Guida alla distribuzione di YOLOv8 sugli endpoint di Amazon SageMaker

L'implementazione di modelli avanzati di computer vision come Ultralytics'YOLOv8 su Amazon SageMaker Endpoints apre un'ampia gamma di possibilità per diverse applicazioni di apprendimento automatico. La chiave per utilizzare efficacemente questi modelli sta nella comprensione dei processi di impostazione, configurazione e distribuzione. YOLOv8 diventa ancora più potente se integrato perfettamente con Amazon SageMaker, un servizio di apprendimento automatico robusto e scalabile di AWS.

Questa guida ti illustra passo dopo passo il processo di distribuzione dei modelli YOLOv8 PyTorch su Amazon SageMaker Endpoints. Imparerai gli elementi essenziali per preparare l'ambiente AWS, configurare il modello in modo appropriato e utilizzare strumenti come AWS CloudFormation e AWS Cloud Development Kit (CDK) per la distribuzione.

Amazon SageMaker

Amazon SageMaker è un servizio di apprendimento automatico di Amazon Web Services (AWS) che semplifica il processo di costruzione, formazione e distribuzione di modelli di apprendimento automatico. Offre un'ampia gamma di strumenti per gestire vari aspetti dei flussi di lavoro di apprendimento automatico. Tra questi ci sono funzioni automatizzate per la messa a punto dei modelli, opzioni per l'addestramento dei modelli in scala e metodi semplici per la distribuzione dei modelli in produzione. SageMaker supporta i più diffusi framework di apprendimento automatico, offrendo la flessibilità necessaria per diversi progetti. Le sue funzioni riguardano anche l'etichettatura dei dati, la gestione dei flussi di lavoro e l'analisi delle prestazioni.

Distribuzione di YOLOv8 sugli endpoint di Amazon SageMaker

La distribuzione di YOLOv8 su Amazon SageMaker ti permette di utilizzare il suo ambiente gestito per l'inferenza in tempo reale e di sfruttare funzionalità come l'autoscaling. Dai un'occhiata all'architettura di AWS qui sotto.

Passo 1: Configurare l'ambiente AWS

Per prima cosa, assicurati di avere i seguenti prerequisiti:

• Un account AWS: Se non ne hai già uno, iscriviti a un account AWS.

• Ruoli IAM configurati: Avrai bisogno di un ruolo IAM con le autorizzazioni necessarie per Amazon SageMaker, AWS CloudFormation e Amazon S3. Questo ruolo deve avere delle politiche che gli permettano di accedere a questi servizi.

• AWS CLI: Se non è già installata, scarica e installa l'interfaccia a riga di comando AWS (CLI) e configurala con i dati del tuo account. Segui le istruzioni di AWS CLI per l'installazione.

• AWS CDK: se non è già installato, installa l'AWS Cloud Development Kit (CDK), che sarà utilizzato per lo scripting della distribuzione. Segui le istruzioni di AWS CDK per l'installazione.

• Quota di servizio adeguata: Conferma di avere quote sufficienti per due risorse distinte in Amazon SageMaker: una per ml.m5.4xlarge per l'utilizzo degli endpoint e un'altra per ml.m5.4xlarge per l'utilizzo dell'istanza del notebook. Ognuno di questi richiede un valore minimo di quota. Se le tue quote attuali sono inferiori a questo requisito, è importante richiedere un aumento per ciascuna di esse. Puoi richiedere un aumento delle quote seguendo le istruzioni dettagliate riportate nella sezione Documentazione sulle quote dei servizi AWS.

Passo 2: Clonare il repository di YOLOv8 SageMaker

Il passo successivo consiste nel clonare il repository AWS specifico che contiene le risorse per la distribuzione di YOLOv8 su SageMaker. Questo repository, ospitato su GitHub, include gli script CDK e i file di configurazione necessari.

