跳至内容

在 Amazon SageMaker 端点上部署YOLO11 指南

在亚马逊 SageMaker 端点上部署Ultralytics' YOLO11 等高级 计算机视觉模型为各种机器学习应用提供了广泛的可能性。有效使用这些模型的关键在于了解其设置、配置和部署流程。当YOLO11 与亚马逊 SageMaker(AWS 提供的强大且可扩展的机器学习服务)无缝集成时,其功能会变得更加强大。

本指南将带您逐步完成在 Amazon SageMaker 端点上部署YOLO11 PyTorch模型的过程。您将了解准备 AWS 环境、适当配置模型以及使用 AWS CloudFormation 和 AWS Cloud Development Kit (CDK) 等工具进行部署的基本要素。

亚马逊 SageMaker

亚马逊 SageMaker 概览

Amazon SageMaker是亚马逊网络服务(AWS)提供的一项机器学习服务,可简化机器学习模型的构建、训练和部署过程。它提供了广泛的工具,用于处理机器学习工作流的各个方面。其中包括调整模型的自动化功能、大规模训练模型的选项以及将模型部署到生产中的直接方法。SageMaker 支持流行的机器学习框架,为各种项目提供所需的灵活性。它的功能还包括数据标记、工作流管理和性能分析。

在 Amazon SageMaker 端点上部署YOLO11

在 Amazon SageMaker 上部署YOLO11 可让您使用其托管环境进行实时推理,并利用自动扩展等功能。请看下面的 AWS 架构。

AWS 架构

步骤 1:设置 AWS 环境

首先,确保具备以下先决条件:

  • AWS 账户:如果还没有,请注册一个 AWS 账户。

  • 配置 IAM 角色:您需要一个具有 Amazon SageMaker、AWS CloudFormation 和 Amazon S3 必要权限的 IAM 角色。该角色应具有允许其访问这些服务的策略。

  • AWSCLI :如果尚未安装,请下载并安装 AWS 命令行界面 (CLI) 并将其配置为您的账户详细信息。请按照AWSCLI 的说明进行安装。

  • AWS CDK:如果尚未安装,请安装 AWS 云开发工具包 (CDK),该工具包将用于编写部署脚本。请按照AWS CDK 的说明进行安装。

  • 足够的服务配额:确认为 Amazon SageMaker 中的两个独立资源提供了足够的配额:一个用于 ml.m5.4xlarge 用于终端使用,另一个用于 ml.m5.4xlarge 用于笔记本实例的使用。每个配额至少需要一个配额值。如果您当前的配额低于这一要求,请务必申请增加配额。您可以按照以下详细说明申请增加配额 AWS 服务配额文档.

步骤 2:克隆YOLO11 SageMaker 资源库

下一步是克隆特定的 AWS 资源库,其中包含在 SageMaker 上部署YOLO11 的资源。该资源库托管在 GitHub 上,包含必要的 CDK 脚本和配置文件。

  • 克隆 GitHub 仓库:在终端中执行以下命令克隆 host-yolov8-on-sagemaker-endpoint 仓库:
git clone https://github.com/aws-samples/host-yolov8-on-sagemaker-endpoint.git
  • 导航至克隆目录将目录更改为克隆版本库:
cd host-yolov8-on-sagemaker-endpoint/yolov8-pytorch-cdk

步骤 3:设置 CDK 环境

现在您已经有了必要的代码,请设置您的环境以便使用 AWS CDK 进行部署。

  • 创建Python 虚拟环境:这将隔离Python 环境和依赖项。运行:
python3 -m venv .venv
  • 激活虚拟环境:
source .venv/bin/activate
  • 安装依赖项:安装项目所需的Python 依赖项:
pip3 install -r requirements.txt
  • 升级 AWS CDK 库:确保您拥有最新版本的 AWS CDK 库:
pip install --upgrade aws-cdk-lib

第 4 步:创建 AWS CloudFormation 堆栈

  • 合成 CDK 应用程序:根据 CDK 代码生成 AWS CloudFormation 模板:
cdk synth
  • 引导 CDK 应用程序:为 CDK 部署准备 AWS 环境:
cdk bootstrap
  • 部署堆栈:这将创建必要的 AWS 资源并部署您的模型:
cdk deploy

步骤 5:部署YOLO 模型

在深入了解部署说明之前,请务必查看 Ultralytics 提供的一系列YOLO11 型号。这将帮助您根据项目要求选择最合适的型号。

创建 AWS CloudFormation Stack 之后,下一步就是部署YOLO11 。

  • 打开笔记本实例:转到 AWS 控制台并导航到 Amazon SageMaker 服务。从仪表板中选择 "笔记本实例",然后找到 CDK 部署脚本创建的笔记本实例。打开笔记本实例,访问 Jupyter 环境。

  • 访问并修改 inference.py:在 Jupyter 中打开 SageMaker 笔记本实例后,找到 inference.py 文件。按下图所示编辑 inference.py 中的 output_fn 函数,并将更改保存到脚本,确保没有语法错误。

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)
  • 使用 1_DeployEndpoint.ipynb 部署端点:在 Jupyter 环境中,打开位于 sm-notebook 目录中的 1_DeployEndpoint.ipynb 笔记本。按照笔记本中的说明运行单元格下载YOLO11 模型,将其与更新的推理代码打包,并上传到亚马逊 S3 存储桶。该笔记本将指导您为YOLO11 模型创建和部署 SageMaker 端点。

