Um guia para implementar o YOLO26 nos endpoints do Amazon SageMaker#

A implementação de modelos avançados de visão computacional, como o YOLO26 da Ultralytics, nos endpoints do Amazon SageMaker abre um vasto leque de possibilidades para várias aplicações de aprendizagem automática. Para usar estes modelos eficazmente, é essencial compreender os processos de configuração e implementação. O YOLO26 torna-se ainda mais poderoso quando integrado sem dificuldades no Amazon SageMaker, um serviço de aprendizagem automática robusto e escalável da AWS.

Este guia acompanha-te passo a passo no processo de implementação de modelos PyTorch do YOLO26 nos endpoints do Amazon SageMaker. Vais aprender o essencial para preparar o teu ambiente AWS, configurar corretamente o modelo e usar ferramentas como o AWS CloudFormation e o Kit de Desenvolvimento em Nuvem da AWS (CDK) para a implementação.

Amazon SageMaker#

O Amazon SageMaker é um serviço de aprendizagem automática da Amazon Web Services (AWS) que simplifica o processo de criação, treino e implementação de modelos de aprendizagem automática. Disponibiliza uma vasta gama de ferramentas para gerir vários aspetos dos fluxos de trabalho de aprendizagem automática. Isso inclui funcionalidades automatizadas para ajustar modelos, opções para treinar modelos em grande escala e métodos simples para implementar modelos em produção. O SageMaker suporta frameworks populares de aprendizagem automática, oferecendo a flexibilidade necessária para projetos diversificados. As suas funcionalidades também abrangem a rotulagem de dados, a gestão de fluxos de trabalho e a análise de desempenho.

Implementar o YOLO26 nos endpoints do Amazon SageMaker#

A implementação do YOLO26 no Amazon SageMaker permite-te usar o ambiente gerido para inferência em tempo real e tirar partido de funcionalidades como o escalonamento automático. Consulta abaixo a arquitetura da AWS.

Passo 1: Configura o teu ambiente AWS#

Primeiro, confirma que tens os seguintes pré-requisitos:

• Uma conta AWS: Se ainda não tiveres uma, cria uma conta AWS.

• Funções IAM configuradas: Vais precisar de uma função IAM com as permissões necessárias para o Amazon SageMaker, o AWS CloudFormation e o Amazon S3. Esta função deve ter políticas que permitam o acesso a estes serviços.

• AWS CLI: Se ainda não estiver instalada, transfere e instala a Interface de Linha de Comandos da AWS (CLI) e configura-a com os dados da tua conta. Segue as instruções da AWS CLI para a instalação.

• AWS CDK: Se ainda não estiver instalado, instala o Kit de Desenvolvimento em Nuvem da AWS (CDK), que será usado para criar scripts de implementação. Segue as instruções do AWS CDK para a instalação.

• Quota de serviço adequada: Confirma que tens quotas suficientes para dois recursos distintos no Amazon SageMaker: uma para ml.m5.4xlarge, destinada à utilização de endpoints, e outra para ml.m5.4xlarge, destinada à utilização de instâncias de notebooks. Cada uma requer um valor de quota mínimo de um. Se as tuas quotas atuais forem inferiores a este requisito, é importante pedires um aumento para cada uma. Podes pedir um aumento de quota seguindo as instruções detalhadas na documentação das quotas de serviço da AWS.

Passo 2: Clona o repositório YOLO26 SageMaker#

O passo seguinte é clonar o repositório AWS específico que contém os recursos para implementar o YOLO26 no SageMaker. Este repositório, alojado no GitHub, inclui os scripts CDK e os ficheiros de configuração necessários.

• Clona o repositório do GitHub: Executa o seguinte comando no terminal para clonar o repositório host-yolov8-on-sagemaker-endpoint:

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

• Acede ao diretório clonado: Muda para o diretório do repositório clonado:

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

Passo 3: Configura o ambiente CDK#

Agora que tens o código necessário, configura o teu ambiente para implementar com o AWS CDK.

