Amazon SageMaker 엔드포인트에 Ultralytics YOLO26 모델을 어떻게 배포합니까?

Amazon SageMaker 엔드포인트에 Ultralytics YOLO26 모델을 배포하려면 다음 단계를 따르세요: AWS 환경 설정: AWS 계정, 필요한 권한이 있는 IAM 역할 및 구성된 AWS CLI가 있는지 확인합니다. 아직 설치하지 않았다면 AWS CDK를 설치합니다(AWS CDK 지침 참조). YOLO26 SageMaker 리포지토리 복제: CDK 환경 설정: Python 가상 환경을 생성하고 활성화한 다음 종속 항목을 설치하고 AWS CDK 라이브러리를 업그레이드합니다. AWS CDK를 사용하여 배포: CloudFormation 스택을 합성하고 배포한 다음 환경을 부트스트랩합니다. 자세한 내용은 문서 섹션을 참조하세요.

Amazon SageMaker에 YOLO26을 배포하기 위한 사전 요구 사항은 무엇입니까?

Amazon SageMaker에 YOLO26을 배포하려면 다음 사전 요구 사항을 갖춰야 합니다: AWS 계정: 활성 AWS 계정(여기에서 가입). IAM 역할: SageMaker, CloudFormation 및 Amazon S3에 대한 권한이 구성된 IAM 역할. AWS CLI: AWS 명령줄 인터페이스가 설치되고 구성되어 있어야 합니다(AWS CLI 설치 가이드). AWS CDK: AWS 클라우드 개발 키트가 설치되어 있어야 합니다(CDK 설정 가이드). 서비스 할당량: 엔드포인트 및 노트북 사용을 위한 ml.m5.4xlarge 인스턴스의 할당량이 충분해야 합니다(할당량 증액 요청). 자세한 설정 방법은 이 섹션을 참조하세요.

Amazon SageMaker에서 Ultralytics YOLO26을 사용해야 하는 이유는 무엇입니까?

Amazon SageMaker에서 Ultralytics YOLO26을 사용하면 다음과 같은 여러 이점이 있습니다: 확장성 및 관리: SageMaker는 오토스케일링과 같은 기능을 갖춘 관리형 환경을 제공하여 실시간 추론 요구 사항을 충족하는 데 도움을 줍니다. AWS 서비스와의 통합: 데이터 저장을 위한 S3, 코드형 인프라를 위한 CloudFormation, 모니터링을 위한 CloudWatch 등 다른 AWS 서비스와 원활하게 통합할 수 있습니다. 간편한 배포: AWS CDK 스크립트를 사용하여 설정을 간소화하고 배포 프로세스를 간결하게 수행할 수 있습니다. 성능: Amazon SageMaker의 고성능 인프라를 활용하여 대규모 추론 작업을 효율적으로 실행할 수 있습니다. SageMaker 사용의 이점에 대한 자세한 내용은 소개 섹션에서 확인하세요.

Amazon SageMaker에서 YOLO26의 추론 로직을 사용자 지정할 수 있습니까?

예. Amazon SageMaker에서 YOLO26의 추론 로직을 사용자 지정할 수 있습니다: inference.py 수정: inference.py 파일에서 output_fn 함수를 찾아 출력 형식에 맞게 사용자 지정합니다. 업데이트된 모델 배포: 이러한 변경 사항을 반영하려면 제공된 Jupyter 노트북(1_DeployEndpoint.ipynb)을 사용하여 모델을 다시 배포해야 합니다. 수정된 모델을 배포하는 자세한 단계를 참조하세요.

Amazon SageMaker에서 배포된 YOLO26 모델을 어떻게 테스트할 수 있습니까?

