Aviso de fim do suporte: em 7 de outubro de 2026, AWS o suporte para o. AWS IoT Greengrass Version 1 Depois de 7 de outubro de 2026, você não poderá mais acessar os AWS IoT Greengrass V1 recursos. Para obter mais informações, visite [Migrar de AWS IoT Greengrass Version 1](https://docs.aws.amazon.com/greengrass/v2/developerguide/migrate-from-v1.html).
As traduções são geradas por tradução automática. Em caso de conflito entre o conteúdo da tradução e da versão original em inglês, a versão em inglês prevalecerá.
# Como configurar a inferência otimizada de aprendizado de máquina usando o Console de gerenciamento da AWS
Para seguir as etapas deste tutorial, você deve estar usando o AWS IoT Greengrass Core v1.10 ou posterior.
Você pode usar o compilador de aprendizado profundo SageMaker AI Neo para otimizar a eficiência de previsão de modelos de inferência de aprendizado de máquina nativos no Tensorflow, Apache MXNet PyTorch, ONNX e XGBoost estruturas para um espaço menor e um desempenho mais rápido. Em seguida, você pode baixar o modelo otimizado, instalar o tempo de execução de aprendizado profundo SageMaker AI Neo e implantá-lo em seus AWS IoT Greengrass dispositivos para uma inferência mais rápida.
Este tutorial descreve como usar o Console de gerenciamento da AWS para configurar um grupo do Greengrass para executar um exemplo de inferência Lambda que reconhece imagens de uma câmera localmente, sem enviar dados para a nuvem. O exemplo de inferência acessa o módulo da câmera em um Raspberry Pi. Neste tutorial, você faz download de um modelo predefinido que é treinado por Resnet-50 e otimizado no compilador de aprendizado profundo Neo. Em seguida, você usa o modelo para realizar a classificação local de imagens em seu AWS IoT Greengrass dispositivo.
O tutorial contém as seguintes etapas de nível elevado:
1. [Configurar o Raspberry Pi](#config-raspberry-pi-dlc)
1. [Instalar o tempo de execução de aprendizagem profunda do Neo](#install-dlr)
1. [Criar uma função do Lambda de inferência](#ml-console-dlc-create-lambda)
1. [Adicionar a função do Lambda ao grupo](#ml-console-dlc-config-lambda)
1. [Adicionar um recurso de modelo otimizado do Neo ao grupo](#ml-console-dlc-add-resources)
1. [Adicionar um recurso de dispositivo de câmera ao grupo](#ml-console-dlc-add-cam-resource)
1. [Adicionar assinaturas ao grupo](#ml-console-dlc-add-subscription)
1. [Implantar o grupo](#ml-console-dlc-deploy-group)
1. [Testar o exemplo](#ml-console-dlc-test-app)
## Pré-requisitos
Para concluir este tutorial, é necessário:
+ Raspberry Pi 4 Modelo B, ou Raspberry Pi 3 Modelo B/B\$1, instalado e configurado para uso com. AWS IoT Greengrass Para configurar seu Raspberry Pi com o AWS IoT Greengrass, execute o script [Greengrass Device Setup](quick-start.md) ou conclua o [Módulo 1](https://docs.aws.amazon.com/greengrass/latest/developerguide/module1.html) e o [Módulo 2](https://docs.aws.amazon.com/greengrass/latest/developerguide/module2.html) do [Começando com AWS IoT Greengrass](gg-gs.md).
**nota**
O Raspberry Pi pode exigir uma [fonte de alimentação](https://www.raspberrypi.org/documentation/hardware/raspberrypi/power/) de 2,5 A para executar as estruturas de aprendizado profundo que normalmente são usadas para classificação de imagens. Uma fonte de alimentação com uma classificação mais baixa pode fazer com que o dispositivo seja reinicializado.
+ [Módulo de câmera Raspberry Pi V2 - 8 megapixels, 1080 p](https://www.amazon.com/Raspberry-Pi-Camera-Module-Megapixel/dp/B01ER2SKFS). Para aprender a configurar a câmera, consulte [Conectar a câmera](https://www.raspberrypi.org/documentation/usage/camera/) na documentação do Raspberry Pi.
+ Um grupo do Greengrass e um núcleo do Greengrass. Para saber como criar um grupo ou núcleo do Greengrass, consulte [Começando com AWS IoT Greengrass](gg-gs.md).
**nota**
Este tutorial usa um Raspberry Pi, mas AWS IoT Greengrass oferece suporte a outras plataformas, como [Intel Atom](#atom-lambda-dlc-config) e [NVIDIA](#jetson-lambda-dlc-config) Jetson. TX2 Se estiver usando o exemplo do Intel Atom, talvez seja necessário instalar o Python 3.6 em vez do Python 3.7. Para obter informações sobre como configurar seu dispositivo para que você possa instalar o software AWS IoT Greengrass Core, consulte[Configurar outros dispositivos](setup-filter.other.md).
Para plataformas de terceiros que AWS IoT Greengrass não oferecem suporte, você deve executar sua função Lambda no modo não conteinerizado. Para executar no modo sem contêiner, você deve executar sua função do Lambda como root. Para obter mais informações, consulte [Considerações ao escolher a conteinerização de função do Lambda](lambda-group-config.md#lambda-containerization-considerations) e [Definir a identidade de acesso padrão para as funções do Lambda em um grupo](lambda-group-config.md#lambda-access-identity-groupsettings).
## Etapa 1: Configurar o Raspberry Pi
Nesta etapa, instale as atualizações no sistema operacional Raspbian, instale o software do módulo da câmera e as dependências do Python e ative a interface da câmera.
Execute os seguintes comandos no seu terminal do Raspberry Pi.
