Articoli
Tutorial
Guide interattive
Configurazione del modello pre-addestrato AWS SageMaker
![Primo piano di Warren Marusiak](https://wac-cdn.atlassian.com/dam/jcr:7509aefb-43e8-401d-90fe-0850cbe6bb13/wmarusiak_headshot%20(1).png?cdnVersion=2563)
Warren Marusiak
Senior Technical Evangelist
Per fornire una dimostrazione di come sviluppare, distribuire e gestire applicazioni utilizzando Jira Software e vari strumenti connessi, il nostro team ha creato ImageLabeller, una semplice applicazione demo basata su AWS che utilizza l'apprendimento automatico per applicare etichette alle immagini.
In questa pagina viene spiegato come configurare un modello predefinito AWS SageMaker, un prerequisito per la corretta elaborazione delle immagini in ImageLabeller. Prima di iniziare, ti consigliamo di leggere la pagina sull'architettura di ImageLabeller per contestualizzare i contenuti.
Accedi alla console AWS e passa ad Amazon SageMaker.
![Screenshot della console AWS](https://wac-cdn.atlassian.com/dam/jcr:312699b3-a880-49f6-a54b-655fd849a1b3/AWS_console.png?cdnVersion=2563)
Passa ad Amazon SageMaker Studio.
![Screenshot di Amazon SageMaker Studio](https://wac-cdn.atlassian.com/dam/jcr:36e40d90-7538-45b9-a5d7-d7b0018a19c6/Amazon_SageMaker_Studio.png?cdnVersion=2563)
Scegli Quick start > Execution role > Create an IAM role (Avvio rapido > Ruolo esecuzione > Crea un ruolo IAM).
![Screenshot dell'avvio rapido](https://wac-cdn.atlassian.com/dam/jcr:a7890497-0970-4cfd-a075-67fa87561bfa/Quick_start_and_click_Execution_role_dropdown.png?cdnVersion=2563)
Clicca su Create role (Crea ruolo), quindi clicca su Submit (Invia).
![Screenshot della creazione di un ruolo IAM](https://wac-cdn.atlassian.com/dam/jcr:2c84d98f-87e8-474c-aafd-6d8d89187d6f/Click_Create_role.png?cdnVersion=2563)
La configurazione di SageMaker richiederà del tempo. Al termine, clicca su Open Studio (Apri Studio).
![Screenshot della schermata successiva alla configurazione](https://wac-cdn.atlassian.com/dam/jcr:97cef6bc-4800-4384-8286-d5f6880b7ca3/After_setup__click_Open_Studio.png?cdnVersion=2563)
Clicca su Go to SageMaker JumpStart (Vai a SageMake JumpStart).
![Screenshot di SageMaker JumpStart](https://wac-cdn.atlassian.com/dam/jcr:9ff55612-7e77-4e9b-b8dd-f5ca7ae40c50/sagemaker.png?cdnVersion=2563)
Individua l'opzione Inception V3 e clicca su di essa.
![Screenshot dei modelli di visione](https://wac-cdn.atlassian.com/dam/jcr:bb0efbb6-c394-4160-8157-9c70f7663c4a/sagemaker_inception_v3.png?cdnVersion=2563)
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).
![Screenshot del modello di distribuzione](https://wac-cdn.atlassian.com/dam/jcr:79d0ee62-44c2-4e3f-98e4-c00ec4e2c738/Change_the_Endpoint_Name_and_click_Deploy.png?cdnVersion=2563)
AWS SageMaker avvierà la distribuzione del modello.
![Screenshot dell'avvio della distribuzione](https://wac-cdn.atlassian.com/dam/jcr:af1d17d2-65a1-4697-b091-a4d57059f522/SageMaker_starts_to_deploy.png?cdnVersion=2563)
Clicca su Open Notebook (Apri notebook) al termine della distribuzione.
![Screenshot dello stato dell'endpoint](https://wac-cdn.atlassian.com/dam/jcr:fe9c84ce-6473-4b62-85ff-dcd875d4c4b4/Click_Open_Notebook.png?cdnVersion=2563)
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.
![Screenshot dell'endpoint di query](https://wac-cdn.atlassian.com/dam/jcr:fda5d373-1eea-44d6-9853-f297f5150b5c/Query_endpoint_that_you_created.png?cdnVersion=2563)
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.
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
Condividi l'articolo
Argomento successivo
Letture consigliate
Aggiungi ai preferiti queste risorse per ricevere informazioni sui tipi di team DevOps e aggiornamenti continui su DevOps in Atlassian.
![Illustrazione su Devops](https://wac-cdn.atlassian.com/dam/jcr:bd9d8b2c-ca36-444f-8595-719cb1990e64/Devops-community.png?cdnVersion=2563)
Community DevOps
![Illustrazione su Devops](https://wac-cdn.atlassian.com/dam/jcr:297108ea-d232-4368-af51-b53af230c4fe/Simulation-workshop.png?cdnVersion=2563)
Percorso di apprendimento DevOps
![Illustrazione di una mappa](https://wac-cdn.atlassian.com/dam/jcr:25f6330a-4191-408f-a4e5-2e24bfba67b4/Maturity-model.png?cdnVersion=2563)