Amazon SageMaker에서 배포된 YOLO26 모델을 테스트하려면 다음을 수행합니다: 테스트 노트북 열기: SageMaker Jupyter 환경에서 2_TestEndpoint.ipynb 노트북을 찾습니다. 노트북 실행: 노트북의 지침에 따라 엔드포인트로 이미지를 전송하고 추론을 수행한 후 결과를 표시합니다. 결과 시각화: 기본 제공 플로팅 기능을 사용하여 감지된 객체 주변의 바운딩 박스와 같은 성능 지표를 시각화합니다. 종합적인 테스트 지침은 테스트 섹션을 참조하세요.

Amazon SageMaker 엔드포인트에 YOLO26을 배포하는 가이드#

Amazon SageMaker 엔드포인트에 컴퓨터 비전 모델인 Ultralytics의 YOLO26을 배포하면 다양한 머신 러닝 애플리케이션에 폭넓은 가능성을 열 수 있습니다. 이러한 모델을 효과적으로 사용하려면 설정, 구성 및 배포 프로세스를 이해하는 것이 중요합니다. AWS의 강력하고 확장 가능한 머신 러닝 서비스인 Amazon SageMaker와 YOLO26을 원활하게 통합하면 YOLO26을 더욱 강력하게 활용할 수 있습니다.

이 가이드에서는 Amazon SageMaker 엔드포인트에 YOLO26 PyTorch 모델을 배포하는 과정을 단계별로 안내합니다. AWS 환경 준비, 모델의 적절한 구성, AWS CloudFormation 및 AWS 클라우드 개발 키트 (CDK)와 같은 도구를 사용한 배포에 필요한 기본 사항을 알아봅니다.

Amazon SageMaker#

Amazon SageMaker ML platform architecture

Amazon SageMaker는 머신 러닝 모델의 구축, 학습 및 배포 프로세스를 간소화하는 Amazon Web Services (AWS)의 머신 러닝 서비스입니다. 머신 러닝 워크플로의 다양한 측면을 처리할 수 있는 폭넓은 도구를 제공합니다. 여기에는 모델 튜닝을 위한 자동화 기능, 대규모 모델 학습 옵션, 모델을 프로덕션 환경에 배포하는 간편한 방법이 포함됩니다. SageMaker는 널리 사용되는 머신 러닝 프레임워크를 지원하므로 다양한 프로젝트에 필요한 유연성을 제공합니다. 또한 데이터 라벨링, 워크플로 관리 및 성능 분석 기능도 제공합니다.

Amazon SageMaker 엔드포인트에 YOLO26 배포하기#

Amazon SageMaker에 YOLO26을 배포하면 관리형 환경에서 실시간 추론을 수행하고 오토스케일링과 같은 기능을 활용할 수 있습니다. 아래의 AWS 아키텍처를 살펴보세요.

AWS SageMaker YOLO training architecture

1단계: AWS 환경 설정#

먼저 다음 사전 요구 사항이 갖춰져 있는지 확인합니다:

AWS 계정: 아직 계정이 없다면 AWS 계정에 가입합니다.
구성된 IAM 역할: Amazon SageMaker, AWS CloudFormation 및 Amazon S3에 필요한 권한이 있는 IAM 역할이 필요합니다. 이 역할에는 해당 서비스에 액세스할 수 있도록 허용하는 정책이 있어야 합니다.
AWS CLI: 아직 설치하지 않았다면 AWS 명령줄 인터페이스 (CLI)를 다운로드하여 설치하고 계정 정보로 구성합니다. 설치 방법은 AWS CLI 지침을 따르세요.
AWS CDK: 아직 설치하지 않았다면 배포 스크립팅에 사용할 AWS 클라우드 개발 키트 (CDK)를 설치합니다. 설치 방법은 AWS CDK 지침을 따르세요.
충분한 서비스 할당량: Amazon SageMaker에서 두 개의 별도 리소스에 대한 할당량이 충분한지 확인합니다. 하나는 엔드포인트 사용을 위한 ml.m5.4xlarge이고, 다른 하나는 노트북 인스턴스 사용을 위한 ml.m5.4xlarge입니다. 각각 최소 하나의 할당량 값이 필요합니다. 현재 할당량이 이 요구 사항보다 낮다면 각각에 대해 증액을 요청해야 합니다. 자세한 요청 방법은 AWS 서비스 할당량 문서의 지침을 따르세요.