1. Instale as atualizações no Raspbian.
```
sudo apt-get update
sudo apt-get dist-upgrade
```
1. Instale a interface do `picamera` para o módulo da câmera e outras bibliotecas do Python que são necessárias para este tutorial.
```
sudo apt-get install -y python3-dev python3-setuptools python3-pip python3-picamera
```
Valide a instalação:
+ Verifique se a instalação do Python 3.7 inclui o pip.
```
python3 -m pip
```
Se o pip não estiver instalado, faça download dele no [site do pip](https://pip.pypa.io/en/stable/installing/) e execute o seguinte comando.
```
python3 get-pip.py
```
+ Verifique se a versão do Python é 3.7 ou superior.
```
python3 --version
```
Se a saída listar uma versão anterior, execute o seguinte comando.
```
sudo apt-get install -y python3.7-dev
```
+ Verifique se o Setuptools e Picamera foram instalados com êxito.
```
sudo -u ggc_user bash -c 'python3 -c "import setuptools"'
sudo -u ggc_user bash -c 'python3 -c "import picamera"'
```
Se a saída não contiver erros, a validação será bem-sucedida.
**nota**
Se o Python executável instalado no dispositivo for o `python3.7`, use `python3.7` em vez de `python3` para os comandos neste tutorial. Verifique se a instalação do pip mapeia para a versão correta do `python3` ou `python3.7` para evitar erros de dependência.
1. Reinicie o Raspberry Pi.
```
sudo reboot
```
1. Abra a ferramenta de configuração do Raspberry Pi.
```
sudo raspi-config
```
1. Use as setas do teclado para abrir **Interfacing Options** e habilitar a interface da câmera. Se solicitado, permita que o dispositivo seja reinicializado.
1. Use o seguinte comando para testar a configuração da câmera.
```
raspistill -v -o test.jpg
```
Isso abre uma janela de visualização no Raspberry Pi, salva uma imagem chamada `test.jpg` no seu diretório atual e exibe informações sobre a câmera no terminal do Raspberry Pi.
## Etapa 2: instalar o tempo de execução de aprendizado profundo do Amazon SageMaker Neo
Nesta etapa, você baixa o Runtime de Aprendizado Profundo (DLR) e o instala no seu Raspberry Pi.
**nota**
Recomendamos instalar a versão 1.1.0 para este tutorial.
1. Inicie sessão no seu Raspberry Pi remotamente.
```
ssh pi@your-device-ip-address
```
1. Abra a documentação do DLR, abra [Installing DLR](https://neo-ai-dlr.readthedocs.io/en/latest/install.html) e localize o URL de roda para dispositivos Raspberry Pi. Depois, siga as instruções para instalar o DLR no dispositivo. Por exemplo, você pode usar o pip:
```
pip3 install rasp3b-wheel-url
```
1. Depois de instalar o DLR, valide a seguinte configuração:
+ Verifique se a conta do sistema do `ggc_user` pode usar a biblioteca do DLR.
```
sudo -u ggc_user bash -c 'python3 -c "import dlr"'
```
+ Verifique se NumPy está instalado.
```
sudo -u ggc_user bash -c 'python3 -c "import numpy"'
```
## Etapa 3: Criar uma função de inferência da função do Lambda
Nesta etapa, crie um pacote de implantação da função do Lambda e uma função do Lambda Depois, publique uma versão da função e crie um alias.
1. No computador, faça download do exemplo do DLR para Raspberry Pi em [Exemplos de machine learning](what-is-gg.md#gg-ml-samples).
1. Não descompacte o arquivo `dlr-py3-armv7l.tar.gz` obtido por download.
```
cd path-to-downloaded-sample
tar -xvzf dlr-py3-armv7l.tar.gz
```
O diretório `examples` no pacote de exemplo extraído contém o código e as dependências da função.
+ O `inference.py` é o código de inferência usado neste tutorial. Você pode usar esse código como modelo para criar sua própria função de inferência.
+ `greengrasssdk` é a versão 1.5.0 do SDK do AWS IoT Greengrass Core para Python.
**nota**
Se uma nova versão estiver disponível, você poderá fazer download dela e atualizar a versão do SDK no seu pacote de implantação. Para obter mais informações, consulte [AWS IoT Greengrass Core SDK para GitHub Python on](https://github.com/aws/aws-greengrass-core-sdk-python/).
1. Compacte o conteúdo do diretório `examples` em um arquivo chamado `optimizedImageClassification.zip`. Esse é o pacote de implantação.
```
cd path-to-downloaded-sample/dlr-py3-armv7l/examples
zip -r optimizedImageClassification.zip .
```
O pacote de implantação contém seu código e as dependências da função. Isso inclui o código que invoca o Python do Neo deep learning runtime APIs para realizar inferência com os modelos do compilador de aprendizado profundo Neo.
**nota**
Verifique se os arquivos `.py` e as dependências estão na raiz do diretório.
1. Agora, adicione a função do Lambda ao seu grupo do Greengrass.
Na página do console do Lambda, selecione **Funções** e, em seguida, **Criar função**.
1. Selecione **Criar do zero** e use os valores a seguir para criar a função:
+ Em **Function name** (Nome da função), insira **optimizedImageClassification**.
+ Em **Runtime (Tempo de execução)**, selecione **Python 3.7**.
Em **Permissões**, mantenha a configuração padrão. Isso cria uma função de execução que concede permissões básicas do Lambda. Essa função não é usada por AWS IoT Greengrass.
![\[A seção Informações básicas da página de criação de função.\]](http://docs.aws.amazon.com/pt_br/greengrass/v1/developerguide/images/ml-dlc-inference/gg-dlr-lambda-creation.png)
1. Selecione **Criar função**.
Agora, carregue o seu pacote de implantação da função do Lambda e registre o manipulador.
