AWS SageMaker の事前トレーニング済みモデルを設定する

当社のチームは Jira Software とさまざまな接続ツールを使用してアプリケーションを開発、デプロイ、管理する方法を説明するために、機械学習を使用してイメージにラベルを添付する AWS 上に構築されたシンプルなデモ アプリケーションである ImageLabeller を作成しました。

このページでは、AWS SageMaker の定義済みモデルを設定する方法について説明します。これは、ImageLabeller がイメージを正常に処理するために必要な前提条件です。はじめに、ImageLabeller アーキテクチャのページを読んでコンテキストを確認することをお勧めします

AWS コンソールにログインして Amazon SageMaker に移動します。

AWS コンソールのスクリーンショット

Amazon SageMaker Studio に移動します。

Amazon SageMaker Studio のスクリーンショット

[Quick start (クイック スタート)] > [Execution role (実行ロール)]> [Create an IAM role (IAM ロールを作成)] の順に選択します。

Quick start のスクリーンショット

[Create role (ロールを作成)] を、[送信] の順にクリックします。

Create an IAM role (IAM ロールを作成) のスクリーンショット

SageMaker の設定にはしばらく時間がかかります。準備ができたら[Open Studio (Studio を開く)] をクリックします。

セットアップ後のスクリーンショット

[Go to SageMake JumpStart (SageMake JumpStart に移動)] をクリックします。

SageMaker JumpStart のスクリーンショット

[Inception V3] を見つけてクリックします。

ビジョン モデルのスクリーンショット

[Machine Type (マシン タイム)] を ml.m5.large に変更し、[Endpoint Name (エンドポイント名)] を「image-labeller-endpoint」などの読みやすい名前に変更して [Deploy (デプロイ)] をクリックします。

デプロイ モデルのスクリーンショット

AWS SageMaker でモデルのデプロイが開始されます。

デプロイ開始のスクリーンショット

デプロイが完了したら [Open Notebook (ノートブックを開く)] をクリックします。

エンドポイント ステータスのスクリーンショット

ノートブックの 3 つのコード ブロックをすべて実行して、正常に動作していることを確認します。query_endpointendpoint_name を書き留めておきます。これと、AWS SageMaker ノートブックがあるリージョンを InvokeLabeller AWS Lambda に追加する必要があります。

エンドポイントのクエリのスクリーンショット

InvokeLabeller の src/app.py ファイルを開いて、query_endpoint を探します。endpoint_name とクライアントの region_name を、AWS SageMaker ノートブックと一致するように変更します。

1 2 3 4 5 6 def query_endpoint(img): endpoint_name = 'jumpstart-dft-image-labeller-endpoint' client = boto3.client(service_name='runtime.sagemaker', region_name='us-west-1') response = client.invoke_endpoint(EndpointName=endpoint_name, ContentType='application/x-image', Body=img) model_predictions = json.loads(response['Body'].read())['predictions'][0] return model_predictions

SageMaker の設定が完了したら、次のステップは、ImageLabeller を Bitbucket GitHubまたは Gitlab にデプロイすることです。

 

最終更新日 2021年09月24日)
次でキャッシュ 12:06 AM on Oct 19, 2021 |

その他のヘルプ