Guida alla distribuzione di YOLO26 su Amazon SageMaker Endpoints#

La distribuzione di modelli avanzati di computer vision come YOLO26 di Ultralytics su Amazon SageMaker Endpoints apre numerose possibilità per varie applicazioni di machine learning. Per usare questi modelli in modo efficace, è fondamentale comprenderne la configurazione e i processi di distribuzione. YOLO26 diventa ancora più potente quando viene integrato perfettamente con Amazon SageMaker, un servizio di machine learning robusto e scalabile di AWS.

Questa guida ti accompagnerà passo dopo passo nella distribuzione di modelli YOLO26 PyTorch su Amazon SageMaker Endpoints. Imparerai gli elementi essenziali per preparare il tuo ambiente AWS, configurare il modello in modo appropriato e usare strumenti come AWS CloudFormation e AWS Cloud Development Kit (CDK) per la distribuzione.

Amazon SageMaker#

Amazon SageMaker è un servizio di machine learning di Amazon Web Services (AWS) che semplifica la creazione, il training e la distribuzione di modelli di machine learning. Offre un'ampia gamma di strumenti per gestire vari aspetti dei flussi di lavoro di machine learning. Include funzionalità automatizzate per ottimizzare i modelli, opzioni per addestrarli su larga scala e metodi semplici per distribuirli in produzione. SageMaker supporta i framework di machine learning più diffusi e offre la flessibilità necessaria per progetti diversi. Le sue funzionalità comprendono anche l'etichettatura dei dati, la gestione dei flussi di lavoro e l'analisi delle prestazioni.

Distribuzione di YOLO26 su Amazon SageMaker Endpoints#

Distribuire YOLO26 su Amazon SageMaker ti consente di usare il suo ambiente gestito per l'inferenza in tempo reale e di sfruttare funzionalità come la scalabilità automatica. Dai un'occhiata all'architettura AWS qui sotto.

Passaggio 1: configura il tuo ambiente AWS#

Per prima cosa, assicurati di avere a disposizione i seguenti prerequisiti:

• Un account AWS: se non ne hai già uno, registrati per crearne uno.

• Ruoli IAM configurati: ti servirà un ruolo IAM con le autorizzazioni necessarie per Amazon SageMaker, AWS CloudFormation e Amazon S3. Il ruolo deve avere policy che consentano l'accesso a questi servizi.

• AWS CLI: se non è già installata, scarica e installa l'interfaccia della riga di comando AWS (CLI) e configúrala con i dati del tuo account. Per l'installazione, segui le istruzioni per AWS CLI.

• AWS CDK: se non è già installato, installa AWS Cloud Development Kit (CDK), che verrà usato per creare gli script di distribuzione. Per l'installazione, segui le istruzioni per AWS CDK.

• Quota di servizio adeguata: verifica di disporre di quote sufficienti per due risorse distinte in Amazon SageMaker: una per ml.m5.4xlarge per l'uso degli endpoint e un'altra per ml.m5.4xlarge per l'uso delle istanze notebook. Per ciascuna risorsa è richiesto un valore di quota minimo pari a uno. Se le quote attuali sono inferiori a questo requisito, è importante richiedere un aumento per ognuna. Puoi richiedere un aumento della quota seguendo le istruzioni dettagliate nella documentazione di AWS Service Quotas.

Passaggio 2: clona il repository SageMaker di YOLO26#

Il passaggio successivo consiste nel clonare il repository AWS specifico che contiene le risorse necessarie per distribuire YOLO26 su SageMaker. Ospitato su GitHub, questo repository include gli script CDK e i file di configurazione necessari.

• Clona il repository GitHub: esegui il seguente comando nel terminale per clonare il repository host-yolov8-on-sagemaker-endpoint:

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

• Passa alla directory clonata: spostati nella directory del repository clonato:

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

Passaggio 3: configura l'ambiente CDK#

Ora che hai il codice necessario, configura l'ambiente per la distribuzione con AWS CDK.

