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. # Tutorial: Execute inferência de classificação de imagens de amostra usando o Lite TensorFlow Este tutorial mostra como usar o componente de inferência de [classificação de imagem TensorFlow Lite](tensorflow-lite-image-classification-component.md) para realizar exemplos de inferência de classificação de imagens em um dispositivo principal do Greengrass. Esse componente inclui as seguintes dependências de componentes: + TensorFlow Componente de armazenamento de modelos de classificação de imagem Lite + TensorFlow Componente Lite Runtime Quando você implanta esse componente, ele baixa um modelo MobileNet v1 pré-treinado e instala o tempo de execução [TensorFlow Lite](https://www.tensorflow.org/lite/guide/python) e suas dependências. Esse componente publica resultados de inferência no tópico `ml/tflite/image-classification`. Para visualizar esses resultados de inferência, use o cliente AWS IoT MQTT no AWS IoT console para assinar este tópico. Neste tutorial, você implanta o componente de inferência de amostra para realizar a classificação da imagem na imagem de amostra fornecida pelo AWS IoT Greengrass. Depois de concluir este tutorial, você pode concluir [Tutorial: Execute inferência de classificação de imagens de amostra em imagens de uma câmera usando o TensorFlow Lite](ml-tutorial-image-classification-camera.md), que mostra como modificar o componente de inferência de amostra para realizar a classificação de imagens em imagens de uma câmera localmente em um dispositivo principal do Greengrass. Para obter mais informações sobre machine learning nos dispositivos Greengrass, consulte [Executar a inferência de machine learning](perform-machine-learning-inference.md). **Topics** + [Pré-requisitos](#ml-tutorial-prereqs) + [Etapa 1: assinar o tópico de notificações padrão](#ml-image-classification-subscribe) + [Etapa 2: implantar o componente de classificação de imagem TensorFlow Lite](#ml-image-classification-deploy) + [Etapa 3: exibir resultados de inferência](#ml-image-classification-results) + [Próximas etapas](#ml-image-classification-next-steps) ## Pré-requisitos Para concluir este tutorial, você precisará do seguinte: + Um dispositivo principal do Linux Greengrass. Se você não tiver uma, consulte [Tutorial: Conceitos básicos do AWS IoT Greengrass V2](getting-started.md). O dispositivo principal deve atender aos seguintes requisitos: + Nos dispositivos principais do Greengrass que executam o Amazon Linux 2 ou o Ubuntu 18.04, a [Biblioteca do GNU C](https://www.gnu.org/software/libc/) (glibc) versão 2.27 ou posterior está instalada no dispositivo. + Em dispositivos Armv7l, como o Raspberry Pi, as dependências do OpenCV-Python estão instaladas no dispositivo. Execute o seguinte comando para instalar as dependências. ``` sudo apt-get install libopenjp2-7 libilmbase23 libopenexr-dev libavcodec-dev libavformat-dev libswscale-dev libv4l-dev libgtk-3-0 libwebp-dev ``` + Os dispositivos Raspberry Pi que executam o Raspberry Pi OS Bullseye devem atender aos seguintes requisitos: + NumPy 1.22.4 ou posterior instalado no dispositivo. O Raspberry Pi OS Bullseye inclui uma versão anterior do NumPy, então você pode executar o seguinte comando para atualizar NumPy o dispositivo. ``` pip3 install --upgrade numpy ``` + A pilha de câmeras antiga habilitada no dispositivo. O Raspberry Pi OS Bullseye inclui uma nova pilha de câmeras que está habilitada por padrão e não é compatível, portanto você precisa habilitar a pilha de câmeras antiga. **Para habilitar a pilha de câmeras antiga** 1. Execute o comando abaixo para abrir a ferramenta de configuração do Raspberry Pi. ``` sudo raspi-config ``` 1. Selecione **Opções de interface**. 1. Selecione **Câmera antiga** para habilitar a pilha de câmeras antiga. 1. Reinicie o Raspberry Pi. ## Etapa 1: assinar o tópico de notificações padrão Nesta etapa, você configura o cliente AWS IoT MQTT no AWS IoT console para assistir às mensagens MQTT publicadas pelo componente de classificação de imagem TensorFlow Lite. Por padrão, o componente publica resultados de inferência no tópico `ml/tflite/image-classification`. Inscreva-se neste tópico antes de implantar o componente em seu dispositivo principal do Greengrass para ver os resultados da inferência quando o componente é executado pela primeira vez. **Para se inscrever no tópico de notificações padrão** 1. No menu de navegação do [console do AWS IoT](https://console.aws.amazon.com/iot/), escolha **Teste, Cliente de teste MQTT**. 