Μπορείς να χρησιμοποιήσεις AWS Snowball Edge συσκευές σε τοποθεσίες όπως κρουαζιερόπλοια, εξέδρες άντλησης πετρελαίου και δάπεδα εργοστασίων με περιορισμένη έως καθόλου συνδεσιμότητα δικτύου για ένα ευρύ φάσμα εφαρμογών μηχανικής εκμάθησης (ML), όπως επιτήρηση, αναγνώριση προσώπου και βιομηχανική επιθεώρηση. Ωστόσο, δεδομένης της απομακρυσμένης και αποσυνδεδεμένης φύσης αυτών των συσκευών, η ανάπτυξη και η διαχείριση μοντέλων ML στο edge είναι συχνά δύσκολη. Με AWS IoT Greengrass και Amazon SageMaker Edge Manager, μπορείτε να εκτελέσετε συμπέρασμα ML σε δεδομένα που δημιουργούνται τοπικά σε συσκευές Snowball Edge χρησιμοποιώντας μοντέλα ML που εκπαιδεύονται σε σύννεφο. Όχι μόνο επωφελείστε από τη χαμηλή καθυστέρηση και την εξοικονόμηση κόστους της εκτέλεσης τοπικών συμπερασμάτων, αλλά μειώνετε επίσης τον χρόνο και την προσπάθεια που απαιτείται για να τεθούν τα μοντέλα ML στην παραγωγή. Μπορείτε να τα κάνετε όλα αυτά ενώ παρακολουθείτε και βελτιώνετε συνεχώς την ποιότητα του μοντέλου στον στόλο συσκευών Snowball Edge.
Σε αυτήν την ανάρτηση, μιλάμε για το πώς μπορείτε να χρησιμοποιήσετε το AWS IoT Greengrass έκδοση 2.0 ή νεότερη και το Edge Manager για βελτιστοποίηση, ασφάλεια, παρακολούθηση και διατήρηση ενός απλού μοντέλου ταξινόμησης TensorFlow για την ταξινόμηση των εμπορευματοκιβωτίων αποστολής (σύνδεση) και των ατόμων.
Ξεκινώντας
Για να ξεκινήσετε, παραγγείλετε μια συσκευή Snowball Edge (για περισσότερες πληροφορίες, βλ Δημιουργία εργασίας AWS Snowball Edge). Μπορείτε να παραγγείλετε μια συσκευή Snowball Edge με επικυρωμένο AMI AWS IoT Greengrass.
Αφού λάβετε τη συσκευή, μπορείτε να χρησιμοποιήσετε AWS OpsHub για Snow Family ή το Πελάτης Snowball Edge για να ξεκλειδώσετε τη συσκευή. Μπορείτε να ξεκινήσετε ένα Amazon Elastic Compute Cloud (Amazon EC2) με εγκατεστημένο το πιο πρόσφατο AWS IoT Greengrass ή χρησιμοποιήστε τις εντολές στο AWS OpsHub για Snow Family.
Εκκινήστε και εγκαταστήστε ένα AMI με τις ακόλουθες απαιτήσεις ή παρέχετε μια αναφορά AMI στην κονσόλα Snowball πριν την παραγγελία και θα αποσταλεί με όλες τις βιβλιοθήκες και τα δεδομένα στο AMI:
- Το πλαίσιο ML της επιλογής σας, όπως το TensorFlow, το PyTorch ή το MXNet
- Docker (αν σκοπεύετε να το χρησιμοποιήσετε)
- AWS IoT Greengrass
- Οποιεσδήποτε άλλες βιβλιοθήκες μπορεί να χρειαστείτε
Προετοιμάστε το AMI τη στιγμή της παραγγελίας της συσκευής Snowball Edge στην κονσόλα AWS Snow Family. Για οδηγίες, βλ Χρήση Amazon EC2 Compute Instances. Έχετε επίσης την επιλογή να ενημερώστε το AMI αφού το Snowball αναπτυχθεί στην άκρη της τοποθεσίας σας.
