AWS SageMaker 사전 트레이닝된 모델 설정

AWS Console에 로그인하여 Amazon SageMaker로 이동합니다.

Amazon SageMaker Studio로 이동합니다.

빠른 시작 > 역할 실행 > IAM 역할 만들기를 선택합니다.

역할 만들기를 클릭합니다. 그런 다음 제출을 클릭합니다.

SageMaker는 설치하는 데 시간이 오래 걸립니다. 준비되었으면 Studio열기를 클릭합니다.

SageMake JumpStart로 이동을 클릭합니다.

Inception V3를 찾아서 클릭합니다.

머신 유형을 ml.m5.large로 변경하고 엔드포인트 이름을 “image-labeller-endpoint”와 같이 읽기 쉬운 이름으로 변경하고 배포를 클릭합니다.

AWS SageMaker에서 모델 배포가 시작됩니다.

배포가 끝나면 노트북 열기를 클릭합니다.

노트북 코드 블록 세 개를 모두 실행하여 제대로 작동하는지 확인합니다. query_endpoint에 endpoint_name을 적어 두세요.이것을 추가하고 AWS SageMaker 노트북이 있는 리전을 InvokeLabeller AWS Lambda에 추가해야 합니다.

Jupyter 노트북 사용 방법에 대한 정보는 설명서를 읽어보세요.

InvokeLabeller의 src/app.py 파일을 열고 query_endpoint를 찾습니다. endpoint_name 및 클라이언트 region_name을 AWS SageMaker 노트북과 일치하도록 변경합니다.

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

SageMaker 구성이 완료되면 다음 단계는 Bitbucket, GitHub 또는 GitLab으로 ImageLabeller를 배포하는 것입니다.