คุณสามารถใช้ได้ AWS สโนว์บอล Edge อุปกรณ์ในสถานที่ต่างๆ เช่น เรือสำราญ แท่นขุดเจาะน้ำมัน และพื้นโรงงาน โดยไม่จำกัดการเชื่อมต่อเครือข่ายสำหรับแอปพลิเคชันการเรียนรู้ของเครื่อง (ML) ที่หลากหลาย เช่น การเฝ้าระวัง การจดจำใบหน้า และการตรวจสอบทางอุตสาหกรรม อย่างไรก็ตาม ด้วยลักษณะระยะไกลและไม่ได้เชื่อมต่อของอุปกรณ์เหล่านี้ การปรับใช้และจัดการโมเดล ML ที่ Edge มักจะเป็นเรื่องยาก กับ AWS IoT กรีนกราส และ ผู้จัดการ Amazon SageMaker Edgeคุณสามารถทำการอนุมาน ML กับข้อมูลที่สร้างขึ้นในเครื่องบนอุปกรณ์ Snowball Edge โดยใช้โมเดล ML ที่ผ่านการฝึกอบรมบนคลาวด์ คุณไม่เพียงได้รับประโยชน์จากเวลาแฝงที่ต่ำและการประหยัดต้นทุนของการอนุมานในพื้นที่เท่านั้น แต่ยังช่วยลดเวลาและความพยายามในการนำแบบจำลอง ML ไปสู่การผลิตอีกด้วย คุณสามารถทำสิ่งนี้ได้ในขณะที่ติดตามและปรับปรุงคุณภาพโมเดลอย่างต่อเนื่องในกลุ่มอุปกรณ์ Snowball Edge ของคุณ
ในโพสต์นี้ เราพูดถึงวิธีที่คุณสามารถใช้ AWS IoT Greengrass เวอร์ชัน 2.0 ขึ้นไปและ Edge Manager เพื่อเพิ่มประสิทธิภาพ รักษาความปลอดภัย ตรวจสอบ และรักษาโมเดลการจัดประเภท TensorFlow อย่างง่ายเพื่อจำแนกคอนเทนเนอร์การขนส่ง (คอนเน็กซ์) และผู้คน
หากคุณยังไม่ได้เปิดบัญชี IQ Option คลิ๊กที่นี่ กรอกรายละเอียดของคุณและมันจะนำไปยังหน้าเพจที่คล้ายด้านล่างนี้
ในการเริ่มต้น สั่งซื้ออุปกรณ์ Snowball Edge (สำหรับข้อมูลเพิ่มเติม โปรดดูที่ การสร้างงาน AWS Snowball Edge). คุณสามารถสั่งซื้ออุปกรณ์ Snowball Edge ที่มี AMI ที่ตรวจสอบความถูกต้องของ AWS IoT Greengrass ได้
หลังจากที่คุณได้รับอุปกรณ์ คุณสามารถใช้ AWS OpsHub สำหรับ Snow Family หรือ ลูกค้า Snowball Edge เพื่อปลดล็อกเครื่อง คุณสามารถเริ่มต้น อเมซอน อีลาสติก คอมพิวท์ คลาวด์ อินสแตนซ์ (Amazon EC2) ที่ติดตั้ง AWS IoT Greengrass ล่าสุดหรือใช้คำสั่งบน AWS OpsHub for Snow Family
เรียกใช้และติดตั้ง AMI ด้วยข้อกำหนดต่อไปนี้ หรือระบุข้อมูลอ้างอิง AMI บนคอนโซล Snowball ก่อนสั่งซื้อ และจะถูกจัดส่งพร้อมกับไลบรารีและข้อมูลทั้งหมดใน AMI:
- ML framework ที่คุณเลือก เช่น TensorFlow, PyTorch หรือ MXNet
- นักเทียบท่า (ถ้าคุณตั้งใจจะใช้มัน)
- AWS IoT กรีนกราส
- ห้องสมุดอื่นๆ ที่คุณอาจต้องการ
เตรียม AMI เมื่อสั่งซื้ออุปกรณ์ Snowball Edge บนคอนโซล AWS Snow Family ดูคำแนะนำได้ที่ การใช้อินสแตนซ์การประมวลผลของ Amazon EC2. คุณยังมีตัวเลือกในการ อัปเดต AMI หลังจากปรับใช้ Snowball ไปยังตำแหน่งขอบของคุณ.
