Close

Configurer le modèle préformé AWS SageMaker

Portrait de Warren Marusiak
Warren Marusiak

Senior Technical Evangelist

Pour montrer comment développer, déployer et gérer des applications à l'aide de Jira Software et de divers outils connectés, notre équipe a créé ImageLabeller, une application de démo simple basée sur AWS qui utilise l'apprentissage machine pour appliquer des étiquettes à des images.

Cette page explique comment configurer un modèle prédéfini AWS SageMaker, une condition préalable au traitement des images par ImageLabeller. Avant de commencer, nous vous recommandons de lire la page consacrée à l'architecture ImageLabeller pour plus de contexte.


Connectez-vous à la console AWS et accédez à Amazon SageMaker.

Capture d'écran de la console AWS

Accédez à Amazon SageMaker Studio.

Capture d'écran d'Amazon SageMaker Studio

Choisissez Quick start > Execution role> Create an IAM role (Démarrage rapide > Rôle d'exécution > Créer un rôle IAM).

Capture d'écran de l'aide au démarrage (Quickstart)

Cliquez sur Create role (Créer un rôle), puis sur Submit (Envoyer).

Capture d'écran montrant la création d'un rôle IAM

La configuration de SageMaker prendra un certain temps. Une fois l'opération terminée, cliquez sur Open Studio (Ouvrir le studio).

Capture d'écran montrant la post-configuration

Cliquez sur Go to SageMaker JumpStart (Accéder SageMaker JumpStart).

Capture d'écran montrant SageMaker JumpStart

Recherchez l'option Inception V3 et cliquez dessus.

Capture d'écran montrant des modèles de vision

Définissez le champ Machine Type (Type de machine) sur ml.m5.large, remplacez la valeur du champ Endpoint Name (Nom du point de terminaison) par un nom plus lisible, comme « image-labeller-endpoint », puis cliquez sur Deploy (Déployer).

Capture d'écran de la fenêtre « Deploy Model » (Déployer un modèle)

AWS SageMaker commencera à déployer le modèle.

Capture d'écran montrant le début du déploiement

Cliquez sur Open Notebook (Ouvrir le bloc-notes) une fois le déploiement terminé.

Capture d'écran d'état du point de terminaison

Exécutez les trois blocs de code du bloc-notes afin de vérifier que tout fonctionne. Indiquez la valeur endpoint_name dans query_endpoint.Vous devez l'ajouter, ainsi que la région dans laquelle se trouve votre bloc-notes AWS SageMaker dans InvokeLabeller AWS Lambda.

Pour en savoir plus sur l'utilisation des blocs-notes Jupyter, veuillez lire la documentation.

Capture d'écran de requête de point de terminaison

Ouvrez le fichier src/application.py d'InvokeLabeller et recherchez query_endpoint. Changez le nom du point de terminaison (endpoint_name) et le nom de la région (region_name) du client pour qu'ils correspondent à votre bloc-notes AWS SageMaker.

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

La configuration de SageMaker étant terminée, l'étape suivante consiste à déployer ImageLabeller avec Bitbucket, GitHub ou GitLab.

Warren Marusiak
Warren Marusiak

Warren is a Canadian developer from Vancouver, BC with over 10 years of experience. He came to Atlassian from AWS in January of 2021.


Partager cet article

Lectures recommandées

Ajoutez ces ressources à vos favoris pour en savoir plus sur les types d'équipes DevOps, ou pour les mises à jour continues de DevOps chez Atlassian.

Illustration DevOps

Communauté DevOps

Illustration DevOps

Parcours de formation DevOps

Illustration d'une carte

Essayez la solution gratuitement

Inscrivez-vous à notre newsletter DevOps

Thank you for signing up