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

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

• Naviga nella directory clonata: Cambia la tua directory nel repository clonato:

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

Passo 3: Configurare 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 si isolano l'ambiente e le dipendenze di Python . Esegui:

python3 -m venv .venv

• Attiva l'ambiente virtuale:

source .venv/bin/activate

• Installa le dipendenze: Installa le dipendenze di Python necessarie per il progetto:

pip3 install -r requirements.txt

• Aggiorna la libreria CDK di AWS: Assicurati di avere l'ultima versione della libreria AWS CDK:

pip install --upgrade aws-cdk-lib

Passo 4: Creare lo stack AWS CloudFormation

• Sintetizza l'applicazione CDK: Genera il modello AWS CloudFormation dal tuo codice CDK:

cdk synth

• Esegui il bootstrap dell'applicazione CDK: Prepara l'ambiente AWS per la distribuzione di CDK:

cdk bootstrap

• Distribuisci lo stack: Crea le risorse AWS necessarie e distribuisci il tuo modello:

cdk deploy

Passo 5: Distribuzione del modello YOLOv8

Prima di immergerti nelle istruzioni per l'installazione, assicurati di dare un'occhiata alla gamma di modelli diYOLOv8 offerti da Ultralytics. Questo ti aiuterà a scegliere il modello più adatto alle esigenze del tuo progetto.

Dopo aver creato lo stack di AWS CloudFormation, il passo successivo è quello di distribuire YOLOv8.

• Apri l'istanza Notebook: Vai alla Console AWS e naviga nel servizio Amazon SageMaker. Seleziona "Istanze Notebook" dalla dashboard, quindi individua l'istanza notebook creata dallo script di distribuzione del CDK. Apri l'istanza del notebook per accedere all'ambiente Jupyter.

• Accedi e modifica il file inference.py: Dopo aver aperto l'istanza del notebook SageMaker in Jupyter, individua il file inference.py. Modifica la funzione output_fn in inference.py come mostrato di seguito 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 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)

• Distribuire l'endpoint usando 1_DeployEndpoint.ipynb: nell'ambiente Jupyter, apri il blocco note 1_DeployEndpoint.ipynb situato nella directory sm-notebook. Segui le istruzioni del notebook ed esegui le celle per scaricare il modello YOLOv8 , impacchettarlo con il codice di inferenza aggiornato e caricarlo su un bucket Amazon S3. Il notebook ti guiderà nella creazione e nella distribuzione di un endpoint SageMaker per il modello YOLOv8 .

Passo 6: Testare l'installazione

Ora che il tuo modello YOLOv8 è stato implementato, è importante testarne le prestazioni e le funzionalità.

• Apri il quaderno di prova: Nello stesso ambiente Jupyter, individua e apri il blocco note 2_TestEndpoint.ipynb, sempre nella directory sm-notebook.

• Esegui il Quaderno di prova: Segui le istruzioni del quaderno per testare l'endpoint SageMaker distribuito. Questo include l'invio di un'immagine all'endpoint e l'esecuzione di inferenze. Quindi, traccerai l'output per visualizzare le prestazioni e l'accuratezza del modello, come mostrato di seguito.

• Risorse per la pulizia: Il quaderno di prova ti guiderà anche nel processo di pulizia dell'endpoint e del modello ospitato. Si tratta di una fase importante per gestire in modo efficace i costi e le risorse, soprattutto se non intendi utilizzare immediatamente il modello distribuito.

Fase 7: Monitoraggio e gestione

Dopo il test, il monitoraggio continuo e la gestione del modello implementato sono essenziali.

• Monitoraggio con Amazon CloudWatch: Controlla regolarmente le prestazioni e lo stato di salute del tuo endpoint SageMaker utilizzando Amazon CloudWatch.

• Gestisci l'endpoint: Usa la console di SageMaker per la gestione continua dell'endpoint. Questo include il ridimensionamento, l'aggiornamento o la ridistribuzione del modello secondo le necessità.

Completando questi passaggi, avrai implementato e testato con successo un modello YOLOv8 su Amazon SageMaker Endpoints. Questo processo non solo ti permette di acquisire esperienza pratica nell'utilizzo dei servizi AWS per l'apprendimento automatico, ma pone anche le basi per l'implementazione di altri modelli avanzati in futuro.

Sommario

Questa guida ti spiega passo dopo passo come distribuire YOLOv8 su Amazon SageMaker Endpoints utilizzando AWS CloudFormation e AWS Cloud Development Kit (CDK). Il processo comprende la clonazione del repository GitHub necessario, la configurazione dell'ambiente CDK, la distribuzione del modello utilizzando i servizi AWS e il test delle sue prestazioni su SageMaker.

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

Sei interessato a saperne di più sulle diverse integrazioni di YOLOv8 ? Visita la pagina della guida alle integrazioni diUltralytics per scoprire altri strumenti e funzionalità che possono migliorare i tuoi progetti di apprendimento automatico.

Commenti