1. Em **Inscrever-se em um tópico**, na caixa **Nome do tópico**, digite **ml/tflite/image-classification**. 1. Escolha **Assinar**. ## Etapa 2: implantar o componente de classificação de imagem TensorFlow Lite Nesta etapa, você implanta o componente de classificação de imagem TensorFlow Lite em seu dispositivo principal: ### Para implantar o componente de classificação de imagem TensorFlow Lite (console) 1. No menu de navegação do [console do AWS IoT Greengrass](https://console.aws.amazon.com/greengrass), selecione **Componentes**. 1. Na página **Componentes**, na guia **Componentes públicos**, escolha `aws.greengrass.TensorFlowLiteImageClassification`. 1. Na página **aws.greengrass.TensorFlowLiteImageClassification**, escolha **Implantar**. 1. Em **Adicionar à implantação**, escolha uma das seguintes opções: 1. Para mesclar esse componente a uma implantação existente em seu dispositivo de destino, escolha **Adicionar à implantação existente** e selecione a implantação que você deseja revisar. 1. Para criar uma nova implantação em seu dispositivo de destino, escolha **Criar nova implantação**. Se você tiver uma implantação existente em seu dispositivo, escolher essa etapa substituirá a implantação existente. 1. Na página **Especificar destino**, faça o seguinte: 1. Em **Informações de implantação**, insira ou modifique o nome amigável para sua implantação. 1. Em **Destinos de implantação**, selecione um alvo para sua implantação e escolha **Avançar**. Você não pode alterar o destino de implantação se estiver revisando uma implantação existente. 1. Na página **Selecionar componentes**, em **Componentes públicos**, verifique se o componente `aws.greengrass.TensorFlowLiteImageClassification` está selecionado e escolha **Avançar**. 1. Na página **Configurar componentes**, mantenha as configurações padrão e escolha **Avançar**. 1. Na página **Definir configurações avançadas**, mantenha as configurações padrão e escolha **Avançar**. 1. Na página **Revisar**, escolha **Implantar**. ### Para implantar o componente de classificação de imagem TensorFlow Lite (AWS CLI) 1. Crie um `deployment.json` arquivo para definir a configuração de implantação do componente de classificação de imagem TensorFlow Lite. Esse arquivo deve ser semelhante ao seguinte: ``` { "targetArn":"targetArn", "components": { "aws.greengrass.TensorFlowLiteImageClassification": { "componentVersion": 2.1.0, "configurationUpdate": { } } } } ``` + No campo `targetArn`, substitua `targetArn` pelo nome do recurso da Amazon (ARN) da coisa ou do grupo de coisas do destino da implantação, no formato a seguir: + Coisa: `arn:aws:iot:region:account-id:thing/thingName` + Grupo de coisas: `arn:aws:iot:region:account-id:thinggroup/thingGroupName` + Este tutorial usa o componente versão 2.1.0. No objeto `aws.greengrass.TensorFlowLiteObjectDetection` componente, *2.1.0* substitua para usar uma versão diferente do componente de detecção de objetos TensorFlow Lite. 1. Execute o comando a seguir para implantar o componente de classificação de imagem TensorFlow Lite no dispositivo: ``` aws greengrassv2 create-deployment \ --cli-input-json file://path/to/deployment.json ``` A implantação pode levar vários minutos para ser concluída. Na próxima etapa, verifique o log do componente para verificar se a implantação foi concluída com êxito e para ver os resultados da inferência. ## Etapa 3: exibir resultados de inferência Depois de implantar o componente, você pode visualizar os resultados da inferência no registro do componente em seu dispositivo principal do Greengrass e no cliente MQTT AWS IoT no console. AWS IoT Para assinar o tópico no qual o componente publica resultados de inferência, consulte [Etapa 1: assinar o tópico de notificações padrão](#ml-image-classification-subscribe). + **AWS IoT Cliente MQTT** — Para visualizar os resultados que o componente de inferência publica no [tópico de notificações padrão](#ml-image-classification-subscribe), conclua as seguintes etapas: 1. No menu de navegação do [console do AWS IoT](https://console.aws.amazon.com/iot/), escolha **Teste, Cliente de teste MQTT**. 