEEZENET_PYTORCH-1.0/descriptor.json \
      --packages-path packages/210987654321-SQUEEZENET_PYTORCH-1.0

Jika Anda hanya perlu memperbarui file deskriptor, Anda dapat menggunakan kembali model yang ada di direktori aset. Anda mungkin perlu memperbarui file deskriptor untuk mengonfigurasi fitur seperti mode presisi floating point. Misalnya, skrip berikut menunjukkan cara melakukannya dengan aplikasi contoh.

#!/bin/bash
set -eo pipefail
MODEL_ASSET=fd1axmplacc3350a5c2673adacffab06af54c3f14da6fe4a8be24cac687a386e
MODEL_PACKAGE=SQUEEZENET_PYTORCH
ACCOUNT_ID=$(ls packages | grep -Eo '[0-9]{12}' | head -1)
panorama-cli add-raw-model --model-asset-name model_asset --model-local-path assets/${MODEL_ASSET}.tar.gz --descriptor-path packages/${ACCOUNT_ID}-${MODEL_PACKAGE}-1.0/descriptor.json --packages-path packages/${ACCOUNT_ID}-${MODEL_PACKAGE}-1.0
cp packages/${ACCOUNT_ID}-${MODEL_PACKAGE}-1.0/package.json packages/${ACCOUNT_ID}-${MODEL_PACKAGE}-1.0/package.json.bup

Perubahan pada file deskriptor dalam direktori paket model tidak diterapkan sampai Anda mengimpor ulang dengan CLI. CLI memperbarui konfigurasi paket model dengan nama aset baru di tempat, mirip dengan cara memperbarui konfigurasi untuk paket kode aplikasi saat Anda membangun kembali wadah.

Unggah aset aplikasi

Untuk mengunggah dan mendaftarkan aset aplikasi, yang mencakup arsip model, arsip filesystem kontainer, dan file deskriptor mereka, gunakan perintah. package-application

my-app$ panorama-cli package-application
Uploading package SQUEEZENET_PYTORCH
Patch version for the package 5d3cxmplb7113faa1d130f97f619655d8ca12787c751851a0e155e50eb5e3e96
Deregistering previous patch version e845xmpl8ea0361eb345c313a8dded30294b3a46b486dc8e7c174ee7aab29362
Asset fd1axmplacc3350a5c2673adacffab06af54c3f14da6fe4a8be24cac687a386e.tar.gz already exists, ignoring upload
upload: assets/87fbxmpl6f18aeae4d1e3ff8bbc6147390feaf47d85b5da34f8374974ecc4aaf.json to s3://arn:aws:s3:us-east-2:212345678901:accesspoint/panorama-210987654321-6k75xmpl2jypelgzst7uux62ye/210987654321/nodePackages/SQUEEZENET_PYTORCH/binaries/87fbxmpl6f18aeae4d1e3ff8bbc6147390feaf47d85b5da34f8374974ecc4aaf.json
Called register package version for SQUEEZENET_PYTORCH with patch version 5d3cxmplb7113faa1d130f97f619655d8ca12787c751851a0e155e50eb5e3e96
...

Jika tidak ada perubahan pada file aset atau konfigurasi paket, CLI akan melewatkannya.

Uploading package SAMPLE_CODE
Patch Version ca91xmplca526fe3f07821fb0c514f70ed0c444f34cb9bd3a20e153730b35d70 already registered, ignoring upload
Register patch version complete for SQUEEZENET_PYTORCH with patch version 5d3cxmplb7113faa1d130f97f619655d8ca12787c751851a0e155e50eb5e3e96
Register patch version complete for SAMPLE_CODE with patch version ca91xmplca526fe3f07821fb0c514f70ed0c444f34cb9bd3a20e153730b35d70
All packages uploaded and registered successfully

CLI mengunggah aset untuk setiap paket ke titik akses Amazon S3 yang khusus untuk akun Anda. AWS Panorama mengelola titik akses untuk Anda, dan memberikan informasi tentangnya melalui API. DescribePackage CLI mengunggah aset untuk setiap paket ke lokasi yang disediakan untuk paket tersebut, dan mendaftarkannya dengan layanan AWS Panorama dengan pengaturan yang dijelaskan oleh konfigurasi paket.

Menerapkan aplikasi dengan konsol AWS Panorama

Anda dapat menerapkan aplikasi dengan konsol AWS Panorama. Selama proses penyebaran, Anda memilih aliran kamera mana yang akan diteruskan ke kode aplikasi, dan mengonfigurasi opsi yang disediakan oleh pengembang aplikasi.

Proses penyebaran memakan waktu 15-20 menit. Output alat bisa kosong untuk waktu yang lama saat aplikasi dimulai. Jika Anda menemukan kesalahan, lihatPemecahan Masalah.

Mengotomatiskan penerapan aplikasi

Anda dapat mengotomatiskan proses penyebaran aplikasi dengan API. CreateApplicationInstance API mengambil dua file konfigurasi sebagai input. Manifes aplikasi menentukan paket yang digunakan dan hubungannya. File kedua adalah file menimpa yang menentukan penggantian waktu penerapan nilai dalam manifes aplikasi. Menggunakan file menimpa memungkinkan Anda menggunakan manifes aplikasi yang sama untuk menerapkan aplikasi dengan aliran kamera yang berbeda, dan mengonfigurasi setelan khusus aplikasi lainnya.

Untuk informasi lebih lanjut, dan contoh skrip untuk setiap langkah dalam topik ini, lihatMengotomatiskan penerapan aplikasi.