• Crea un ambiente virtuale Python: in questo modo isoli l'ambiente Python e le relative dipendenze. Esegui:

  python3 -m venv .venv

• Attiva l'ambiente virtuale:

  source .venv/bin/activate

• Installa le dipendenze: installa le dipendenze Python richieste dal progetto:

  pip3 install -r requirements.txt

• Aggiorna la libreria AWS CDK: assicurati di avere la versione più recente della libreria AWS CDK:

  pip install --upgrade aws-cdk-lib

Passaggio 4: crea lo stack AWS CloudFormation#

• Sintetizza l'applicazione CDK: genera il template AWS CloudFormation dal tuo codice CDK:

  cdk synth

• Esegui il bootstrap dell'applicazione CDK: prepara l'ambiente AWS per la distribuzione con CDK:

  cdk bootstrap

• Distribuisci lo stack: verranno create le risorse AWS necessarie e distribuito il tuo modello:

  cdk deploy

Passaggio 5: distribuisci il modello YOLO#

Prima di passare alle istruzioni di distribuzione, dai un'occhiata alla gamma di modelli YOLO26 offerti da Ultralytics. Ti aiuterà a scegliere il modello più adatto ai requisiti del tuo progetto.

Dopo aver creato lo stack AWS CloudFormation, il passaggio successivo consiste nel distribuire YOLO26.

• Apri l'istanza notebook: vai alla console AWS e apri il servizio Amazon SageMaker. Seleziona "Istanze notebook" nel pannello di controllo, quindi individua l'istanza notebook creata dallo script di distribuzione CDK. Apri l'istanza notebook per accedere all'ambiente Jupyter.

• Accedi a inference.py e modificalo: dopo aver aperto l'istanza notebook SageMaker in Jupyter, individua il file inference.py. Modifica la funzione output_fn in inference.py come mostrato qui sotto e salva le modifiche allo script, assicurandoti che non ci siano errori di sintassi.

  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)

• Distribuisci l'endpoint usando 1_DeployEndpoint.ipynb: nell'ambiente Jupyter, apri il notebook 1_DeployEndpoint.ipynb che si trova nella directory sm-notebook. Segui le istruzioni nel notebook ed esegui le celle per scaricare il modello YOLO26, impacchettarlo con il codice di inferenza aggiornato e caricarlo in un bucket Amazon S3. Il notebook ti guiderà nella creazione e distribuzione di un endpoint SageMaker per il modello YOLO26.

Passaggio 6: testa la distribuzione#

Ora che il modello YOLO26 è distribuito, è importante verificarne le prestazioni e il funzionamento.

• Apri il notebook di test: nello stesso ambiente Jupyter, individua e apri il notebook 2_TestEndpoint.ipynb, anch'esso nella directory sm-notebook.

• Esegui il notebook di test: segui le istruzioni nel notebook per testare l'endpoint SageMaker distribuito. In questo modo invierai un'immagine all'endpoint ed eseguirai inferenze. Poi traccerai l'output per visualizzare le prestazioni e la precisione del modello, come mostrato qui sotto.

• Pulisci le risorse: il notebook di test ti guiderà anche nella pulizia dell'endpoint e del modello ospitato. È un passaggio importante per gestire efficacemente i costi e le risorse, soprattutto se non prevedi di usare subito il modello distribuito.

Passaggio 7: monitoraggio e gestione#

Dopo i test, è essenziale monitorare e gestire continuamente il modello distribuito.

• Monitora con Amazon CloudWatch: controlla regolarmente le prestazioni e lo stato di salute del tuo endpoint SageMaker usando Amazon CloudWatch.

• Gestisci l'endpoint: usa la console SageMaker per la gestione continua dell'endpoint. Potrai ridimensionare, aggiornare o ridistribuire il modello secondo necessità.

Completando questi passaggi, avrai distribuito e testato correttamente un modello YOLO26 su Amazon SageMaker Endpoints. Questo processo non solo ti offre esperienza pratica nell'uso dei servizi AWS per distribuire modelli di machine learning, ma getta anche le basi per distribuire altri modelli avanzati in futuro.

Riepilogo#

Questa guida ti ha accompagnato passo dopo passo nella distribuzione di YOLO26 su Amazon SageMaker Endpoints usando AWS CloudFormation e il Kit di sviluppo cloud AWS (CDK). Il processo comprende la clonazione del repository GitHub necessario, la configurazione dell'ambiente CDK, la distribuzione del modello con i servizi AWS e il test delle sue prestazioni su SageMaker.

Per maggiori dettagli tecnici, consulta questo articolo sul blog AWS Machine Learning. Puoi anche consultare la documentazione ufficiale di Amazon SageMaker per approfondire le varie funzionalità e caratteristiche.

Ti interessa saperne di più sulle diverse integrazioni di YOLO26? Visita la pagina della guida alle integrazioni di Ultralytics per scoprire altri strumenti e funzionalità che possono potenziare i tuoi progetti di machine learning.

Domande frequenti#