Artikelen
Tutorials
Interactieve handleidingen
Stel het vooraf getrainde model van AWS SageMaker in
.png?cdnVersion=1568)
Warren Marusiak
Senior Technical Evangelist
Om te demonstreren hoe je toepassingen ontwikkelt, implementeert en beheert met behulp van Jira Software en verschillende bijbehorende tools, heeft ons team ImageLabeller aangemaakt, een eenvoudige demotoepassing gebouwd op AWS die gebruikmaakt van machine learning om labels op afbeeldingen aan te brengen.
Op deze pagina wordt beschreven hoe je een vooraf gedefinieerd AWS SageMaker-model instelt, een vereiste voor ImageLabeller om afbeeldingen succesvol te verwerken. We raden je aan om voordat je begint de pagina ImageLabeller-architectuur te lezen voor meer context.
Meld je aan bij de AWS-console en navigeer naar Amazon SageMaker.
Ga naar Amazon SageMaker Studio.
Kies Snelstart > Uitvoeringsrol> Een IAM-rol aanmaken.
Klik op Rol aanmaken. Klik vervolgens op Verzenden.
De installatie van SageMaker zal even duren. Als het klaar is, klik dan op Open Studio.
Klik op Ga naar SageMaker JumpStart.
Zoek Inception V3 en klik erop.
Verander het machinetype naar ml.m5.large, verander de eindpuntnaam in iets leesbaarders, zoals 'image-labeller-endpoint', en klik op Implementeren.
AWS SageMaker begint dan met het implementeren van het model.
Klik op Notebook openen als de implementatie is voltooid.
Voer alle drie codeblokken van de notebook uit om te controleren of alles werkt. Noteer de endpoint_name in query_endpoint. Je moet dit, en de regio waarin je AWS SageMaker-notebook zich bevindt, toevoegen in de InvokeLabeller AWS Lambda.
Lees de documentatie voor informatie over het gebruik van Jupyter-notebooks.
Open het bestand src/app.py van InvokeLabeller en zoek naar query_endpoint. Wijzig de endpoint_name en de region_name van de client zodat ze overeenkomen met je AWS SageMaker-notebook.
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.png?cdnVersion=1568)
Deel dit artikel
Volgend onderwerp
Aanbevolen artikelen
Bookmark deze resources voor meer informatie over soorten DevOps-teams of voor voortdurende updates over DevOps bij Atlassian.
DevOps-community
DevOps-leertraject
