Memulai Neo di Perangkat Edge

Instal Boto3

Jika Anda menjalankan perintah ini di perangkat edge Anda, Anda harus menginstal AWS SDK for Python (Boto3). Dalam lingkungan Python (sebaiknya lingkungan virtual), jalankan yang berikut ini secara lokal di terminal perangkat edge Anda atau dalam instance notebook Jupyter:

Mengatur AWS Kredensil

Anda perlu menyiapkan kredensi Amazon Web Services di perangkat Anda untuk menjalankan SDK for Python (Boto3). Secara default, AWS kredensil harus disimpan dalam file ~/.aws/credentials di perangkat edge Anda. Dalam file kredensial, Anda akan melihat dua variabel lingkungan: aws_access_key_id dan. aws_secret_access_key

Di terminal Anda, jalankan:

$ more ~/.aws/credentials

[default]
aws_access_key_id = YOUR_ACCESS_KEY
aws_secret_access_key = YOUR_SECRET_KEY

Panduan Referensi AWS Umum memiliki instruksi tentang cara mendapatkan yang diperlukan aws_access_key_id danaws_secret_access_key. Untuk informasi selengkapnya tentang cara mengatur kredensional di perangkat Anda, lihat dokumentasi Boto3.

Siapkan Peran IAM dan lampirkan kebijakan.

Neo membutuhkan akses ke URI bucket S3 Anda. Buat peran IAM yang dapat dijalankan SageMaker dan memiliki izin untuk mengakses URI S3. Anda dapat membuat peran IAM baik dengan menggunakan SDK for Python (Boto3), konsol, atau. AWS CLI Contoh berikut menggambarkan cara membuat peran IAM menggunakan SDK for Python (Boto3):

import boto3

AWS_REGION = 'aws-region'

# Create an IAM client to interact with IAM
iam_client = boto3.client('iam', region_name=AWS_REGION)
role_name = 'role-name'

Untuk informasi selengkapnya tentang cara membuat peran IAM dengan konsol AWS CLI, atau melalui AWS API, lihat Membuat pengguna IAM di akun Anda AWS.

Buat kamus yang menjelaskan kebijakan IAM yang Anda lampirkan. Kebijakan ini digunakan untuk membuat peran IAM baru.

policy = {
    'Statement': [
        {
            'Action': 'sts:AssumeRole',
            'Effect': 'Allow',
            'Principal': {'Service': 'sagemaker.amazonaws.com'},
        }],  
     'Version': '2012-10-17'
}

Buat peran IAM baru menggunakan kebijakan yang Anda tentukan di atas:

import json 

new_role = iam_client.create_role(
    AssumeRolePolicyDocument=json.dumps(policy),
    Path='/',
    RoleName=role_name
)

Anda perlu tahu apa Nama Sumber Daya Amazon (ARN) Anda saat membuat pekerjaan kompilasi di langkah selanjutnya, jadi simpan juga dalam variabel.

role_arn = new_role['Role']['Arn']

Sekarang setelah Anda membuat peran baru, lampirkan izin yang diperlukan untuk berinteraksi dengan Amazon SageMaker dan Amazon S3:

iam_client.attach_role_policy(
    RoleName=role_name,
    PolicyArn='arn:aws:iam::aws:policy/AmazonSageMakerFullAccess'
)

iam_client.attach_role_policy(
    RoleName=role_name,
    PolicyArn='arn:aws:iam::aws:policy/AmazonS3FullAccess'
);

Buat bucket Amazon S3 untuk menyimpan artefak model Anda

SageMaker Neo akan mengakses artefak model Anda dari Amazon S3

Latih model pembelajaran mesin

Lihat Melatih Model dengan Amazon SageMaker untuk informasi lebih lanjut tentang cara melatih model pembelajaran mesin menggunakan Amazon SageMaker. Anda dapat mengunggah model yang dilatih secara lokal secara opsional langsung ke bucket Amazon S3 URI.

Jika Anda belum memiliki model, gunakan curl perintah untuk mendapatkan salinan lokal coco_ssd_mobilenet model dari situs TensorFlow web. Model yang baru saja Anda salin adalah model deteksi objek yang dilatih dari dataset COCO. Ketik berikut ini ke notebook Jupyter Anda:

model_zip_filename = './coco_ssd_mobilenet_v1_1.0.zip'
!curl http://storage.googleapis.com/download.tensorflow.org/models/tflite/coco_ssd_mobilenet_v1_1.0_quant_2018_06_29.zip \
    --output {model_zip_filename}

Perhatikan bahwa contoh khusus ini dikemas dalam file.zip. Buka zip file ini dan kemas ulang sebagai tarfile terkompresi (.tar.gz) sebelum menggunakannya di langkah selanjutnya. Ketik berikut ini ke notebook Jupyter Anda:

# Extract model from zip file
!unzip -u {model_zip_filename}

model_filename = 'detect.tflite'
model_name = model_filename.split('.')[0]

# Compress model into .tar.gz so SageMaker Neo can use it
model_tar = model_name + '.tar.gz'
!tar -czf {model_tar} {model_filename}

Unggah model terlatih ke bucket S3

Setelah Anda melatih mode pembelajaran mesin Anda, simpan dalam ember S3.