Εγκαταστήστε το πιο πρόσφατο AWS IoT Greengrass στο Snowball Edge
Για να εγκαταστήσετε το AWS IoT Greengrass στη συσκευή σας, ολοκληρώστε τα παρακάτω βήματα:
- Εγκαταστήστε το πιο πρόσφατο AWS IoT Greengrass στη συσκευή σας Snowball Edge. Συγουρεύομαι
dev_tools=True
έχει οριστεί να έχειggv2 cli
Δείτε τον ακόλουθο κώδικα:
Αναφέρουμε το --thing-name
επιλέξατε εδώ όταν ρυθμίσαμε το Edge Manager.
- Εκτελέστε την ακόλουθη εντολή για να ελέγξετε την εγκατάστασή σας:
- Στην κονσόλα AWS IoT, επικυρώστε την επιτυχώς καταχωρημένη συσκευή Snowball Edge με τον λογαριασμό σας AWS IoT Greengrass.
Βελτιστοποιήστε τα μοντέλα ML με το Edge Manager
Χρησιμοποιούμε το Edge Manger για την ανάπτυξη και τη διαχείριση του μοντέλου στο Snowball Edge.
- Εγκαταστήστε τον πράκτορα Edge Manager στο Snowball Edge χρησιμοποιώντας το πιο πρόσφατο AWS IoT Greengrass.
- Εκπαιδεύστε και αποθηκεύστε το μοντέλο ML σας.
Μπορείτε να εκπαιδεύσετε το μοντέλο ML χρησιμοποιώντας οποιοδήποτε πλαίσιο της επιλογής σας και να το αποθηκεύσετε σε ένα Απλή υπηρεσία αποθήκευσης Amazon (Amazon S3) κάδος. Στο παρακάτω στιγμιότυπο οθόνης, χρησιμοποιούμε το TensorFlow για να εκπαιδεύσουμε ένα μοντέλο πολλαπλών ετικετών για την ταξινόμηση των συνδέσεων και των ατόμων σε μια εικόνα. Το μοντέλο που χρησιμοποιείται εδώ αποθηκεύεται σε έναν κάδο S3 δημιουργώντας πρώτα ένα αρχείο .tar.
Αφού αποθηκευτεί το μοντέλο (σε αυτήν την περίπτωση το TensorFlow Lite), μπορείτε να ξεκινήσετε ένα Amazon SageMaker Neo εργασία μεταγλώττισης του μοντέλου και βελτιστοποίηση του μοντέλου ML για Snowball Edge Compute (SBE_C
).
- Στην κονσόλα SageMaker, κάτω Συμπέρασμα στο παράθυρο πλοήγησης, επιλέξτε Εργασίες συλλογής.
- Επιλέξτε Δημιουργήστε εργασία σύνταξης.
- Δώστε στην εργασία σας ένα όνομα και δημιουργήστε ή χρησιμοποιήστε έναν υπάρχοντα ρόλο.
Εάν δημιουργείτε ένα νέο Διαχείριση ταυτότητας και πρόσβασης AWS (IAM), βεβαιωθείτε ότι το SageMaker έχει πρόσβαση στον κάδο στον οποίο είναι αποθηκευμένο το μοντέλο.
- Στο Διαμόρφωση εισόδου ενότητα, για Θέση μοντέλων αντικειμένων, εισάγετε τη διαδρομή προς
model.tar.gz
όπου αποθηκεύσατε το αρχείο (σε αυτήν την περίπτωση,s3://feidemo/tfconnexmodel/connexmodel.tar.gz
). - Για Διαμόρφωση εισαγωγής δεδομένων, εισαγάγετε το επίπεδο εισόδου του μοντέλου ML (το όνομά του και το σχήμα του). Σε αυτή την περίπτωση, λέγεται
keras_layer_input
και το σχήμα του είναι [1,224,224,3], οπότε μπαίνουμε{“keras_layer_input”:[1,224,224,3]}
.