ติดตั้ง AWS IoT Greengrass ล่าสุดบน Snowball Edge
ในการติดตั้ง AWS IoT Greengrass บนอุปกรณ์ของคุณ ให้ทำตามขั้นตอนต่อไปนี้:
- ติดตั้ง AWS IoT Greengrass . ล่าสุด บนอุปกรณ์ Snowball Edge ของคุณ มั่นใจ
dev_tools=True
ถูกกำหนดให้มีggv2 cli
ดูรหัสต่อไปนี้:
เราอ้างอิง --thing-name
คุณเลือกที่นี่เมื่อเราตั้งค่า Edge Manager
- รันคำสั่งต่อไปนี้เพื่อทดสอบการติดตั้งของคุณ:
- บนคอนโซล AWS IoT ตรวจสอบอุปกรณ์ Snowball Edge ที่ลงทะเบียนสำเร็จด้วยบัญชี AWS IoT Greengrass ของคุณ
ปรับโมเดล ML ให้เหมาะสมด้วย Edge Manager
เราใช้ Edge Manger เพื่อปรับใช้และจัดการโมเดลบน Snowball Edge
- ติดตั้งเอเจนต์ Edge Manager บน Snowball Edge โดยใช้ AWS IoT Greengrass ล่าสุด
- ฝึกและจัดเก็บโมเดล ML ของคุณ
คุณสามารถฝึกโมเดล ML ของคุณโดยใช้เฟรมเวิร์กใดก็ได้ที่คุณเลือกและบันทึกลงใน an บริการจัดเก็บข้อมูลอย่างง่ายของ Amazon (Amazon S3) ถัง ในภาพหน้าจอต่อไปนี้ เราใช้ TensorFlow เพื่อฝึกโมเดลหลายป้ายกำกับเพื่อจำแนกคอนเน็กซ์และบุคคลในภาพ โมเดลที่ใช้ในที่นี้จะถูกบันทึกลงในบัคเก็ต S3 โดยการสร้างไฟล์ .tar ก่อน
หลังจากบันทึกโมเดลแล้ว (ในกรณีนี้ TensorFlow Lite) คุณสามารถเริ่มต้น an Amazon SageMaker นีโอ งานคอมไพล์ของโมเดลและเพิ่มประสิทธิภาพโมเดล ML สำหรับ Snowball Edge Compute (SBE_C
).
- บนคอนโซล SageMaker ภายใต้ การอนุมาน ในบานหน้าต่างนำทาง ให้เลือก งานรวบรวม.
- Choose สร้างงานคอมไพล์.
- ตั้งชื่องานของคุณและสร้างหรือใช้บทบาทที่มีอยู่
หากคุณกำลังสร้างใหม่ AWS Identity และการจัดการการเข้าถึง บทบาท (IAM) ตรวจสอบให้แน่ใจว่า SageMaker มีสิทธิ์เข้าถึงบัคเก็ตที่บันทึกโมเดล
- ตัว Vortex Indicator ได้ถูกนำเสนอลงในนิตยสาร การกำหนดค่าอินพุต ส่วนสำหรับ ที่ตั้งของสิ่งประดิษฐ์แบบจำลอง, เข้าสู่เส้นทางสู่
model.tar.gz
ที่คุณบันทึกไฟล์ (ในกรณีนี้s3://feidemo/tfconnexmodel/connexmodel.tar.gz
). - สำหรับ การกำหนดค่าอินพุตข้อมูลให้ป้อนเลเยอร์อินพุตของโมเดล ML (ชื่อและรูปร่างของโมเดล) ในกรณีนี้จะเรียกว่า
keras_layer_input
และรูปร่างของมันคือ [1,224,224,3] ดังนั้นเราจึงเข้าไป{“keras_layer_input”:[1,224,224,3]}
.
