Ein Leitfaden für den Einsatz von YOLOv8 auf Amazon SageMaker-Endpunkten

Der Einsatz fortschrittlicher Computer-Vision-Modelle wie Ultralytics' YOLOv8 auf Amazon SageMaker Endpunkten eröffnet eine Vielzahl von Möglichkeiten für verschiedene Machine-Learning-Anwendungen. Der Schlüssel zur effektiven Nutzung dieser Modelle liegt im Verständnis ihrer Einrichtung, Konfiguration und Bereitstellung. YOLOv8 wird noch leistungsfähiger, wenn es nahtlos in Amazon SageMaker integriert wird, einem robusten und skalierbaren Service für maschinelles Lernen von AWS.

Dieser Leitfaden führt dich Schritt für Schritt durch den Einsatz von YOLOv8 PyTorch Modellen auf Amazon SageMaker Endpoints. Du lernst, wie du deine AWS-Umgebung vorbereitest, das Modell richtig konfigurierst und Tools wie AWS CloudFormation und das AWS Cloud Development Kit (CDK) für den Einsatz verwendest.

Amazon SageMaker

Amazon SageMaker ist ein Service für maschinelles Lernen von Amazon Web Services (AWS), der das Erstellen, Trainieren und Bereitstellen von Modellen für maschinelles Lernen vereinfacht. Er bietet eine breite Palette von Tools für verschiedene Aspekte von Machine Learning Workflows. Dazu gehören automatisierte Funktionen für das Tuning von Modellen, Optionen für das Training von Modellen in großem Umfang und einfache Methoden für den Einsatz von Modellen in der Produktion. SageMaker unterstützt gängige Frameworks für maschinelles Lernen und bietet so die nötige Flexibilität für unterschiedliche Projekte. Die Funktionen umfassen auch die Datenbeschriftung, das Workflow-Management und die Leistungsanalyse.

Einsatz von YOLOv8 auf Amazon SageMaker Endpunkten

Wenn du YOLOv8 auf Amazon SageMaker einsetzt, kannst du die verwaltete Umgebung für Echtzeit-Inferenzen nutzen und von Funktionen wie der automatischen Skalierung profitieren. Wirf einen Blick auf die AWS-Architektur unten.

Schritt 1: Einrichten deiner AWS-Umgebung

Zuerst musst du sicherstellen, dass du die folgenden Voraussetzungen erfüllst:

• Ein AWS-Konto: Wenn du noch keins hast, melde dich für ein AWS-Konto an.

• Konfigurierte IAM-Rollen: Du brauchst eine IAM-Rolle mit den erforderlichen Berechtigungen für Amazon SageMaker, AWS CloudFormation und Amazon S3. Diese Rolle sollte über Richtlinien verfügen, die ihr den Zugriff auf diese Dienste erlauben.

• AWS CLI: Falls noch nicht installiert, lade die AWS-Befehlszeilenschnittstelle (CLI) herunter, installiere sie und konfiguriere sie mit deinen Kontodaten. Befolge für die Installation die Anweisungen von AWS CLI .

• AWS CDK: Falls noch nicht installiert, installiere das AWS Cloud Development Kit (CDK), das für das Skripting der Bereitstellung verwendet wird. Befolge die Anweisungen für die Installation des AWS CDK.

• Angemessene Service-Quote: Bestätigen Sie, dass Sie über ausreichende Quoten für zwei separate Ressourcen in Amazon SageMaker verfügen: eine für ml.m5.4xlarge für die Endpunktnutzung und eine weitere für ml.m5.4xlarge für die Nutzung von Notebook-Instanzen. Für jede dieser Kategorien ist mindestens ein Quotenwert erforderlich. Wenn deine aktuellen Quoten unter dieser Anforderung liegen, ist es wichtig, dass du eine Erhöhung für jede einzelne beantragst. Du kannst eine Quotenerhöhung beantragen, indem du die detaillierten Anweisungen in der AWS Service Quotas Dokumentation.