- Για Πλαίσιο μηχανικής μάθησης, επιλέξτε TFLite.
- Για Συσκευή προορισμού, επιλέξτε sbe_c.
- Άδεια Επιλογές μεταγλωττιστή
- Για Θέση εξόδου S3, εισαγάγετε την ίδια θέση με την οποία είναι αποθηκευμένο το μοντέλο σας με το πρόθεμα (φάκελος)
output
. Για παράδειγμα, μπαίνουμεs3://feidemo/tfconnexmodel/output
.
- Επιλέξτε Υποβολη για να ξεκινήσει η εργασία μεταγλώττισης.
Τώρα δημιουργείτε ένα πακέτο ανάπτυξης μοντέλου που θα χρησιμοποιηθεί από το Edge Manager.
- Στην κονσόλα SageMaker, κάτω Edge Manager, επιλέξτε Εργασίες συσκευασίας άκρων.
- Επιλέξτε Δημιουργία εργασίας συσκευασίας Edge.
- Στο Ιδιότητες εργασίας ενότητα, εισαγάγετε τα στοιχεία της εργασίας.
- Στο Πηγή μοντέλου ενότητα, για Όνομα εργασίας μεταγλώττισης, εισαγάγετε το όνομα που παρείχατε για την εργασία συλλογής Neo.
- Επιλέξτε Επόμενο.
- Στο Διαμόρφωση εξόδου ενότητα, για URI κάδου S3, πληκτρολογήστε πού θέλετε να αποθηκεύσετε το πακέτο στο Amazon S3.
- Για Όνομα στοιχείου, εισαγάγετε ένα όνομα για το στοιχείο AWS IoT Greengrass.
Αυτό το βήμα δημιουργεί ένα στοιχείο μοντέλου AWS IoT Greengrass όπου το μοντέλο λαμβάνεται από το Amazon S3 και αποσυμπιέζεται σε τοπική αποθήκευση στο Snowball Edge.
- Δημιουργήστε έναν στόλο συσκευών για να διαχειριστείτε μια ομάδα συσκευών, σε αυτήν την περίπτωση, μόνο μία (SBE).
- Για IAM ρόλο¸ εισαγάγετε τον ρόλο που δημιουργήθηκε από το AWS IoT Greengrass νωρίτερα (–tes-role-name).
Βεβαιωθείτε ότι έχει τα απαιτούμενα δικαιώματα μεταβαίνοντας στην κονσόλα IAM, αναζητώντας τον ρόλο και προσθέτοντας τις απαιτούμενες πολιτικές σε αυτόν.
- Καταχωρίστε τη συσκευή Snowball Edge στον στόλο που δημιουργήσατε.
- Στο Πηγή συσκευής ενότητα, πληκτρολογήστε το όνομα της συσκευής. Το όνομα IoT πρέπει να ταιριάζει με το όνομα που χρησιμοποιήσατε προηγουμένως — σε αυτήν την περίπτωση, —thing-name MyGreengrassCore.
Μπορείτε να καταχωρίσετε πρόσθετες συσκευές Snowball στην κονσόλα SageMaker για να τις προσθέσετε στον στόλο συσκευών, που σας επιτρέπει να ομαδοποιείτε και να διαχειρίζεστε αυτές τις συσκευές μαζί.
Αναπτύξτε μοντέλα ML στο Snowball Edge χρησιμοποιώντας το AWS IoT Greengrass
Στις προηγούμενες ενότητες, ξεκλειδώσατε και ρυθμίσατε τη συσκευή σας Snowball Edge. Το μοντέλο ML έχει πλέον μεταγλωττιστεί και βελτιστοποιηθεί για απόδοση στο Snowball Edge. Ένα πακέτο Edge Manager δημιουργείται με το μεταγλωττισμένο μοντέλο και η συσκευή Snowball καταχωρείται σε ένα στόλο. Σε αυτήν την ενότητα, εξετάζετε τα βήματα που απαιτούνται για την ανάπτυξη του μοντέλου ML για συμπέρασμα στο Snowball Edge με το πιο πρόσφατο AWS IoT Greengrass.