1. Na guia **Código**, em **Fonte do código**, selecione **Fazer upload a partir de**. No menu suspenso, selecione o **arquivo .zip**.
![\[O menu suspenso Fazer upload a partir de com o arquivo .zip destacado.\]](http://docs.aws.amazon.com/pt_br/greengrass/v1/developerguide/images/lra-console/upload-deployment-package.png)
1. Selecione seu pacote de implantação `optimizedImageClassification.zip` e, em seguida, selecione **Salvar**.
1. Na guia **Código** da função, em **Configurações de runtime**, selecione **Editar** e insira os valores a seguir.
+ Em **Runtime (Tempo de execução)**, selecione **Python 3.7**.
+ Em **Handler (Manipulador)**, insira **inference.handler**.
Selecione **Salvar**.
![\[A seção Configurações de runtime com Upload destacado.\]](http://docs.aws.amazon.com/pt_br/greengrass/v1/developerguide/images/ml-dlc-inference/gg-ml2-lambda-upload.png)
Em seguida, publique a primeira versão da sua função do Lambda. Em seguida, crie um [alias para a versão](https://docs.aws.amazon.com/lambda/latest/dg/versioning-aliases.html).
**nota**
Os grupos do Greengrass podem fazer referência a uma função do Lambda por alias (recomendado) ou por versão. Usar um alias facilita o gerenciamento de atualizações de código porque você não precisa alterar a tabela de assinaturas nem a definição do grupo ao atualizar a função do código. Em vez disso, você pode simplesmente apontar o alias para a nova versão da função.
1. No menu **Actions**, selecione **Publish new version**.
![\[A opção Publish new version (Publicar nova versão) no menu Actions (Ações).\]](http://docs.aws.amazon.com/pt_br/greengrass/v1/developerguide/images/ml-dlc-inference/gg-ml2-publish-new.png)
1. Em **Version description (Descrição da versão)**, insira **First version** e, em seguida, selecione **Publish (Publicar)**.
1. Na página de configuração **optimizedImageClassification: 1**, no menu **Ações**, escolha **Criar alias**.
![\[A opção Create alias (Criar alias) no menu Actions (Ações).\]](http://docs.aws.amazon.com/pt_br/greengrass/v1/developerguide/images/ml-dlc-inference/gg-ml2-create-alias.png)
1. Na página **Create a new alias**, use os seguintes valores:
+ Em **Nome**, digite **mlTestOpt**.
+ Em **Version (Versão)**, insira **1**.
**nota**
AWS IoT Greengrass **não oferece suporte a aliases Lambda para as versões \$1LATEST.**
1. Escolha **Criar**.
Agora, adicione a função do Lambda ao seu grupo do Greengrass.
## Etapa 4: adicionar a função do Lambda ao grupo do Greengrass
Nesta etapa, adicione a função do Lambda ao grupo e configura seu ciclo de vida.
Primeiro, adicione a função do Lambda ao seu grupo do Greengrass.
1. No painel de navegação do AWS IoT console, em **Gerenciar**, expanda dispositivos **Greengrass** e **escolha Grupos (**V1).
1. Na página de configuração do grupo, selecione a guia **funções do Lambda** e, em seguida selecione **Adicionar**.
1. Escolha a **função Lambda** e selecione. **optimizedImageClassification**
1. Na **versão da função do Lambda**, selecione o alias para a versão que você publicou.
Em seguida, configure o ciclo de vida da função do Lambda.
1. Na seção **configuração da função do Lambda**, faça as atualizações a seguir.
**nota**
Recomendamos que você execute sua função do Lambda sem conteinerização, a menos que seu caso de negócios faça essa exigência. Isso ajuda a habilitar o acesso à GPU e à câmera do seu dispositivo sem configurar os recursos do dispositivo. Se você executa sem conteinerização, também deve conceder acesso root às suas funções do Lambda AWS IoT Greengrass .
1. **Para executar sem conteinerização:**
+ Para **Usuário e grupo do sistema**, selecione **Another user ID/group ID**. Para **ID de usuário do sistema**, insira **0**. Para **ID do grupo do sistema**, insira **0**.
Isso permite que sua função do Lambda seja executada como root. Para obter mais informações sobre como executar como raiz, consulte [Definir a identidade de acesso padrão para as funções do Lambda em um grupo](lambda-group-config.md#lambda-access-identity-groupsettings).
**dica**
Você também deve atualizar seu arquivo `config.json` para conceder acesso root à sua função do Lambda. Para o procedimento, consulte [Executar uma função do Lambda como raiz](lambda-group-config.md#lambda-running-as-root).
+ Para **conteinerização da função do Lambda**, selecione **Sem contêiner**.
Para obter mais informações sobre como executar sem conteinerização, consulte [Considerações ao escolher a conteinerização de função do Lambda](lambda-group-config.md#lambda-containerization-considerations).
+ Em **Timeout (Tempo limite)**, insira **10 seconds**.
+ Para **Fixado**, selecione **Verdadeiro**.
Para obter mais informações, consulte [Configuração do ciclo de vida das funções do Lambda do Greengrass](lambda-functions.md#lambda-lifecycle).
+ Em **Parâmetro adicional**, para **Acesso de leitura ao diretório /sys**, selecione **Habilitado**.
1. **Em vez disso, para executar no modo conteinerizado:**
**nota**
Não recomendamos a execução no modo conteinerizado, a menos que seu caso de negócios faça essa exigência.
+ Para **Usuário e grupo do sistema**, selecione **Usar padrão de grupo**.
+ Para **Conteinerização da função do Lambda**, selecione **Usar padrão de grupo**.