Schritt 2: Klone das YOLOv8 SageMaker Repository

Im nächsten Schritt klonst du das spezielle AWS-Repository, das die Ressourcen für den Einsatz von YOLOv8 auf SageMaker enthält. Dieses Repository, das auf GitHub gehostet wird, enthält die notwendigen CDK-Skripte und Konfigurationsdateien.

• Klone das GitHub-Repository: Führe den folgenden Befehl in deinem Terminal aus, um das host-yolov8-on-sagemaker-endpoint Repository zu klonen:

git clone https://github.com/aws-samples/host-yolov8-on-sagemaker-endpoint.git

• Navigiere zu dem geklonten Verzeichnis: Wechsle dein Verzeichnis in das geklonte Repository:

cd host-yolov8-on-sagemaker-endpoint/yolov8-pytorch-cdk

Schritt 3: Einrichten der CDK-Umgebung

Jetzt, wo du den nötigen Code hast, richtest du deine Umgebung für die Bereitstellung mit AWS CDK ein.

• Erstelle eine Python Virtuelle Umgebung: Damit isolierst du deine Python Umgebung und Abhängigkeiten. Ausführen:

python3 -m venv .venv

• Aktiviere die virtuelle Umgebung:

source .venv/bin/activate

• Abhängigkeiten installieren: Installiere die erforderlichen Python Abhängigkeiten für das Projekt:

pip3 install -r requirements.txt

• Aktualisiere die AWS CDK-Bibliothek: Stelle sicher, dass du die neueste Version der AWS CDK-Bibliothek hast:

pip install --upgrade aws-cdk-lib

Schritt 4: Erstelle den AWS CloudFormation Stack

• Synthetisiere die CDK-Anwendung: Erstelle die AWS CloudFormation-Vorlage aus deinem CDK-Code:

cdk synth

• Bootstrap der CDK-Anwendung: Bereite deine AWS-Umgebung für die CDK-Bereitstellung vor:

cdk bootstrap

• Stelle den Stack bereit: Damit werden die erforderlichen AWS-Ressourcen erstellt und dein Modell bereitgestellt:

cdk deploy

Schritt 5: Einsetzen des YOLOv8 Modells

Bevor du dich in die Einrichtungsanleitung vertiefst, solltest du dir die verschiedenen YOLOv8 Modelle ansehen, die von Ultralytics angeboten werden. Das wird dir helfen, das am besten geeignete Modell für deine Projektanforderungen auszuwählen.

Nachdem du den AWS CloudFormation Stack erstellt hast, ist der nächste Schritt die Bereitstellung von YOLOv8.

• Öffne die Notebook-Instanz: Rufe die AWS-Konsole auf und navigiere zum Amazon SageMaker Service. Wähle "Notebook Instances" aus dem Dashboard und suche dann die Notebook Instance, die von deinem CDK Deployment Script erstellt wurde. Öffne die Notebook-Instanz, um auf die Jupyter-Umgebung zuzugreifen.

• Öffne und ändere inference.py: Nachdem du die SageMaker-Notebook-Instanz in Jupyter geöffnet hast, suche die Datei inference.py. Bearbeite die Funktion output_fn in inference.py wie unten gezeigt und speichere deine Änderungen im Skript, um sicherzustellen, dass es keine Syntaxfehler gibt.

import json

def output_fn(prediction_output, content_type):
    """Formats model outputs as JSON string according to content_type, extracting attributes like boxes, masks, keypoints."""
    print("Executing output_fn from inference.py ...")
    infer = {}
    for result in prediction_output:
        if result.boxes is not None:
            infer['boxes'] = result.boxes.numpy().data.tolist()
        if result.masks is not None:
            infer['masks'] = result.masks.numpy().data.tolist()
        if result.keypoints is not None:
            infer['keypoints'] = result.keypoints.numpy().data.tolist()
        if result.obb is not None:
            infer['obb'] = result.obb.numpy().data.tolist()
        if result.probs is not None:
            infer['probs'] = result.probs.numpy().data.tolist()
    return json.dumps(infer)

