Configurar el modelo previamente entrenado de AWS SageMaker

Inicia sesión en la consola de AWS y navega hasta Amazon SageMaker.

Ve a Amazon SageMaker Studio.

Elige Inicio rápido > Rol de ejecución > Crear un rol de IAM.

Haz clic en Crear rol. Luego haz clic en Enviar.

SageMaker tardará un tiempo en configurarse. Cuando esté listo, haz clic en AbrirStudio.

Haz clic en Go to SageMaker JumpStart (Ir a SageMaker JumpStart).

Busca y haz clic en Inception V3.

Cambia el Machine Type (Tipo de máquina) a ml.m5.large, cambia el Endpoint Name (Nombre del endpoint) por algo más legible, como "image-labeller-endpoint" y haz clic en Deploy (Implementar).

AWS SageMaker empezará a implementar el modelo.

Haz clic en Open Notebook (Abrir bloc de notas) cuando finalice la implementación.

Ejecuta los tres bloques de código del bloc de notas para comprobar que todo funciona. Anota el nombre del endpoint en query_endpoint. Tienes que añadir esto y la región en la que se encuentra tu bloc de notas de AWS SageMaker en la AWS Lambda de InvokeLabeller.

Para obtener información sobre cómo utilizar los blocs de notas Jupyter, consulta la documentación.

Abre el archivo src/app.py de InvokeLabeller y busca query_endpoint. Cambia el endpoint_name y el region_name del cliente para que coincidan con tu bloc de notas de AWS SageMaker.

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

Una vez completada la configuración de SageMaker, el siguiente paso es implementar ImageLabeller en Bitbucket, GitHub o GitLab.