+ Em **Memory limit (Limite de memória)**, insira **1024 MB**.
+ Em **Timeout (Tempo limite)**, insira **10 seconds**.
+ Para **Fixado**, selecione **Verdadeiro**.
Para obter mais informações, consulte [Configuração do ciclo de vida das funções do Lambda do Greengrass](lambda-functions.md#lambda-lifecycle).
+ Em **Parâmetros adicionais**, para **Acesso de leitura ao diretório /sys**, selecione **Habilitado**.
1. Selecione **Adicionar função do Lambda**.
## Etapa 5: Adicionar um recurso de modelo otimizado para SageMaker IA NEO ao grupo Greengrass
Nesta etapa, crie um recurso para o modelo de inferência de ML otimizado e o carrega em um bucket do Amazon S3. Em seguida, localize o modelo carregado do Amazon S3 no AWS IoT Greengrass console e associe o recurso recém-criado à função Lambda. Isso possibilita que a função acesse os recursos no dispositivo básico.
1. No computador, navegue até o diretório `resnet50` no pacote de exemplo que você descompactou em [Etapa 3: Criar uma função de inferência da função do Lambda](#ml-console-dlc-create-lambda).
**nota**
Se estiver usando o exemplo do NVIDIA Jetson, precisará usar o diretório `resnet18` no pacote de exemplo. Para obter mais informações, consulte [Configurando um NVIDIA Jetson TX2](#jetson-lambda-dlc-config).
```
cd path-to-downloaded-sample/dlr-py3-armv7l/models/resnet50
```
Esse diretório contém artefatos de modelo pré-compilados para um modelo de classificação de imagem treinado com Resnet-50.
1. Compacte os arquivos dentro do diretório `resnet50` em um arquivo chamado `resnet50.zip`.
```
zip -r resnet50.zip .
```
1. Na página de configuração de grupo AWS IoT Greengrass do seu grupo, escolha a guia **Recursos**. Navegue até a seção **Machine Learning** e, em seguida selecione **Adicionar recurso de machine learning**. Na página **Create a machine learning resource (Criar recurso de Machine Learning)**, em **Resource name (Nome do recurso)**, insira **resnet50\$1model**.
1. Em **Fonte do modelo**, selecione **Usar um modelo armazenado no S3, como um modelo otimizado por meio do compilador de aprendizado profundo**.
1. Em **URI do S3**, selecione **Procurar no S3**.
**nota**
Atualmente, os modelos otimizados de SageMaker IA são armazenados automaticamente no Amazon S3. Você pode localizar seu modelo otimizado no bucket de seu Amazon S3 usando essa opção. Para obter mais informações sobre otimização de modelos em SageMaker IA, consulte a [documentação do SageMaker AI Neo](https://docs.aws.amazon.com/sagemaker/latest/dg/neo.html).
1. Selecione **Upload a model (Fazer upload de um modelo)**.
1. Na guia do console do Amazon S3, carregue o arquivo zip em um bucket do Amazon S3. Para obter informações, consulte [Como carregar arquivos e pastas em um bucket do S3?](https://docs.aws.amazon.com/AmazonS3/latest/user-guide/upload-objects.html) no *Guia do usuário do Amazon Simple Storage Service*.
**nota**
O nome do bucket deve conter a string **greengrass**. Selecione um nome exclusivo (como **greengrass-dlr-bucket-*user-id*-*epoch-time***). Não use ponto (`.`) no nome do bucket.
1. Na guia do AWS IoT Greengrass console, localize e escolha seu bucket do Amazon S3. Localize o arquivo `resnet50.zip` carregado e, em seguida selecione **Select (Selecionar)**. Talvez seja necessário atualizar a página para atualizar a lista de buckets e arquivos disponíveis.
1. Em **Caminho de destino**, insira **/ml\$1model**.
![\[O caminho de destino atualizado.\]](http://docs.aws.amazon.com/pt_br/greengrass/v1/developerguide/images/ml-dlc-inference/local-path.png)
Este é o destino do modelo local no namespace de runtime do Lambda. Quando você implanta o grupo, AWS IoT Greengrass recupera o pacote do modelo de origem e, em seguida, extrai o conteúdo para o diretório especificado.
**nota**
Recomendamos que você use o caminho exato fornecido para o seu caminho local. O uso de um caminho de destino do modelo local diferente nesta etapa causa imprecisão em alguns comandos de solução de problemas fornecidos neste tutorial. Se você usar um caminho diferente, deverá configurar uma variável de ambiente `MODEL_PATH` que use o caminho exato fornecido aqui. Para obter informações sobre as variáveis de ambiente, consulte [Variáveis de ambiente do AWS Lambda](https://docs.aws.amazon.com/lambda/latest/dg/env_variables.html).
1. **Se estiver executando no modo conteinerizado:**
1. Em **Proprietário do grupo do sistema e permissões de acesso ao arquivo**, selecione **Especificar grupos e permissões do sistema**.
1. Selecione **Acesso somente leitura** e, em seguida, **Adicionar recurso**.
## Etapa 6: Adicionar um recurso de dispositivo de câmera a um grupo do Greengrass
Nesta etapa, crie um recurso para o módulo da câmera e afilie-o com a função do Lambda. Isso possibilita que a função do Lambda acesse o recurso no dispositivo básico.
**nota**
Se você executar no modo não conteinerizado, AWS IoT Greengrass poderá acessar a GPU e a câmera do dispositivo sem configurar esse recurso do dispositivo.
1. Na página de configuração do grupo, selecione **Recursos**.
1. Na guia **Recursos locais**, selecione **Adicionar recurso local**.
1. Na página **Adicionar recurso local**, use os seguintes valores:
+ Em **Resource Name (Nome do recurso)**, insira **videoCoreSharedMemory**.