- สำหรับ กรอบการเรียนรู้ของเครื่องเลือก ทีฟไลท์.
- สำหรับ อุปกรณ์เป้าหมายเลือก sbe_c.
- ทิ้ง ตัวเลือกคอมไพเลอร์
- สำหรับ ตำแหน่งเอาต์พุต S3ให้ป้อนตำแหน่งเดียวกับตำแหน่งที่โมเดลของคุณถูกบันทึกด้วยคำนำหน้า (โฟลเดอร์)
output
. ตัวอย่างเช่น เราป้อนs3://feidemo/tfconnexmodel/output
.
- Choose ส่ง เพื่อเริ่มงานการรวบรวม
ตอนนี้คุณสร้างแพ็คเกจการปรับใช้โมเดลที่จะใช้โดย Edge Manager
- บนคอนโซล SageMaker ภายใต้ ผู้จัดการขอบเลือก งานบรรจุภัณฑ์ขอบ.
- Choose สร้างงานบรรจุภัณฑ์ Edge.
- ตัว Vortex Indicator ได้ถูกนำเสนอลงในนิตยสาร คุณสมบัติงาน ให้กรอกรายละเอียดงาน
- ตัว Vortex Indicator ได้ถูกนำเสนอลงในนิตยสาร ที่มาของโมเดล ส่วนสำหรับ รวบรวมชื่องาน, ป้อนชื่อที่คุณระบุสำหรับงานรวบรวม Neo.
- Choose ถัดไป.
- ตัว Vortex Indicator ได้ถูกนำเสนอลงในนิตยสาร การกำหนดค่าเอาต์พุต ส่วนสำหรับ URI ที่เก็บข้อมูล S3ป้อนตำแหน่งที่คุณต้องการจัดเก็บแพ็คเกจใน Amazon S3
- สำหรับ ชื่อส่วนประกอบป้อนชื่อสำหรับองค์ประกอบ AWS IoT Greengrass ของคุณ
ขั้นตอนนี้จะสร้างส่วนประกอบโมเดล AWS IoT Greengrass ที่ดาวน์โหลดโมเดลจาก Amazon S3 และไม่บีบอัดไปยังพื้นที่จัดเก็บในเครื่องบน Snowball Edge
- สร้างกลุ่มอุปกรณ์เพื่อจัดการกลุ่มอุปกรณ์ ในกรณีนี้ มีเพียงเครื่องเดียว (SBE)
- สำหรับ บทบาท IAM¸ ป้อนบทบาทที่สร้างโดย AWS IoT Greengrass ก่อนหน้านี้ (–tes-role-name)
ตรวจสอบให้แน่ใจว่ามีสิทธิ์ที่จำเป็นโดยไปที่คอนโซล IAM ค้นหาบทบาท และเพิ่มนโยบายที่จำเป็นลงไป
- ลงทะเบียนอุปกรณ์ Snowball Edge ไปยังฟลีทที่คุณสร้างขึ้น
- ตัว Vortex Indicator ได้ถูกนำเสนอลงในนิตยสาร แหล่งที่มาของอุปกรณ์ ส่วน ให้ป้อนชื่ออุปกรณ์ ชื่อ IoT ต้องตรงกับชื่อที่คุณใช้ก่อนหน้านี้ ในกรณีนี้คือ ชื่อ MyGreengrassCore
คุณสามารถลงทะเบียนอุปกรณ์ Snowball เพิ่มเติมบนคอนโซล SageMaker เพื่อเพิ่มไปยังกลุ่มอุปกรณ์ ซึ่งช่วยให้คุณจัดกลุ่มและจัดการอุปกรณ์เหล่านี้ร่วมกันได้
ปรับใช้โมเดล ML กับ Snowball Edge โดยใช้ AWS IoT Greengrass