• Stelle den Endpunkt mit 1_DeployEndpoint.ipynb bereit: Öffne in der Jupyter-Umgebung das Notizbuch 1_DeployEndpoint.ipynb, das sich im Verzeichnis sm-notebook befindet. Befolge die Anweisungen im Notizbuch und führe die Zellen aus, um das YOLOv8 Modell herunterzuladen, es mit dem aktualisierten Inferenzcode zu verpacken und es in einen Amazon S3 Bucket hochzuladen. Das Notizbuch führt dich durch die Erstellung und den Einsatz eines SageMaker-Endpunkts für das Modell YOLOv8 .

Schritt 6: Testen deines Einsatzes

Jetzt, wo dein YOLOv8 Modell im Einsatz ist, ist es wichtig, seine Leistung und Funktionalität zu testen.

• Öffne das Test Notebook: Suche in derselben Jupyter-Umgebung das Notizbuch 2_TestEndpoint.ipynb, das sich ebenfalls im Verzeichnis sm-notebook befindet, und öffne es.

• Führe das Test Notebook aus: Befolge die Anweisungen im Notizbuch, um den eingesetzten SageMaker-Endpunkt zu testen. Dazu sendest du ein Bild an den Endpunkt und führst Schlussfolgerungen durch. Anschließend stellst du die Ergebnisse dar, um die Leistung und Genauigkeit des Modells zu visualisieren (siehe unten).

• Ressourcen zum Aufräumen: Das Testnotizbuch führt dich auch durch den Prozess des Aufräumens des Endpunkts und des gehosteten Modells. Dies ist ein wichtiger Schritt, um Kosten und Ressourcen effektiv zu verwalten, vor allem, wenn du nicht vorhast, das bereitgestellte Modell sofort zu nutzen.

Schritt 7: Überwachung und Management

Nach der Erprobung ist eine kontinuierliche Überwachung und Verwaltung deines eingesetzten Modells unerlässlich.

• Überwache mit Amazon CloudWatch: Überprüfe regelmäßig die Leistung und den Zustand deines SageMaker-Endpunkts mit Amazon CloudWatch.

• Verwalte den Endpunkt: Verwende die SageMaker-Konsole für die laufende Verwaltung des Endpunkts. Dazu gehört das Skalieren, Aktualisieren oder Umstellen des Modells nach Bedarf.

Wenn du diese Schritte abgeschlossen hast, hast du erfolgreich ein YOLOv8 Modell auf Amazon SageMaker Endpoints eingesetzt und getestet. Dieser Prozess vermittelt dir nicht nur praktische Erfahrung in der Nutzung von AWS-Diensten für den Einsatz von maschinellem Lernen, sondern legt auch den Grundstein für den Einsatz anderer fortgeschrittener Modelle in der Zukunft.

Zusammenfassung

Dieser Leitfaden führt dich Schritt für Schritt durch den Einsatz von YOLOv8 auf Amazon SageMaker Endpoints mit AWS CloudFormation und dem AWS Cloud Development Kit (CDK). Der Prozess umfasst das Klonen des erforderlichen GitHub-Repositorys, das Einrichten der CDK-Umgebung, den Einsatz des Modells mithilfe der AWS-Services und das Testen seiner Leistung auf SageMaker.

Weitere technische Details findest du in diesem Artikel auf dem AWS Machine Learning Blog. Du kannst auch die offizielle Amazon SageMaker-Dokumentation lesen, um mehr über die verschiedenen Funktionen und Merkmale zu erfahren.

Bist du daran interessiert, mehr über die verschiedenen YOLOv8 Integrationen zu erfahren? Besuche den Ultralytics Integrationsleitfaden, um weitere Tools und Funktionen zu entdecken, die deine Machine-Learning-Projekte verbessern können.

Kommentare