+ Em **Resource type**, selecione **Device**.
+ Em **Caminho do dispositivo local**, insira **/dev/vcsm**.
O caminho do dispositivo é o caminho absoluto local do recurso do dispositivo. Este caminho só pode se referir a um dispositivo de caractere ou dispositivo de blocos em `/dev`.
+ Em **Permissões do proprietário do grupo do sistema e de acesso a arquivos**, selecione **Adicionar automaticamente permissões de sistema de arquivos do grupo do sistema que é proprietário do recurso**.
A opção **Group owner file access permission** permite conceder permissões adicionais de acesso a arquivos para o processo do Lambda. Para obter mais informações, consulte [Permissão de acesso a arquivo do proprietário do grupo](access-local-resources.md#lra-group-owner).
1. Na parte inferior da página, selecione **Adicionar recurso**.
1. Na guia **Recursos**, crie outro recurso local escolhendo **Adicionar** e use os seguintes valores:
+ Em **Resource Name (Nome do recurso)**, insira **videoCoreInterface**.
+ Em **Resource type**, selecione **Device**.
+ Em **Caminho do dispositivo local**, insira **/dev/vchiq**.
+ Em **Permissões do proprietário do grupo do sistema e de acesso a arquivos**, selecione **Adicionar automaticamente permissões de sistema de arquivos do grupo do sistema que é proprietário do recurso**.
1. Selecione **Adicionar recurso**.
## Etapa 7: Adicionar assinaturas ao grupo do Greengrass
Nesta etapa, adicione assinaturas ao grupo. Essas assinaturas permitem que a função Lambda envie resultados de previsão AWS IoT publicando em um tópico do MQTT.
1. Na página de configuração do grupo, selecione a guia **Assinaturas** e, em seguida, **Adicionar assinatura**.
1. Na página **Criar uma assinatura**, configure a origem e o destino, da seguinte forma:
1. Em **Tipo de fonte**, escolha **Função Lambda** e, em seguida, escolha. **optimizedImageClassification**
1. Em **Tipo de destino**, selecione **Serviço** e então **IoT Cloud**.
1. Em **Filtro de tópicos**, insira **/resnet-50/predictions** e, em seguida, selecione **Criar assinatura**.
1. Adicione uma segunda assinatura. Selecione a guia **Assinaturas**, selecione **Adicionar assinatura** e configure a origem e o destino, da seguinte forma:
1. Em **Tipo de origem**, selecione **Serviços** e em seguida **IoT Cloud**.
1. Em **Tipo de destino**, escolha **Função Lambda** e, em seguida, escolha. **optimizedImageClassification**
1. Em **Filtro de tópicos**, insira **/resnet-50/test** e, em seguida, selecione **Criar assinatura**.
## Etapa 8: Implantar o grupo do Greengrass
Nesta etapa, implante a versão atual da definição do grupo ao dispositivo de núcleo do Greengrass. A definição contém a função do Lambda, recursos e configurações de inscrição que você adicionou.
1. Certifique-se de que o AWS IoT Greengrass núcleo esteja funcionando. Execute os seguintes comandos no seu terminal do Raspberry Pi, conforme necessário.
1. Para verificar se o daemon está em execução:
```
ps aux | grep -E 'greengrass.*daemon'
```
Se a saída contém uma entrada `root` para `/greengrass/ggc/packages/latest-core-version/bin/daemon`, o daemon está em execução.
1. Para iniciar o daemon:
```
cd /greengrass/ggc/core/
sudo ./greengrassd start
```
1. Na página de configuração do grupo, selecione **Implantar**.
1. Na guia **Funções do Lambda**, selecione **Detector de IP** e selecione **Editar**.
1. Na caixa de diálogo **Editar configurações do detector de IP**, selecione **Detectar e substituir automaticamente os endpoints de atendente MQTT** e selecione **Salvar**.
Isso permite que os dispositivos adquiram automaticamente as informações de conectividade para o núcleo, como endereço IP, DNS e o número da porta. A detecção automática é recomendada, mas AWS IoT Greengrass também oferece suporte a endpoints especificados manualmente. Você só é solicitado pelo método de descoberta na primeira vez em que o grupo for implantado.
**nota**
Se solicitado, conceda permissão para criar a função de [serviço do Greengrass](service-role.md) e associá-la à Conta da AWS sua na atual. Região da AWS Essa função permite AWS IoT Greengrass acessar seus recursos em AWS serviços.
A página **Deployments** mostra a data e hora, ID de versão e status da implantação. Quando concluída, o status exibido para a implantação deve ser **Concluída**.
Para obter mais informações sobre implantações, consulte [Implante AWS IoT Greengrass grupos em um AWS IoT Greengrass núcleo](deployments.md). Para obter ajuda sobre a solução de problemas, consulte [Solução de problemas AWS IoT Greengrass](gg-troubleshooting.md).
## Testar o exemplo de inferência
Agora você pode verificar se a implementação foi configurada corretamente. Para testar, inscreva-se no tópico `/resnet-50/predictions` e publique qualquer mensagem no tópico `/resnet-50/test`. Isso aciona a função do Lambda para tirar uma foto com seu Raspberry Pi e executar inferência na imagem capturada.
**nota**
Se estiver usando o exemplo do NVIDIA Jetson, use os tópicos `resnet-18/predictions` e `resnet-18/test`.
**nota**
Se um monitor estiver conectado ao Raspberry Pi, o feed da câmera ao vivo será exibido em uma janela de visualização.
1. Na página inicial do AWS IoT console, em **Teste**, escolha **Cliente de teste MQTT**.
1. Em **Assinaturas**, selecione **Inscrever-se em um tópico**. Use os seguintes valores. Deixe as opções restantes em seus valores padrão.
