Configure o modelo pré-treinado do AWS SageMaker

Entre no AWS Console e navegue até o Amazon SageMaker.

Acesse o Amazon SageMaker Studio.

Escolha Início rápido > Função de execução > Criar uma função do IAM.

Clique em Criar função. Em seguida, clique em Enviar.

A configuração do SageMaker vai demorar um pouco. Quando estiver pronto, clique em AbrirStudio.

Clique em Ir para o SageMake JumpStart.

Localize e clique em Inception V3.

Altere o Tipo de Máquina para ml.m5.large, altere o Nome do Endpoint para algo mais legível, como “image-labeller-endpoint” e clique em Implementar.

O AWS SageMaker vai começar a implementar o modelo.

Clique em Abrir Notebook quando a implementação estiver concluída.

Execute todos os três blocos de código do notebook para verificar se as coisas estão funcionando. Anote o endpoint_name em query_endpoint. Você precisa adicionar isso e a região em que seu notebook AWS SageMaker está no InvokeLabeller AWS Lambda.

Para obter informações sobre como usar os notebooks Jupyter, leia a documentação.

Abra o arquivo src/app.py do InvokeLabeller e procure por query_endpoint. altere o endpoint_name e o region_name do cliente para que correspondam ao seu notebook 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

Com a configuração do SageMaker concluída, a próxima etapa é implementar o ImageLabeller com Bitbucket, GitHub ou GitLab.