ในส่วนก่อนหน้านี้ คุณได้ปลดล็อกและกำหนดค่าอุปกรณ์ Snowball Edge ของคุณ ขณะนี้โมเดล ML ได้รับการคอมไพล์และปรับให้เหมาะสมกับประสิทธิภาพบน Snowball Edge แล้ว แพ็คเกจ Edge Manager ถูกสร้างขึ้นด้วยโมเดลที่คอมไพล์แล้ว และอุปกรณ์ Snowball ได้รับการลงทะเบียนกับฟลีทแล้ว ในส่วนนี้ คุณจะดูขั้นตอนที่เกี่ยวข้องในการปรับใช้โมเดล ML สำหรับการอนุมานไปยัง Snowball Edge ด้วย AWS IoT Greengrass ล่าสุด
ส่วนประกอบ
AWS IoT Greengrass ช่วยให้คุณสามารถปรับใช้กับอุปกรณ์ Edge โดยเป็นส่วนประกอบและสิ่งประดิษฐ์ที่เกี่ยวข้อง ส่วนประกอบคือเอกสาร JSON ที่มีข้อมูลเมตา วงจรชีวิต สิ่งที่ต้องปรับใช้เมื่อใด และสิ่งที่จะติดตั้ง คอมโพเนนต์ยังกำหนดระบบปฏิบัติการที่จะใช้และส่วนใดที่จะใช้เมื่อรันบนตัวเลือก OS ต่างๆ
ศิลปวัตถุ
สิ่งประดิษฐ์อาจเป็นไฟล์โค้ด โมเดล หรืออิมเมจคอนเทนเนอร์ ตัวอย่างเช่น สามารถกำหนดองค์ประกอบเพื่อติดตั้งไลบรารี Python ของแพนด้าและเรียกใช้ไฟล์โค้ดที่จะแปลงข้อมูล หรือเพื่อติดตั้งไลบรารี TensorFlow และเรียกใช้โมเดลสำหรับการอนุมาน ต่อไปนี้เป็นตัวอย่างสิ่งประดิษฐ์ที่จำเป็นสำหรับการปรับใช้แอปพลิเคชันการอนุมาน:
- gRPC proto และ Python stubs (อาจแตกต่างกันไปตามรุ่นและเฟรมเวิร์กของคุณ)
- รหัส Python เพื่อโหลดโมเดลและทำการอนุมาน
สองรายการนี้ถูกอัปโหลดไปยังบัคเก็ต S3
ปรับใช้ส่วนประกอบ
การปรับใช้ต้องการองค์ประกอบต่อไปนี้:
- เอเจนต์ Edge Manager (มีอยู่ในคอมโพเนนต์สาธารณะที่ GA)
- รุ่น
- การใช้งาน
ทำตามขั้นตอนต่อไปนี้เพื่อปรับใช้คอมโพเนนต์:
- บนคอนโซล AWS IoT ภายใต้ หญ้าสีเขียวเลือก ส่วนประกอบและสร้างองค์ประกอบแอปพลิเคชัน
- ค้นหาองค์ประกอบตัวแทน Edge Manager ในรายการส่วนประกอบสาธารณะและปรับใช้
- ปรับใช้องค์ประกอบรุ่นที่สร้างโดย Edge Manager ซึ่งใช้เป็นการพึ่งพาในองค์ประกอบแอปพลิเคชัน
- ปรับใช้องค์ประกอบแอปพลิเคชันกับอุปกรณ์ Edge โดยไปที่รายการการปรับใช้ AWS IoT Greengrass และสร้างการปรับใช้ใหม่
หากคุณมีการปรับใช้อยู่แล้ว คุณสามารถแก้ไขเพื่อเพิ่มองค์ประกอบของแอปพลิเคชันได้
ตอนนี้คุณสามารถทดสอบส่วนประกอบของคุณ
- ในโค้ดการคาดคะเนหรือการอนุมานของคุณที่ปรับใช้กับองค์ประกอบของแอปพลิเคชัน ให้โค้ดในลอจิกเพื่อเข้าถึงไฟล์ภายในอุปกรณ์ Snowball Edge (เช่น ในโฟลเดอร์ขาเข้า) และให้ย้ายการคาดคะเนหรือไฟล์ที่ประมวลผลไปยังโฟลเดอร์ที่ประมวลผลแล้ว
- ลงชื่อเข้าใช้อุปกรณ์เพื่อดูว่ามีการทำนายหรือไม่
