Stel het vooraf getrainde model van AWS SageMaker in

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 Studio openen.

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.

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

Nu de configuratie van SageMaker is voltooid, is de volgende stap het implementeren van ImageLabeller met Bitbucket, GitHub of GitLab.