2단계: YOLO26 SageMaker 리포지토리 복제#

다음 단계는 SageMaker에 YOLO26을 배포하는 데 필요한 리소스가 포함된 특정 AWS 리포지토리를 복제하는 것입니다. GitHub에서 호스팅되는 이 리포지토리에는 필요한 CDK 스크립트와 구성 파일이 포함되어 있습니다.

GitHub 리포지토리 복제: 터미널에서 다음 명령을 실행하여 host-yolov8-on-sagemaker-endpoint 리포지토리를 복제합니다:
```
git clone https://github.com/aws-samples/host-yolov8-on-sagemaker-endpoint.git
```
복제된 디렉터리로 이동: 디렉터리를 복제된 리포지토리로 변경합니다:
```
cd host-yolov8-on-sagemaker-endpoint/yolov8-pytorch-cdk
```

3단계: CDK 환경 설정#

이제 필요한 코드를 준비했으므로 AWS CDK를 사용한 배포를 위해 환경을 설정합니다.

Python 가상 환경 생성: Python 환경과 종속 항목을 격리합니다. 다음을 실행합니다:
```
python3 -m venv .venv
```
가상 환경 활성화:
```
source .venv/bin/activate
```
종속 항목 설치: 프로젝트에 필요한 Python 종속 항목을 설치합니다:
```
pip3 install -r requirements.txt
```
AWS CDK 라이브러리 업그레이드: 최신 버전의 AWS CDK 라이브러리가 설치되어 있는지 확인합니다:
```
pip install --upgrade aws-cdk-lib
```

4단계: AWS CloudFormation 스택 생성#

CDK 애플리케이션 합성: CDK 코드에서 AWS CloudFormation 템플릿을 생성합니다:
```
cdk synth
```
CDK 애플리케이션 부트스트랩: CDK 배포를 위해 AWS 환경을 준비합니다:
```
cdk bootstrap
```
스택 배포: 필요한 AWS 리소스를 생성하고 모델을 배포합니다:
```
cdk deploy
```

5단계: YOLO 모델 배포#

배포 지침을 시작하기 전에 Ultralytics에서 제공하는 YOLO26 모델을 확인하세요. 이를 통해 프로젝트 요구 사항에 가장 적합한 모델을 선택할 수 있습니다.

AWS CloudFormation 스택을 생성한 후 다음 단계는 YOLO26을 배포하는 것입니다.

노트북 인스턴스 열기: AWS 콘솔로 이동하여 Amazon SageMaker 서비스를 엽니다. 대시보드에서 "노트북 인스턴스"를 선택한 다음 CDK 배포 스크립트로 생성된 노트북 인스턴스를 찾습니다. 노트북 인스턴스를 열어 Jupyter 환경에 액세스합니다.

inference.py 액세스 및 수정: Jupyter에서 SageMaker 노트북 인스턴스를 연 후 inference.py 파일을 찾습니다. 아래와 같이 inference.py의 output_fn 함수를 편집하고 스크립트에 변경 사항을 저장합니다. 이때 구문 오류가 없는지 확인합니다.

import json

def output_fn(prediction_output):
    """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)

1_DeployEndpoint.ipynb를 사용하여 엔드포인트 배포: Jupyter 환경에서 sm-notebook 디렉터리에 있는 1_DeployEndpoint.ipynb 노트북을 엽니다. 노트북의 지침에 따라 셀을 실행하여 YOLO26 모델을 다운로드하고, 업데이트된 추론 코드와 함께 패키징한 후 Amazon S3 버킷에 업로드합니다. 노트북에서 YOLO26 모델을 위한 SageMaker 엔드포인트를 생성하고 배포하는 과정을 안내합니다.