- ตั้งค่าโค้ดให้ทำงานแบบวนซ้ำ ตรวจสอบโฟลเดอร์ขาเข้าสำหรับไฟล์ใหม่ ประมวลผลไฟล์ และย้ายไปยังโฟลเดอร์ที่ประมวลผล
ภาพหน้าจอต่อไปนี้เป็นตัวอย่างการตั้งค่าไฟล์ก่อนนำไปใช้งานภายใน Snowball Edge
หลังจากการปรับใช้ รูปภาพทดสอบทั้งหมดมีคลาสที่น่าสนใจ ดังนั้นจะถูกย้ายไปยังโฟลเดอร์ที่ประมวลผล
ทำความสะอาด
หากต้องการล้างข้อมูลทั้งหมดหรือนำโซลูชันนี้ไปใช้ใหม่ตั้งแต่ต้น ให้หยุดอินสแตนซ์ EC2 ทั้งหมดโดยเรียกใช้ TerminateInstance
API เทียบกับปลายทางที่เข้ากันได้กับ EC2 ที่ทำงานบนอุปกรณ์ Snowball Edge ของคุณ ในการส่งคืนอุปกรณ์ Snowball Edge ของคุณ โปรดดูที่ การปิดขอบสโนว์บอล และ การส่งคืนอุปกรณ์ Snowball Edge.
สรุป
โพสต์นี้จะอธิบายวิธีการสั่งซื้ออุปกรณ์ Snowball Edge ด้วย AMI ที่คุณเลือก จากนั้นคุณรวบรวมโมเดลสำหรับ Edge โดยใช้ SageMaker แพ็กเกจโมเดลนั้นโดยใช้ Edge Manager และสร้างและเรียกใช้ส่วนประกอบด้วยสิ่งประดิษฐ์เพื่อทำการอนุมาน ML บน Snowball Edge โดยใช้ AWS IoT Greengrass ล่าสุด ด้วย Edge Manager คุณสามารถปรับใช้และอัปเดตโมเดล ML ของคุณในกลุ่มอุปกรณ์ Snowball Edge และตรวจสอบประสิทธิภาพที่ Edge ด้วยข้อมูลอินพุตและการทำนายที่บันทึกไว้ใน Amazon S3 คุณยังสามารถเรียกใช้ส่วนประกอบเหล่านี้เป็นแบบระยะยาวได้อีกด้วย AWS แลมบ์ดา ฟังก์ชันที่สามารถหมุนโมเดลและรอให้ข้อมูลทำการอนุมานได้
คุณรวมคุณสมบัติหลายอย่างของ AWS IoT Greengrass เพื่อสร้างไคลเอ็นต์ MQTT และใช้โมเดล pub/sub เพื่อเรียกใช้บริการหรือไมโครเซอร์วิสอื่นๆ ความเป็นไปได้ไม่มีที่สิ้นสุด
ด้วยการเรียกใช้การอนุมาน ML บน Snowball Edge ด้วย Edge Manager และ AWS IoT Greengrass คุณสามารถเพิ่มประสิทธิภาพ รักษาความปลอดภัย ตรวจสอบ และบำรุงรักษาโมเดล ML ในกลุ่มอุปกรณ์ Snowball Edge ได้ ขอบคุณสำหรับการอ่านและโปรดอย่าลังเลที่จะทิ้งคำถามหรือความคิดเห็นในส่วนความคิดเห็น
หากต้องการเรียนรู้เพิ่มเติมเกี่ยวกับ AWS Snow Family, AWS IoT Greengrass และ Edge Manager โปรดดูสิ่งต่อไปนี้:
เกี่ยวกับผู้เขียน
ราช กดิยะลา เป็นผู้จัดการฝ่ายพัฒนาธุรกิจเทคโนโลยี AI/ML ในองค์กรคู่ค้า AWS WWPS Raj มีประสบการณ์มากกว่า 12 ปีในด้าน Machine Learning และชอบใช้เวลาว่างในการสำรวจแมชชีนเลิร์นนิงเพื่อแก้ปัญหาในทางปฏิบัติในทุกๆ วัน และใช้ชีวิตอย่างกระฉับกระเฉงในที่โล่งแจ้งของโคโลราโด
