Guide de déploiement de YOLO26 sur les points de terminaison Amazon SageMaker#

Le déploiement de modèles avancés de vision par ordinateur comme YOLO26 d’Ultralytics sur les points de terminaison Amazon SageMaker ouvre de nombreuses possibilités pour diverses applications d’apprentissage automatique. Pour utiliser efficacement ces modèles, il faut comprendre leur configuration et leur processus de déploiement. YOLO26 gagne encore en puissance lorsqu’il est intégré de manière transparente à Amazon SageMaker, un service d’apprentissage automatique robuste et évolutif proposé par AWS.

Ce guide te présente étape par étape le déploiement de modèles PyTorch YOLO26 sur les points de terminaison Amazon SageMaker. Tu apprendras les bases de la préparation de ton environnement AWS, de la configuration appropriée du modèle et de l’utilisation d’outils comme AWS CloudFormation et le kit de développement cloud AWS (CDK) pour le déploiement.

Amazon SageMaker#

Amazon SageMaker est un service d’apprentissage automatique d’Amazon Web Services (AWS) qui simplifie la création, l’entraînement et le déploiement de modèles d’apprentissage automatique. Il fournit un large éventail d’outils pour gérer divers aspects des flux de travail d’apprentissage automatique. Il comprend des fonctionnalités automatisées de réglage des modèles, des options pour entraîner des modèles à grande échelle et des méthodes simples pour déployer des modèles en production. SageMaker prend en charge les frameworks d’apprentissage automatique populaires, offrant la flexibilité nécessaire à des projets variés. Ses fonctionnalités couvrent également l’annotation des données, la gestion des flux de travail et l’analyse des performances.

Déployer YOLO26 sur les points de terminaison Amazon SageMaker#

Le déploiement de YOLO26 sur Amazon SageMaker te permet d’utiliser son environnement géré pour l’inférence en temps réel et de profiter de fonctionnalités comme la mise à l’échelle automatique. Consulte ci-dessous l’architecture AWS.

Étape 1 : Configurer ton environnement AWS#

Commence par vérifier que tu disposes des prérequis suivants :

• Un compte AWS : Si tu n’en as pas encore, crée un compte AWS.

• Rôles IAM configurés : Tu auras besoin d’un rôle IAM disposant des autorisations nécessaires pour Amazon SageMaker, AWS CloudFormation et Amazon S3. Ce rôle doit être associé à des politiques qui lui permettent d’accéder à ces services.

• AWS CLI : Si elle n’est pas déjà installée, télécharge et installe l’interface de ligne de commande AWS (CLI), puis configure-la avec les informations de ton compte. Suis les instructions AWS CLI pour l’installation.

• AWS CDK : Si le kit de développement cloud AWS (CDK) n’est pas déjà installé, installe-le pour écrire les scripts de déploiement. Suis les instructions AWS CDK pour l’installation.

• Quota de service suffisant : Vérifie que tu disposes de quotas suffisants pour deux ressources distinctes dans Amazon SageMaker : un pour ml.m5.4xlarge, pour l’utilisation du point de terminaison, et un autre pour ml.m5.4xlarge, pour l’utilisation de l’instance de notebook. Chacune de ces ressources nécessite une valeur de quota minimale de un. Si tes quotas actuels sont inférieurs à cette valeur, il est important de demander une augmentation pour chacun. Tu peux demander une augmentation de quota en suivant les instructions détaillées de la documentation AWS Service Quotas.

Étape 2 : Cloner le dépôt SageMaker YOLO26#

L’étape suivante consiste à cloner le dépôt AWS spécifique qui contient les ressources nécessaires au déploiement de YOLO26 sur SageMaker. Hébergé sur GitHub, ce dépôt comprend les scripts CDK et les fichiers de configuration requis.

• Cloner le dépôt GitHub : Exécute la commande suivante dans ton terminal pour cloner le dépôt host-yolov8-on-sagemaker-endpoint :

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

• Accéder au répertoire cloné : Place-toi dans le répertoire du dépôt cloné :

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

Étape 3 : Configurer l’environnement CDK#

Maintenant que tu disposes du code nécessaire, configure ton environnement pour déployer avec AWS CDK.