1. Em **Assinaturas**, escolha **ml/tflite/image-classification**. Você verá mensagens semelhantes ao exemplo a seguir. ``` { "timestamp": "2021-01-01 00:00:00.000000", "inference-type": "image-classification", "inference-description": "Top 5 predictions with score 0.3 or above ", "inference-results": [ { "Label": "cougar, puma, catamount, mountain lion, painter, panther, Felis concolor", "Score": "0.5882352941176471" }, { "Label": "Persian cat", "Score": "0.5882352941176471" }, { "Label": "tiger cat", "Score": "0.5882352941176471" }, { "Label": "dalmatian, coach dog, carriage dog", "Score": "0.5607843137254902" }, { "Label": "malamute, malemute, Alaskan malamute", "Score": "0.5450980392156862" } ] } ``` + **Log do componente**: para visualizar os resultados da inferência no registro do componente, execute o comando a seguir em seu dispositivo principal do Greengrass. ``` sudo tail -f /greengrass/v2/logs/aws.greengrass.TensorFlowLiteImageClassification.log ``` Serão apresentados resultados semelhantes ao exemplo a seguir. ``` 2021-01-01 00:00:00.000000 [INFO] (Copier) aws.greengrass.TensorFlowLiteImageClassification: stdout. Publishing results to the IoT core.... {scriptName=services.aws.greengrass.TensorFlowLiteImageClassification.lifecycle.Run.script, serviceName=aws.greengrass.TensorFlowLiteImageClassification, currentState=RUNNING} 2021-01-01 00:00:00.000000 [INFO] (Copier) aws.greengrass.TensorFlowLiteImageClassification: stdout. {"timestamp": "2021-01-01 00:00:00.000000", "inference-type": "image-classification", "inference-description": "Top 5 predictions with score 0.3 or above ", "inference-results": [{"Label": "cougar, puma, catamount, mountain lion, painter, panther, Felis concolor", "Score": "0.5882352941176471"}, {"Label": "Persian cat", "Score": "0.5882352941176471"}, {"Label": "tiger cat", "Score": "0.5882352941176471"}, {"Label": "dalmatian, coach dog, carriage dog", "Score": "0.5607843137254902"}, {"Label": "malamute, malemute, Alaskan malamute", "Score": "0.5450980392156862"}]}. {scriptName=services.aws.greengrass.TensorFlowLiteImageClassification.lifecycle.Run.script, serviceName=aws.greengrass.TensorFlowLiteImageClassification, currentState=RUNNING} ``` Se você não conseguir ver os resultados da inferência no log do componente ou no cliente MQTT, a implantação falhou ou não atingiu o dispositivo principal. Isso pode ocorrer se seu dispositivo principal não estiver conectado à Internet ou não tiver as permissões corretas para executar o componente. Execute o comando a seguir em seu dispositivo principal para visualizar o arquivo de log do software AWS IoT Greengrass principal. Esse arquivo inclui logs do serviço de implantação do dispositivo principal do Greengrass. ``` sudo tail -f /greengrass/v2/logs/greengrass.log ``` Para obter mais informações, consulte [Solução de problemas de inferência de Machine learning do](ml-troubleshooting.md). ## Próximas etapas Se você tiver um dispositivo principal do Greengrass com uma interface de câmera compatível, poderá concluir [Tutorial: Execute inferência de classificação de imagens de amostra em imagens de uma câmera usando o TensorFlow Lite](ml-tutorial-image-classification-camera.md), que mostra como modificar o componente de inferência de amostra para executar a classificação de imagens em imagens de uma câmera. Para explorar mais a configuração do componente de inferência de [classificação de imagem TensorFlow Lite](tensorflow-lite-image-classification-component.md) de amostra, tente o seguinte: + Modifique o parâmetro de configuração `InferenceInterval` para alterar a frequência com que o código de inferência é executado. + Modifique os parâmetros de configuração `ImageName` e `ImageDirectory` na configuração do componente de inferência para especificar uma imagem personalizada a ser usada para inferência. Para obter informações sobre como personalizar a configuração de componentes públicos ou criar componentes personalizados de machine learning, consulte [Personalizar seus componentes de machine learning](ml-customization.md).