• Cria um ambiente virtual Python: Assim, isolas o teu ambiente Python e as respetivas dependências. Executa:

  python3 -m venv .venv

• Ativa o ambiente virtual:

  source .venv/bin/activate

• Instala as dependências: Instala as dependências Python necessárias para o projeto:

  pip3 install -r requirements.txt

• Atualiza a biblioteca AWS CDK: Confirma que tens a versão mais recente da biblioteca AWS CDK:

  pip install --upgrade aws-cdk-lib

Passo 4: Cria a pilha do AWS CloudFormation#

• Sintetiza a aplicação CDK: Gera o modelo do AWS CloudFormation a partir do teu código CDK:

  cdk synth

• Inicializa a aplicação CDK: Prepara o teu ambiente AWS para a implementação com CDK:

  cdk bootstrap

• Implementa a pilha: Isto criará os recursos AWS necessários e implementará o teu modelo:

  cdk deploy

Passo 5: Implementa o modelo YOLO#

Antes de começares a seguir as instruções de implementação, consulta a variedade de modelos YOLO26 disponibilizados pela Ultralytics. Assim, poderás escolher o modelo mais adequado aos requisitos do teu projeto.

Depois de criares a pilha do AWS CloudFormation, o passo seguinte é implementar o YOLO26.

• Abre a instância de notebook: Acede à consola AWS e abre o serviço Amazon SageMaker. Seleciona «Notebook Instances» no painel e, em seguida, localiza a instância de notebook criada pelo teu script de implementação CDK. Abre a instância de notebook para acederes ao ambiente Jupyter.

• Acede a inference.py e modifica-o: Depois de abrires a instância de notebook do SageMaker no Jupyter, localiza o ficheiro inference.py. Edita a função output_fn em inference.py como mostrado abaixo e guarda as alterações no script, garantindo que não há erros de sintaxe.

  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)

• Implementa o endpoint usando 1_DeployEndpoint.ipynb: No ambiente Jupyter, abre o notebook 1_DeployEndpoint.ipynb, localizado no diretório sm-notebook. Segue as instruções do notebook e executa as células para transferir o modelo YOLO26, empacotá-lo com o código de inferência atualizado e carregá-lo para um bucket do Amazon S3. O notebook irá orientar-te na criação e implementação de um endpoint do SageMaker para o modelo YOLO26.

Passo 6: Testa a tua implementação#

Agora que o teu modelo YOLO26 está implementado, é importante testar o seu desempenho e funcionamento.

• Abre o notebook de teste: No mesmo ambiente Jupyter, localiza e abre o notebook 2_TestEndpoint.ipynb, também no diretório sm-notebook.

• Executa o notebook de teste: Segue as instruções do notebook para testar o endpoint implementado do SageMaker. Isso inclui enviar uma imagem para o endpoint e executar inferências. Em seguida, cria um gráfico da saída para visualizar o desempenho e a precisão do modelo, como mostrado abaixo.

• Limpa os recursos: O notebook de teste também irá orientar-te no processo de remoção do endpoint e do modelo alojado. Este é um passo importante para gerir eficazmente os custos e os recursos, especialmente se não pretenderes usar o modelo implementado de imediato.

Passo 7: Monitorização e gestão#

Após os testes, é essencial monitorizar e gerir continuamente o modelo implementado.

• Monitoriza com o Amazon CloudWatch: Verifica regularmente o desempenho e o estado do teu endpoint do SageMaker usando o Amazon CloudWatch.

• Gere o endpoint: Usa a consola do SageMaker para gerir continuamente o endpoint. Isso inclui escalar, atualizar ou voltar a implementar o modelo conforme necessário.

Ao concluir estas etapas, você terá implantado e testado com sucesso um modelo YOLO26 no Amazon SageMaker Endpoints. Esse processo não só proporciona experiência prática no uso dos serviços da AWS para implantar modelos de aprendizado de máquina, como também estabelece as bases para implantar outros modelos avançados no futuro.

Resumo#

Este guia mostrou, passo a passo, como implantar o YOLO26 no Amazon SageMaker Endpoints usando o AWS CloudFormation e o AWS Cloud Development Kit (CDK). O processo inclui clonar o repositório GitHub necessário, configurar o ambiente do CDK, implantar o modelo usando os serviços da AWS e testar seu desempenho no SageMaker.

Para saber mais detalhes técnicos, consulte este artigo no blog de aprendizado de máquina da AWS. Você também pode consultar a documentação oficial do Amazon SageMaker para saber mais sobre os diversos recursos e funcionalidades.

Você tem interesse em conhecer outras integrações do YOLO26? Acesse a página do guia de integrações da Ultralytics para descobrir ferramentas e recursos adicionais que podem aprimorar seus projetos de aprendizado de máquina.

Perguntas frequentes#