• Créer un environnement virtuel Python : Celui-ci isole ton environnement Python et ses dépendances. Exécute :

  python3 -m venv .venv

• Activer l’environnement virtuel :

  source .venv/bin/activate

• Installer les dépendances : Installe les dépendances Python requises par le projet :

  pip3 install -r requirements.txt

• Mettre à niveau la bibliothèque AWS CDK : Vérifie que tu disposes de la dernière version de la bibliothèque AWS CDK :

  pip install --upgrade aws-cdk-lib

Étape 4 : Créer la pile AWS CloudFormation#

• Synthétiser l’application CDK : Génère le modèle AWS CloudFormation à partir de ton code CDK :

  cdk synth

• Amorcer l’application CDK : Prépare ton environnement AWS au déploiement CDK :

  cdk bootstrap

• Déployer la pile : Cette étape crée les ressources AWS nécessaires et déploie ton modèle :

  cdk deploy

Étape 5 : Déployer le modèle YOLO#

Avant de passer aux instructions de déploiement, n’oublie pas de consulter la gamme de modèles YOLO26 proposés par Ultralytics. Cela t’aidera à choisir le modèle le mieux adapté aux exigences de ton projet.

Après avoir créé la pile AWS CloudFormation, l’étape suivante consiste à déployer YOLO26.

• Ouvrir l’instance de notebook : Accède à la console AWS, puis au service Amazon SageMaker. Sélectionne « Notebook Instances » dans le tableau de bord, puis repère l’instance de notebook créée par ton script de déploiement CDK. Ouvre l’instance de notebook pour accéder à l’environnement Jupyter.

• Accéder à inference.py et le modifier : Après avoir ouvert l’instance de notebook SageMaker dans Jupyter, repère le fichier inference.py. Modifie la fonction output_fn dans inference.py comme indiqué ci-dessous, puis enregistre tes modifications dans le script en vérifiant qu’il ne contient aucune erreur de syntaxe.

  import json
  
  def output_fn(prediction_output, content_type):
      """Formats model outputs as JSON string, 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)

• Déployer le point de terminaison à l’aide de 1_DeployEndpoint.ipynb : Dans l’environnement Jupyter, ouvre le notebook 1_DeployEndpoint.ipynb situé dans le répertoire sm-notebook. Suis les instructions du notebook et exécute les cellules pour télécharger le modèle YOLO26, le regrouper avec le code d’inférence mis à jour et le téléverser dans un compartiment Amazon S3. Le notebook te guidera dans la création et le déploiement d’un point de terminaison SageMaker pour le modèle YOLO26.

Étape 6 : Tester ton déploiement#

Maintenant que ton modèle YOLO26 est déployé, il est important de tester ses performances et ses fonctionnalités.

• Ouvrir le notebook de test : Dans le même environnement Jupyter, repère et ouvre le notebook 2_TestEndpoint.ipynb, lui aussi situé dans le répertoire sm-notebook.

• Exécuter le notebook de test : Suis les instructions du notebook pour tester le point de terminaison SageMaker déployé. Cela comprend l’envoi d’une image au point de terminaison et l’exécution d’inférences. Trace ensuite les résultats pour visualiser les performances et la précision du modèle, comme indiqué ci-dessous.

• Nettoyer les ressources : Le notebook de test te guidera également dans le nettoyage du point de terminaison et du modèle hébergé. Cette étape est importante pour gérer efficacement les coûts et les ressources, surtout si tu ne comptes pas utiliser immédiatement le modèle déployé.

Étape 7 : Surveillance et gestion#

Après les tests, il est essentiel d’assurer la surveillance continue et la gestion de ton modèle déployé.

• Surveiller avec Amazon CloudWatch : Vérifie régulièrement les performances et l’état de santé de ton point de terminaison SageMaker avec Amazon CloudWatch.

• Gérer le point de terminaison : Utilise la console SageMaker pour gérer le point de terminaison au quotidien. Cela comprend la mise à l’échelle, la mise à jour ou le redéploiement du modèle selon les besoins.

En suivant ces étapes, tu auras déployé et testé avec succès un modèle YOLO26 sur Amazon SageMaker Endpoints. Ce processus te donne une expérience pratique du déploiement de modèles de machine learning avec les services AWS et pose les bases du déploiement d’autres modèles avancés à l’avenir.

Résumé#

Ce guide t’a accompagné pas à pas dans le déploiement de YOLO26 sur Amazon SageMaker Endpoints à l’aide d’AWS CloudFormation et de l’AWS Cloud Development Kit (CDK). Le processus comprend le clonage du dépôt GitHub nécessaire, la configuration de l’environnement CDK, le déploiement du modèle avec les services AWS et le test de ses performances sur SageMaker.

Pour plus de détails techniques, consulte cet article sur le blog AWS Machine Learning. Tu peux aussi consulter la documentation officielle d’Amazon SageMaker pour en savoir plus sur les différentes fonctionnalités.

Tu souhaites en savoir plus sur les différentes intégrations YOLO26 ? Consulte la page du guide des intégrations Ultralytics pour découvrir d’autres outils et fonctionnalités qui peuvent enrichir tes projets de machine learning.

FAQ#