6단계: 배포 테스트#

이제 YOLO26 모델이 배포되었으므로 성능과 기능을 테스트하는 것이 중요합니다.

테스트 노트북 열기: 동일한 Jupyter 환경에서 sm-notebook 디렉터리에 있는 2_TestEndpoint.ipynb 노트북을 찾아 엽니다.
테스트 노트북 실행: 노트북의 지침에 따라 배포된 SageMaker 엔드포인트를 테스트합니다. 여기에는 엔드포인트로 이미지를 전송하고 추론을 실행하는 과정이 포함됩니다. 그런 다음 아래와 같이 출력을 플로팅하여 모델의 성능과 정확도를 시각화합니다.

Testing Results YOLO26

리소스 정리: 테스트 노트북에서 엔드포인트와 호스팅된 모델을 정리하는 과정도 안내합니다. 특히 배포된 모델을 즉시 사용할 계획이 없는 경우 비용과 리소스를 효과적으로 관리하기 위해 반드시 수행해야 하는 단계입니다.

7단계: 모니터링 및 관리#

테스트 후에는 배포된 모델을 지속적으로 모니터링하고 관리해야 합니다.

Amazon CloudWatch로 모니터링: Amazon CloudWatch를 사용하여 SageMaker 엔드포인트의 성능과 상태를 정기적으로 확인합니다.
엔드포인트 관리: SageMaker 콘솔을 사용하여 엔드포인트를 지속적으로 관리합니다. 여기에는 필요에 따라 모델을 확장, 업데이트 또는 재배포하는 작업이 포함됩니다.

이 단계를 완료하면 Amazon SageMaker 엔드포인트에 YOLO26 모델을 성공적으로 배포하고 테스트하게 됩니다. 이 과정은 머신 러닝 배포에 AWS 서비스를 사용하는 실무 경험을 제공할 뿐만 아니라 향후 다른 고급 모델을 배포할 수 있는 기반도 마련해 줍니다.

요약#

이 가이드에서는 AWS CloudFormation 및 AWS 클라우드 개발 키트 (CDK)를 사용하여 Amazon SageMaker 엔드포인트에 YOLO26을 배포하는 과정을 단계별로 안내했습니다. 이 과정에는 필요한 GitHub 리포지토리 복제, CDK 환경 설정, AWS 서비스를 사용한 모델 배포, SageMaker에서의 성능 테스트가 포함됩니다.

더 자세한 기술 정보는 AWS Machine Learning 블로그의 이 문서를 참조하세요. 다양한 기능과 작동 방식에 대한 자세한 내용은 공식 Amazon SageMaker 문서에서도 확인할 수 있습니다.

다양한 YOLO26 통합에 대해 더 알아보고 싶으신가요? Ultralytics 통합 가이드 페이지를 방문하여 머신 러닝 프로젝트를 향상할 수 있는 추가 도구와 기능을 확인하세요.