εξαρτήματα
Το AWS IoT Greengrass σάς επιτρέπει να αναπτύσσετε σε συσκευές άκρης ως συνδυασμό εξαρτημάτων και σχετικών τεχνουργημάτων. Τα στοιχεία είναι έγγραφα JSON που περιέχουν τα μεταδεδομένα, τον κύκλο ζωής, τι να αναπτυχθεί πότε και τι να εγκατασταθεί. Τα στοιχεία καθορίζουν επίσης ποιο λειτουργικό σύστημα θα χρησιμοποιηθεί και ποια τεχνουργήματα θα χρησιμοποιηθούν όταν εκτελούνται σε διαφορετικές επιλογές λειτουργικού συστήματος.
Αντικείμενα
Τα τεχνουργήματα μπορεί να είναι αρχεία κώδικα, μοντέλα ή εικόνες κοντέινερ. Για παράδειγμα, ένα στοιχείο μπορεί να οριστεί για την εγκατάσταση μιας βιβλιοθήκης Python των panda και την εκτέλεση ενός αρχείου κώδικα που θα μετασχηματίσει τα δεδομένα ή για την εγκατάσταση μιας βιβλιοθήκης TensorFlow και την εκτέλεση του μοντέλου για συμπέρασμα. Τα παρακάτω είναι παραδείγματα τεχνουργημάτων που απαιτούνται για την ανάπτυξη εφαρμογής συμπερασμάτων:
- Πρωτότυπα gRPC και στελέχη Python (αυτό μπορεί να διαφέρει ανάλογα με το μοντέλο και το πλαίσιο σας)
- Κώδικας Python για τη φόρτωση του μοντέλου και την εκτέλεση συμπερασμάτων
Αυτά τα δύο στοιχεία μεταφορτώνονται σε έναν κάδο S3.
Αναπτύξτε τα εξαρτήματα
Η ανάπτυξη χρειάζεται τα ακόλουθα στοιχεία:
- Πράκτορας Edge Manager (διατίθεται σε δημόσια στοιχεία στο GA)
- Μοντέλο
- Εφαρμογή
Ολοκληρώστε τα παρακάτω βήματα για να αναπτύξετε τα στοιχεία:
- Στην κονσόλα AWS IoT, κάτω από Πράσινο γρασίδι, επιλέξτε εξαρτήματακαι δημιουργήστε το στοιχείο της εφαρμογής.
- Βρείτε το στοιχείο πράκτορα Edge Manager στη λίστα δημόσιων στοιχείων και αναπτύξτε το.
- Αναπτύξτε ένα στοιχείο μοντέλου που δημιουργήθηκε από το Edge Manager, το οποίο χρησιμοποιείται ως εξάρτηση στο στοιχείο της εφαρμογής.
- Αναπτύξτε το στοιχείο εφαρμογής στη συσκευή edge μεταβαίνοντας στη λίστα με τις αναπτύξεις AWS IoT Greengrass και δημιουργώντας μια νέα ανάπτυξη.
Εάν έχετε μια υπάρχουσα ανάπτυξη, μπορείτε να την αναθεωρήσετε για να προσθέσετε το στοιχείο της εφαρμογής.
Τώρα μπορείτε να δοκιμάσετε το στοιχείο σας.
- Στον κώδικα πρόβλεψης ή συμπερασμάτων που αναπτύσσεται με το στοιχείο εφαρμογής, κωδικοποιήστε στη λογική για να έχετε πρόσβαση σε αρχεία τοπικά στη συσκευή Snowball Edge (για παράδειγμα, στον εισερχόμενο φάκελο) και να μετακινήσετε τις προβλέψεις ή τα επεξεργασμένα αρχεία σε έναν φάκελο που έχει υποστεί επεξεργασία.