+ Em **Subscription topic (Tópico de assinatura)**, insira **/resnet-50/predictions**.
+ Em **Configuração adicional**, para **exibição da carga útil do MQTT**, selecione **Exibir cargas úteis como strings**.
1. Selecione **Subscribe**.
1. Selecione **Publicar em um tópico**, insira **/resnet-50/test** como o **Nome do tópico** e selecione **Publicar**.
1. Se o teste for bem-sucedido, a mensagem publicada faz com que a câmera do Raspberry Pi capture uma imagem. Uma mensagem da função do Lambda é exibida na parte inferior da página. A mensagem contém o resultado de previsão da imagem, usando o formato: nome da classe prevista, probabilidade e pico de utilização da memória.
## Como configurar um Intel Atom
Para executar este tutorial em um dispositivo Intel Atom, você deve fornecer imagens de origem, configurar a função do Lambda e adicionar outro recurso de dispositivo local. Para usar a GPU para inferência, verifique se o software a seguir está instalado no dispositivo:
+ OpenCL versão 1.0 ou posterior
+ Python 3.7 e pip
+ [NumPy](https://pypi.org/project/numpy/)
+ [OpenCV sobre rodas](https://pypi.org/project/opencv-python/)
1. Faça download de imagens PNG ou JPG estáticas para a função do Lambda para usá-las na classificação de imagens. O exemplo funciona melhor com arquivos de imagem pequenos.
Salve os arquivos de imagem no diretório que contém o arquivo `inference.py` (ou em um subdiretório desse diretório). Isso está no pacote de implantação da função do Lambda do qual você fez upload em [Etapa 3: Criar uma função de inferência da função do Lambda](#ml-console-dlc-create-lambda).
**nota**
Se estiver usando AWS DeepLens, você pode usar a câmera integrada ou montar sua própria câmera para realizar inferência em imagens capturadas em vez de imagens estáticas. No entanto, recomendamos que você comece com imagens estáticas primeiro.
Se utilizar uma câmara, verifique se o pacote APT `awscam` está instalado e atualizado. Para mais informações, consulte [Atualizar seu AWS DeepLens dispositivo](https://docs.aws.amazon.com/deeplens/latest/dg/deeplens-manual-updates.html) no *AWS DeepLens Guia do desenvolvedor*.
1. Edite a configuração da função do Lambda. Siga o procedimento em [Etapa 4: adicionar a função do Lambda ao grupo do Greengrass](#ml-console-dlc-config-lambda).
**nota**
Recomendamos que você execute sua função do Lambda sem conteinerização, a menos que seu caso de negócios faça essa exigência. Isso ajuda a habilitar o acesso à GPU e à câmera do seu dispositivo sem configurar os recursos do dispositivo. Se você executa sem conteinerização, também deve conceder acesso root às suas funções do Lambda AWS IoT Greengrass .
1. **Para executar sem conteinerização:**
+ Para **Usuário e grupo do sistema**, selecione **Another user ID/group ID**. Para **ID de usuário do sistema**, insira **0**. Para **ID do grupo do sistema**, insira **0**.
Isso permite que sua função do Lambda seja executada como root. Para obter mais informações sobre como executar como raiz, consulte [Definir a identidade de acesso padrão para as funções do Lambda em um grupo](lambda-group-config.md#lambda-access-identity-groupsettings).
**dica**
Você também deve atualizar seu arquivo `config.json` para conceder acesso root à sua função do Lambda. Para o procedimento, consulte [Executar uma função do Lambda como raiz](lambda-group-config.md#lambda-running-as-root).
+ Para **conteinerização da função do Lambda**, selecione **Sem contêiner**.
Para obter mais informações sobre como executar sem conteinerização, consulte [Considerações ao escolher a conteinerização de função do Lambda](lambda-group-config.md#lambda-containerization-considerations).
+ Aumente o valor de **Timeout (Tempo limite)** para 2 minutos. Isso garante que a solicitação não expire muito cedo. Leva alguns minutos para que a inferência seja executada após a configuração.
+ Para **Fixado**, selecione **Verdadeiro**.
+ Em **Parâmetros adicionais**, para **Acesso de leitura ao diretório /sys**, selecione **Habilitado**.
1. **Em vez disso, para executar no modo conteinerizado:**
**nota**
Não recomendamos a execução no modo conteinerizado, a menos que seu caso de negócios faça essa exigência.
+ Aumente o valor de **Memory limit (Limite de memória)** para 3000 MB.
+ Aumente o valor de **Timeout (Tempo limite)** para 2 minutos. Isso garante que a solicitação não expire muito cedo. Leva alguns minutos para que a inferência seja executada após a configuração.
+ Para **Fixado**, selecione **Verdadeiro**.
+ Em **Parâmetros adicionais**, para **Acesso de leitura ao diretório /sys**, selecione **Habilitado**.
1. Adicione seu recurso de modelo otimizado do Neo ao grupo Carregue os recursos do modelo no diretório `resnet50` do pacote de amostra que você descompactou em [Etapa 3: Criar uma função de inferência da função do Lambda](#ml-console-dlc-create-lambda). Esse diretório contém artefatos de modelo pré-compilados para um modelo de classificação de imagem treinado com Resnet-50. Use o procedimento em [Etapa 5: Adicionar um recurso de modelo otimizado para SageMaker IA NEO ao grupo Greengrass](#ml-console-dlc-add-resources) com as seguintes atualizações.
+ Compacte os arquivos dentro do diretório `resnet50` em um arquivo chamado `resnet50.zip`.
+ Na página **Create a machine learning resource (Criar recurso de Machine Learning)**, em **Resource name (Nome do recurso)**, insira **resnet50\$1model**.