FAQ#

Amazon SageMaker 엔드포인트에 Ultralytics YOLO26 모델을 배포하려면 다음 단계를 따르세요:
1. AWS 환경 설정: AWS 계정, 필요한 권한이 있는 IAM 역할 및 구성된 AWS CLI가 있는지 확인합니다. 아직 설치하지 않았다면 AWS CDK를 설치합니다(AWS CDK 지침 참조).
2. YOLO26 SageMaker 리포지토리 복제:
  git clone https://github.com/aws-samples/host-yolov8-on-sagemaker-endpoint.git cd host-yolov8-on-sagemaker-endpoint/yolov8-pytorch-cdk
3. CDK 환경 설정: Python 가상 환경을 생성하고 활성화한 다음 종속 항목을 설치하고 AWS CDK 라이브러리를 업그레이드합니다.
  python3 -m venv .venv source .venv/bin/activate pip3 install -r requirements.txt pip install --upgrade aws-cdk-lib
4. AWS CDK를 사용하여 배포: CloudFormation 스택을 합성하고 배포한 다음 환경을 부트스트랩합니다.
  cdk synth cdk bootstrap cdk deploy
자세한 내용은 문서 섹션을 참조하세요.
Amazon SageMaker에 YOLO26을 배포하려면 다음 사전 요구 사항을 갖춰야 합니다:
1. AWS 계정: 활성 AWS 계정(여기에서 가입).
2. IAM 역할: SageMaker, CloudFormation 및 Amazon S3에 대한 권한이 구성된 IAM 역할.
3. AWS CLI: AWS 명령줄 인터페이스가 설치되고 구성되어 있어야 합니다(AWS CLI 설치 가이드).
4. AWS CDK: AWS 클라우드 개발 키트가 설치되어 있어야 합니다(CDK 설정 가이드).
5. 서비스 할당량: 엔드포인트 및 노트북 사용을 위한 ml.m5.4xlarge 인스턴스의 할당량이 충분해야 합니다(할당량 증액 요청).
자세한 설정 방법은 이 섹션을 참조하세요.
Amazon SageMaker에서 Ultralytics YOLO26을 사용하면 다음과 같은 여러 이점이 있습니다:
1. 확장성 및 관리: SageMaker는 오토스케일링과 같은 기능을 갖춘 관리형 환경을 제공하여 실시간 추론 요구 사항을 충족하는 데 도움을 줍니다.
2. AWS 서비스와의 통합: 데이터 저장을 위한 S3, 코드형 인프라를 위한 CloudFormation, 모니터링을 위한 CloudWatch 등 다른 AWS 서비스와 원활하게 통합할 수 있습니다.
3. 간편한 배포: AWS CDK 스크립트를 사용하여 설정을 간소화하고 배포 프로세스를 간결하게 수행할 수 있습니다.
4. 성능: Amazon SageMaker의 고성능 인프라를 활용하여 대규모 추론 작업을 효율적으로 실행할 수 있습니다.
SageMaker 사용의 이점에 대한 자세한 내용은 소개 섹션에서 확인하세요.
예. Amazon SageMaker에서 YOLO26의 추론 로직을 사용자 지정할 수 있습니다:
1. inference.py 수정: inference.py 파일에서 output_fn 함수를 찾아 출력 형식에 맞게 사용자 지정합니다.
  
  import json def output_fn(prediction_output): """Formats model outputs as JSON string, extracting attributes like boxes, masks, keypoints.""" infer = {} for result in prediction_output: if result.boxes is not None: infer["boxes"] = result.boxes.numpy().data.tolist() # Add more processing logic if necessary return json.dumps(infer)
2. 업데이트된 모델 배포: 이러한 변경 사항을 반영하려면 제공된 Jupyter 노트북(1_DeployEndpoint.ipynb)을 사용하여 모델을 다시 배포해야 합니다.
수정된 모델을 배포하는 자세한 단계를 참조하세요.
Amazon SageMaker에서 배포된 YOLO26 모델을 테스트하려면 다음을 수행합니다:
1. 테스트 노트북 열기: SageMaker Jupyter 환경에서 2_TestEndpoint.ipynb 노트북을 찾습니다.
2. 노트북 실행: 노트북의 지침에 따라 엔드포인트로 이미지를 전송하고 추론을 수행한 후 결과를 표시합니다.
3. 결과 시각화: 기본 제공 플로팅 기능을 사용하여 감지된 객체 주변의 바운딩 박스와 같은 성능 지표를 시각화합니다.
종합적인 테스트 지침은 테스트 섹션을 참조하세요.

기여자

GLglenn-jocher¹³ RAraimbekovm¹ LALaughing-q¹ RIRizwanMunawar¹ AMambitious-octopus¹ SEsergiuwaxmann¹ ABabirami-vina¹

생성됨 2024년 1월 3일업데이트됨 3주 전