- Συνδεθείτε στη συσκευή για να δείτε αν έχουν γίνει οι προβλέψεις.
- Ρυθμίστε τον κώδικα ώστε να εκτελείται σε βρόχο, ελέγχοντας τον εισερχόμενο φάκελο για νέα αρχεία, επεξεργάζεστε τα αρχεία και μετακινώντας τα στον φάκελο που έχει υποστεί επεξεργασία.
Το παρακάτω στιγμιότυπο οθόνης είναι ένα παράδειγμα ρύθμισης αρχείων πριν από την ανάπτυξη μέσα στο Snowball Edge.
Μετά την ανάπτυξη, όλες οι δοκιμαστικές εικόνες έχουν κατηγορίες ενδιαφέροντος και ως εκ τούτου μετακινούνται στον επεξεργασμένο φάκελο.
εκκαθάριση
Για να καθαρίσετε τα πάντα ή να εφαρμόσετε ξανά αυτήν τη λύση από την αρχή, σταματήστε όλες τις περιπτώσεις EC2 επικαλούμενος TerminateInstance
API έναντι τερματικών σημείων συμβατών με EC2 που εκτελούνται στη συσκευή σας Snowball Edge. Για να επιστρέψετε τη συσκευή Snowball Edge, βλ Απενεργοποίηση του Snowball Edge και Επιστροφή της συσκευής Snowball Edge.
Συμπέρασμα
Αυτή η ανάρτηση σας καθοδήγησε στο πώς να παραγγείλετε μια συσκευή Snowball Edge με AMI της επιλογής σας. Στη συνέχεια, μεταγλωττίζετε ένα μοντέλο για το edge χρησιμοποιώντας το SageMaker, συσκευάζετε αυτό το μοντέλο χρησιμοποιώντας το Edge Manager και δημιουργείτε και εκτελείτε στοιχεία με τεχνουργήματα για να εκτελέσετε συμπέρασμα ML στο Snowball Edge χρησιμοποιώντας το πιο πρόσφατο AWS IoT Greengrass. Με το Edge Manager, μπορείτε να αναπτύξετε και να ενημερώσετε τα μοντέλα ML σας σε έναν στόλο συσκευών Snowball Edge και να παρακολουθήσετε την απόδοση στο edge με αποθηκευμένα δεδομένα εισόδου και προβλέψεων στο Amazon S3. Μπορείτε επίσης να εκτελέσετε αυτά τα εξαρτήματα ως μακράς διάρκειας AWS Lambda συναρτήσεις που μπορούν να γυρίσουν ένα μοντέλο και να περιμένουν τα δεδομένα να κάνουν συμπεράσματα.
Συνδυάζετε διάφορες δυνατότητες του AWS IoT Greengrass για να δημιουργήσετε έναν πελάτη MQTT και χρησιμοποιείτε ένα μοντέλο pub/sub για να καλέσετε άλλες υπηρεσίες ή μικροϋπηρεσίες. Οι πιθανότητες είναι ατελείωτες.
Εκτελώντας το συμπέρασμα ML στο Snowball Edge με το Edge Manager και το AWS IoT Greengrass, μπορείτε να βελτιστοποιήσετε, να ασφαλίσετε, να παρακολουθήσετε και να διατηρήσετε μοντέλα ML σε στόλους συσκευών Snowball Edge. Ευχαριστούμε για την ανάγνωση και μη διστάσετε να αφήσετε ερωτήσεις ή σχόλια στην ενότητα σχολίων.
Για να μάθετε περισσότερα σχετικά με το AWS Snow Family, το AWS IoT Greengrass και το Edge Manager, ανατρέξτε στα ακόλουθα:
Σχετικά με τους Συγγραφείς
Ρατζ Καντιάλα είναι ένας υπεύθυνος ανάπτυξης τεχνολογίας AI / ML στο AWS WWPS Partner Organisation. Ο Raj έχει πάνω από 12 χρόνια εμπειρίας στη Μηχανική Εκμάθηση και του αρέσει να ξοδεύει τον ελεύθερο χρόνο του για να εξερευνήσει τη μηχανική μάθηση για πρακτικές καθημερινές λύσεις και να παραμείνει ενεργός στο υπέροχο εξωτερικό του Κολοράντο.