+ Carregue o arquivo `resnet50.zip`.
1. **Se estiver executando no modo conteinerizado**, adicione o recurso de dispositivo local necessário para conceder acesso à GPU do seu dispositivo.
**nota**
Se você executar no modo não conteinerizado, AWS IoT Greengrass poderá acessar a GPU do seu dispositivo sem configurar os recursos do dispositivo.
1. Na página de configuração do grupo, selecione a guia **Recursos**.
1. Na seção **Recursos locais**, selecione **Adicionar recurso local**.
1. Defina o recurso:
+ Em **Resource Name (Nome do recurso)**, insira **renderD128**.
+ Em **Resource type**, selecione **Device**.
+ Em **Caminho do dispositivo local**, insira **/dev/dri/renderD128**.
+ Em **Permissões do proprietário do grupo do sistema e de acesso a arquivos**, selecione **Adicionar automaticamente permissões de sistema de arquivos do grupo do sistema que é proprietário do recurso**.
## Configurando um NVIDIA Jetson TX2
Para executar este tutorial em um NVIDIA Jetson TX2, forneça imagens de origem, configure a função Lambda e adicione mais recursos do dispositivo local.
1. Certifique-se de que seu dispositivo Jetson esteja configurado para que você possa instalar o software AWS IoT Greengrass Core e usar a GPU para inferência. Para obter mais informações sobre como configurar seu projeto, consulte [Configurar outros dispositivos](setup-filter.other.md). Para usar a GPU para inferência em um NVIDIA Jetson TX2, você deve instalar o CUDA 10.0 e o cuDNN 7.0 em seu dispositivo ao criar imagens de sua placa com o Jetpack 4.3.
1. Faça download de imagens PNG ou JPG estáticas para a função do Lambda para usá-las na classificação de imagens. O exemplo funciona melhor com arquivos de imagem pequenos.
Salve seus arquivos de imagem no diretório que contém o arquivo `inference.py`. Você também pode salvá-los em um subdiretório desse diretório. Esse diretório está no pacote de implantação da função do Lambda do qual você fez upload em [Etapa 3: Criar uma função de inferência da função do Lambda](#ml-console-dlc-create-lambda).
**nota**
Em vez disso, você pode optar por instrumentar uma câmera na placa Jetson para capturar as imagens de origem. No entanto, recomendamos que você comece com imagens estáticas primeiro.
1. Edite a configuração da função do Lambda. Siga o procedimento em [Etapa 4: adicionar a função do Lambda ao grupo do Greengrass](#ml-console-dlc-config-lambda).
**nota**
Recomendamos que você execute sua função do Lambda sem conteinerização, a menos que seu caso de negócios faça essa exigência. Isso ajuda a habilitar o acesso à GPU e à câmera do seu dispositivo sem configurar os recursos do dispositivo. Se você executa sem conteinerização, também deve conceder acesso root às suas funções do Lambda AWS IoT Greengrass .
1. **Para executar sem conteinerização:**
+ Para **Executar como**, selecione **Another user ID/group ID**. Em **UID**, insira **0**. Para **GUID**, insira **0**.
Isso permite que sua função do Lambda seja executada como root. Para obter mais informações sobre como executar como raiz, consulte [Definir a identidade de acesso padrão para as funções do Lambda em um grupo](lambda-group-config.md#lambda-access-identity-groupsettings).
**dica**
Você também deve atualizar seu arquivo `config.json` para conceder acesso root à sua função do Lambda. Para o procedimento, consulte [Executar uma função do Lambda como raiz](lambda-group-config.md#lambda-running-as-root).
+ Para **conteinerização da função do Lambda**, selecione **Sem contêiner**.
Para obter mais informações sobre como executar sem conteinerização, consulte [Considerações ao escolher a conteinerização de função do Lambda](lambda-group-config.md#lambda-containerization-considerations).
+ Aumente o valor de **Timeout (Tempo limite)** para 5 minutos. Isso garante que a solicitação não expire muito cedo. Leva alguns minutos para que a inferência seja executada após a configuração.
+ Para **Fixado**, selecione **Verdadeiro**.
+ Em **Parâmetros adicionais**, para **Acesso de leitura ao diretório /sys**, selecione **Habilitado**.
1. **Em vez disso, para executar no modo conteinerizado:**
**nota**
Não recomendamos a execução no modo conteinerizado, a menos que seu caso de negócios faça essa exigência.
+ Aumente o valor de **Memory limit (Limite de memória)**. Para usar o modelo fornecido no modo de GPU, use 2000 MB.
+ Aumente o valor de **Timeout (Tempo limite)** para 5 minutos. Isso garante que a solicitação não expire muito cedo. Leva alguns minutos para que a inferência seja executada após a configuração.
+ Para **Fixado**, selecione **Verdadeiro**.
+ Em **Parâmetros adicionais**, para **Acesso de leitura ao diretório /sys**, selecione **Habilitado**.
1. Adicione seu recurso de modelo otimizado do Neo ao grupo Carregue os recursos do modelo no diretório `resnet18` do pacote de amostra que você descompactou em [Etapa 3: Criar uma função de inferência da função do Lambda](#ml-console-dlc-create-lambda). Esse diretório contém artefatos de modelo pré-compilados para um modelo de classificação de imagem treinado com Resnet-18. Use o procedimento em [Etapa 5: Adicionar um recurso de modelo otimizado para SageMaker IA NEO ao grupo Greengrass](#ml-console-dlc-add-resources) com as seguintes atualizações.
+ Compacte os arquivos dentro do diretório `resnet18` em um arquivo chamado `resnet18.zip`.
+ Na página **Create a machine learning resource (Criar recurso de Machine Learning)**, em **Resource name (Nome do recurso)**, insira **resnet18\$1model**.
