Configurazione del modello pre-addestrato AWS SageMaker

Accedi alla console AWS e passa ad Amazon SageMaker.

Passa ad Amazon SageMaker Studio.

Scegli Quick start > Execution role > Create an IAM role (Avvio rapido > Ruolo esecuzione > Crea un ruolo IAM).

Clicca su Create role (Crea ruolo), quindi clicca su Submit (Invia).

La configurazione di SageMaker richiederà del tempo. Al termine, clicca su OpenStudio (Apri Studio).

Clicca su Go to SageMaker JumpStart (Vai a SageMake JumpStart).

Individua l'opzione Inception V3 e clicca su di essa.

Imposta Machine Type (Tipo di macchina) su ml.m5.large, modifica Endpoint Name (Nome endpoint) utilizzando un nome più leggibile come "endpoint-image-labeller" e clicca su Deploy (Distribuisci).

AWS SageMaker avvierà la distribuzione del modello.

Clicca su Open Notebook (Apri notebook) al termine della distribuzione.

Esegui tutti e tre i blocchi di codice del notebook per verificarne il corretto funzionamento. Prendi nota dell'endpoint_name in query_endpoint. Dovrai aggiungerlo all'AWS Lambda InvokeLabeller, unitamente alla regione in cui si trova il notebook AWS SageMaker.

Per informazioni su come utilizzare i notebook Jupyter, leggi la documentazione.

Apri il file src/app.py di InvokeLabeller e cerca query_endpoint. Modifica la voce endpoint_name e la voce region_name del client in modo che corrispondano al notebook AWS SageMaker utilizzato.

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

Al termine della configurazione di SageMaker, il passaggio successivo prevede la distribuzione di ImageLabeller con Bitbucket, GitHub o GitLab.