Νίντα Μπέιγκ είναι Sr. Product Manager – Tech στο Amazon Web Services όπου εργάζεται στην ομάδα AWS Snow Family. Είναι παθιασμένη με την κατανόηση των αναγκών των πελατών και τη χρήση της τεχνολογίας ως αγωγού της μετασχηματιστικής σκέψης για την παράδοση καταναλωτικών προϊόντων. Εκτός από τη δουλειά, της αρέσουν τα ταξίδια, η πεζοπορία και το τρέξιμο.
- 100
- 9
- πρόσβαση
- Λογαριασμός
- ενεργός
- Πρόσθετος
- Όλα
- Amazon
- Amazon EC2
- Amazon Sage Maker
- Amazon υπηρεσίες Web
- api
- Εφαρμογή
- εφαρμογές
- AWS
- επιχείρηση
- έλεγχος
- ταξινόμηση
- κωδικός
- Κολοράντο
- σχόλια
- συστατικό
- Υπολογίστε
- αγωγός
- Συνδεσιμότητα
- καταναλωτής
- Καταναλωτικά προιόντα
- Δοχείο
- Εμπορευματοκιβώτια
- δημιουργία
- κρουαζιέρα
- ημερομηνία
- ημέρα
- Ανάπτυξη
- Συσκευές
- έγγραφα
- άκρη
- εμπειρία
- αναγνώριση προσώπου
- εργοστάσιο
- οικογένεια
- Χαρακτηριστικά
- Όνομα
- ΣΤΟΛΟΣ
- πατώματα
- Πλαίσιο
- Δωρεάν
- εξαιρετική
- Υπαιθρο
- Group
- εδώ
- πεζοπορία
- Πως
- Πώς να
- HTTPS
- IAM
- Ταυτότητα
- εικόνα
- βιομηχανικές
- πληροφορίες
- τόκος
- συμμετέχουν
- IoT
- IT
- Java
- Δουλειά
- αργότερο
- ΜΑΘΑΊΝΩ
- μάθηση
- Βιβλιοθήκη
- Περιωρισμένος
- Λίστα
- φορτίο
- τοπικός
- τοπικά
- τοποθεσία
- μάθηση μηχανής
- Ταίριασμα
- ML
- μοντέλο
- παρακολούθηση
- Πλοήγηση
- ΝΕΟ
- δίκτυο
- Πετρέλαιο
- λειτουργίας
- το λειτουργικό σύστημα
- Επιλογή
- Επιλογές
- τάξη
- ΑΛΛΑ
- ύπαιθρο
- συσκευασία
- εταίρος
- People
- επίδοση
- Πολιτικές
- πρόβλεψη
- Προβλέψεις
- Προϊόν
- παραγωγή
- Προϊόντα
- δημόσιο
- Python
- pytorch
- ποιότητα
- σειρά
- Ανάγνωση
- μείωση
- απαιτήσεις
- τρέξιμο
- τρέξιμο
- σοφός
- Υπηρεσίες
- σειρά
- επιλέξτε ταχυδρομικά τέλη
- πλοία
- Απλούς
- χιόνι
- So
- Λύσεις
- δαπανήσει
- Γνέθω
- Εκκίνηση
- ξεκίνησε
- χώρος στο δίσκο
- κατάστημα
- επιτήρηση
- σύστημα
- tech
- Τεχνολογία
- tensorflow
- δοκιμή
- Σκέψη
- ώρα
- Ενημέρωση
- περιμένετε
- ιστός
- διαδικτυακές υπηρεσίες
- Εργασία
- λειτουργεί
- χρόνια