+ Carregue o arquivo `resnet18.zip`.
1. **Se estiver executando no modo conteinerizado**, adicione os recursos de dispositivo local necessários para conceder acesso à GPU do seu dispositivo.
**nota**
Se você executar no modo não conteinerizado, AWS IoT Greengrass poderá acessar a GPU do seu dispositivo sem configurar os recursos do dispositivo.
1. Na página de configuração do grupo, selecione a guia **Recursos**.
1. Na seção **Recursos locais**, selecione **Adicionar recurso local**.
1. Defina cada recurso:
+ Em **Resource name (Nome do recurso)** e **Device path (Caminho do dispositivo)**, use os valores na tabela a seguir. Crie um recurso de dispositivo para cada linha na tabela.
+ Em **Resource type**, selecione **Device**.
+ Em **Permissões do proprietário do grupo do sistema e de acesso a arquivos**, selecione **Adicionar automaticamente permissões de sistema de arquivos do grupo do sistema que é proprietário do recurso**.
[\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/pt_br/greengrass/v1/developerguide/ml-dlc-console.html)
1. **Se estiver executando no modo conteinerizado**, adicione o recurso de volume local a seguir para conceder acesso à câmera do seu dispositivo. Siga o procedimento em [Etapa 5: Adicionar um recurso de modelo otimizado para SageMaker IA NEO ao grupo Greengrass](#ml-console-dlc-add-resources).
**nota**
Se você executar no modo não conteinerizado, AWS IoT Greengrass poderá acessar a câmera do dispositivo sem configurar os recursos do dispositivo.
+ Em **Tipo de recurso**, selecione **Volume**.
+ Em **Permissões do proprietário do grupo do sistema e de acesso a arquivos**, selecione **Adicionar automaticamente permissões de sistema de arquivos do grupo do sistema que é proprietário do recurso**.
[\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/pt_br/greengrass/v1/developerguide/ml-dlc-console.html)
1. Atualize suas assinaturas de grupo para usar o diretório correto. Use o procedimento em [Etapa 7: Adicionar assinaturas ao grupo do Greengrass](#ml-console-dlc-add-subscription) com as seguintes atualizações.
+ Para o primeiro filtro de tópico, digite **/resnet-18/predictions**.
+ Para o segundo filtro de tópico, digite **/resnet-18/test**.
1. Atualize suas assinaturas de teste para usar o diretório correto. Use o procedimento em [Testar o exemplo de inferência](#ml-console-dlc-test-app) com as seguintes atualizações.
+ Em **Assinaturas**, selecione **Inscrever-se em um tópico**. Em **Subscription topic (Tópico de assinatura)**, insira **/resnet-18/predictions**.
+ Na página `/resnet-18/predictions`, especifique o tópico `/resnet-18/test` no qual publicar.
## Solução de problemas de inferência AWS IoT Greengrass de ML
Se o teste não for bem-sucedido, você poderá tentar as etapas de solução de problemas a seguir. Execute os comandos no seu terminal Raspberry Pi.
### Verificar logs de erros
1. Alterne para o usuário raiz e navegue até o diretório `log`. O acesso aos AWS IoT Greengrass registros requer permissões de root.
```
sudo su
cd /greengrass/ggc/var/log
```
1. Verifique `runtime.log` em busca de algum erro.
```
cat system/runtime.log | grep 'ERROR'
```
Você também pode verificar em seu log se há erros na sua função do Lambda definida pelo usuário:
```
cat user/your-region/your-account-id/lambda-function-name.log | grep 'ERROR'
```
Para obter mais informações, consulte [Solução de problemas com logs](gg-troubleshooting.md#troubleshooting-logs).
### Verifique se a função do Lambda foi implantada com êxito
1. Liste o conteúdo do Lambda implementado no diretório `/lambda`. Substitua os valores de espaço reservado antes de executar o comando.
```
cd /greengrass/ggc/deployment/lambda/arn:aws:lambda:region:account:function:function-name:function-version
ls -la
```
1. Verifique se o diretório contém o mesmo conteúdo do pacote de implantação `optimizedImageClassification.zip` que você carregou no [Etapa 3: Criar uma função de inferência da função do Lambda](#ml-console-dlc-create-lambda).
Verifique se os arquivos `.py` e as dependências estão na raiz do diretório.
### Verifique se o modelo de inferência foi implantado com sucesso
1. Encontre o número de identificação de processo (PID) do runtime do Lambda:
```
ps aux | grep lambda-function-name
```
Na saída, o PID aparece na segunda coluna da linha para o processo de runtime do Lambda.
1. Digite o namespace de runtime do Lambda. Certifique-se de substituir o *pid* valor do espaço reservado antes de executar o comando.
**nota**
Este diretório e seu conteúdo estão no namespace de runtime do Lambda para que não sejam visíveis em um namespace comum do Linux.
```
sudo nsenter -t pid -m /bin/bash
```
1. Liste o conteúdo do diretório local que você especificou para o recurso de ML.
**nota**
Se o caminho do recurso de ML for diferente de `ml_model`, você deverá substituí-lo aqui.
```
cd /ml_model
ls -ls
```
Você deve ver os arquivos a seguir:
```
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
```
### A função Lambda não consegue encontrar `/dev/dri/renderD128`
Isso poderá ocorrer se o OpenCL não puder se conectar aos dispositivos de GPU de que precisa. Você deve criar recursos de dispositivo para os dispositivos necessários para a função do lambda.
## Próximas etapas
Em seguida, explore outros modelos otimizados. Para obter informações, consulte a [documentação do SageMaker AI Neo](https://docs.aws.amazon.com/sagemaker/latest/dg/neo.html).