นิดา เบก เป็น Sr. Product Manager – Tech ที่ Amazon Web Services ซึ่งเธอทำงานในทีม AWS Snow Family เธอหลงใหลในการทำความเข้าใจความต้องการของลูกค้า และใช้เทคโนโลยีเป็นตัวนำของความคิดที่เปลี่ยนแปลงเพื่อส่งมอบสินค้าอุปโภคบริโภค นอกจากงานแล้ว เธอสนุกกับการเดินทาง เดินป่า และวิ่ง
- 100
- 9
- เข้า
- ลงชื่อเข้าใช้
- คล่องแคล่ว
- เพิ่มเติม
- ทั้งหมด
- อเมซอน
- Amazon EC2
- อเมซอน SageMaker
- Amazon Web Services
- API
- การใช้งาน
- การใช้งาน
- AWS
- ธุรกิจ
- การตรวจสอบ
- การจัดหมวดหมู่
- รหัส
- โคโลราโด
- ความคิดเห็น
- ส่วนประกอบ
- คำนวณ
- ตัวนำ
- การเชื่อมต่อ
- ผู้บริโภค
- สินค้าอุปโภคบริโภค
- ภาชนะ
- ภาชนะบรรจุ
- การสร้าง
- ล่องเรือ
- ข้อมูล
- วัน
- พัฒนาการ
- อุปกรณ์
- เอกสาร
- ขอบ
- ประสบการณ์
- การจดจำใบหน้า
- โรงงาน
- ครอบครัว
- คุณสมบัติ
- ชื่อจริง
- FLEET
- ชั้น
- กรอบ
- ฟรี
- ยิ่งใหญ่
- กลางแจ้งที่ดี
- บัญชีกลุ่ม
- โปรดคลิกที่นี่เพื่ออ่านรายละเอียดเพิ่มเติม
- การธุดงค์
- สรุป ความน่าเชื่อถือของ Olymp Trade?
- ทำอย่างไร
- HTTPS
- AMI
- เอกลักษณ์
- ภาพ
- อุตสาหกรรม
- ข้อมูล
- อยากเรียนรู้
- ร่วมมือ
- IOT
- IT
- ชวา
- การสัมภาษณ์
- ล่าสุด
- เรียนรู้
- การเรียนรู้
- ห้องสมุด
- ถูก จำกัด
- รายการ
- โหลด
- ในประเทศ
- ในท้องถิ่น
- ที่ตั้ง
- เรียนรู้เครื่อง
- การจับคู่
- ML
- แบบ
- การตรวจสอบ
- การเดินเรือ
- NEO
- เครือข่าย
- น้ำมัน
- การดำเนินงาน
- ระบบปฏิบัติการ
- ตัวเลือกเสริม (Option)
- Options
- ใบสั่ง
- อื่นๆ
- กลางแจ้ง
- บรรจุภัณฑ์
- หุ้นส่วน
- คน
- การปฏิบัติ
- นโยบาย
- คำทำนาย
- การคาดการณ์
- ผลิตภัณฑ์
- การผลิต
- ผลิตภัณฑ์
- สาธารณะ
- หลาม
- ไฟฉาย
- คุณภาพ
- พิสัย
- การอ่าน
- ลด
- ความต้องการ
- วิ่ง
- วิ่ง
- sagemaker
- บริการ
- ชุด
- การส่งสินค้า
- เรือ
- ง่าย
- หิมะ
- So
- โซลูชัน
- ใช้จ่าย
- สปิน
- เริ่มต้น
- ข้อความที่เริ่ม
- การเก็บรักษา
- จัดเก็บ
- การเฝ้าระวัง
- ระบบ
- เทคโนโลยี
- เทคโนโลยี
- tensorflow
- ทดสอบ
- คิด
- เวลา
- บันทึก
- รอ
- เว็บ
- บริการเว็บ
- งาน
- โรงงาน
- ปี