步骤 6:测试部署

现在,您的YOLO11 模型已经部署完毕,测试其性能和功能非常重要。

  • 打开测试笔记本:在同一 Jupyter 环境中,找到并打开同样位于 sm-notebook 目录中的 2_TestEndpoint.ipynb 笔记本。

  • 运行测试笔记本:按照笔记本中的说明测试已部署的 SageMaker 端点。这包括向端点发送图像并运行推论。然后,您将绘制输出图,以直观了解模型的性能和准确性,如下图所示。

测试结果YOLO11

  • 清理资源:测试笔记本还将指导您完成清理终端和托管模型的过程。这是有效管理成本和资源的重要步骤,尤其是在不打算立即使用已部署模型的情况下。

步骤 7:监测和管理

测试之后,对部署的模型进行持续监控和管理至关重要。

  • 使用 Amazon CloudWatch 进行监控:使用Amazon CloudWatch 定期检查 SageMaker 端点的性能和健康状况。

  • 管理终端:使用 SageMaker 控制台对端点进行持续管理。这包括根据需要扩展、更新或重新部署模型。

完成这些步骤后,您就可以在 Amazon SageMaker Endpoints 上成功部署和测试YOLO11 模型了。这一过程不仅使您获得了使用 AWS 服务进行机器学习部署的实践经验,还为将来部署其他高级模型奠定了基础。

摘要

本指南将带您逐步完成使用 AWS CloudFormation 和 AWS Cloud Development Kit (CDK) 在 Amazon SageMaker Endpoints 上部署YOLO11 的过程。该过程包括克隆必要的 GitHub 仓库、设置 CDK 环境、使用 AWS 服务部署模型以及在 SageMaker 上测试其性能。

有关更多技术细节,请参阅 AWS 机器学习博客上的这篇文章。您还可以查看亚马逊 SageMaker官方文档,了解有关各种特性和功能的更多信息。

您是否有兴趣了解有关YOLO11 集成的更多信息?请访问Ultralytics 集成指南页面,了解更多可增强机器学习项目的工具和功能。

常见问题

如何在 Amazon SageMaker Endpoint 上部署Ultralytics YOLO11 模型?

要在 Amazon SageMaker Endpoint 上部署Ultralytics YOLO11 模型,请按照以下步骤操作:

  1. 设置 AWS 环境:确保您拥有 AWS 账户、具有必要权限的 IAM 角色,并配置了 AWSCLI 。安装 AWS CDK(如果尚未安装)(请参阅AWS CDK 说明)。
  2. 克隆YOLO11 SageMaker 资源库:
    git clone https://github.com/aws-samples/host-yolov8-on-sagemaker-endpoint.git
    cd host-yolov8-on-sagemaker-endpoint/yolov8-pytorch-cdk
    
  3. 设置 CDK 环境:创建Python 虚拟环境、激活、安装依赖项并升级 AWS CDK 库。
    python3 -m venv .venv
    source .venv/bin/activate
    pip3 install -r requirements.txt
    pip install --upgrade aws-cdk-lib
    
  4. 使用 AWS CDK 进行部署:合成和部署 CloudFormation 堆栈,启动环境。
    cdk synth
    cdk bootstrap
    cdk deploy
    

有关更多详细信息,请查看文档部分

在 Amazon SageMaker 上部署YOLO11 的前提条件是什么?

要在 Amazon SageMaker 上部署YOLO11 ,请确保具备以下先决条件:

  1. AWS 账户:活跃的 AWS 账户(在此注册)。
  2. IAM 角色:为 SageMaker、CloudFormation 和 Amazon S3 配置具有权限的 IAM 角色。
  3. AWSCLI :安装并配置 AWS 命令行界面(AWSCLI 安装指南)。
  4. AWS CDK:已安装 AWS 云开发工具包(CDK 安装指南)。
  5. 服务配额:足够的配额 ml.m5.4xlarge 终端和笔记本使用的实例 (要求增加配额).

有关详细设置,请参阅本节

为什么要在亚马逊 SageMaker 上使用Ultralytics YOLO11 ?

在 Amazon SageMaker 上使用Ultralytics YOLO11 有几个优势:

  1. 可扩展性和管理:SageMaker 提供可管理的环境,具有自动扩展等功能,有助于满足实时推理需求。
  2. 与 AWS 服务集成:与其他 AWS 服务无缝集成,如用于数据存储的 S3、用于基础设施即代码的 CloudFormation 以及用于监控的 CloudWatch。
  3. 易于部署:使用 AWS CDK 脚本简化设置,并精简部署流程。
  4. 性能:利用 Amazon SageMaker 的高性能基础设施,高效运行大规模推理任务。

更多关于使用 SageMaker 的优势,请参阅介绍部分

我能否在 Amazon SageMaker 上自定义YOLO11 的推理逻辑?

是的,您可以在 Amazon SageMaker 上自定义YOLO11 的推理逻辑:

  1. 修改 inference.py:找到并自定义 output_fn 功能中的 inference.py 文件来定制输出格式。

    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. 部署更新模型:确保使用提供的 Jupyter 笔记本重新部署模型 (1_DeployEndpoint.ipynb),以包括这些更改。

请参阅部署修改后模型的详细步骤

如何在 Amazon SageMaker 上测试已部署的YOLO11 模型?

在 Amazon SageMaker 上测试已部署的YOLO11 模型:

  1. 打开测试笔记本:找到 2_TestEndpoint.ipynb SageMaker Jupyter 环境中的笔记本。
  2. 运行笔记本:按照笔记本的说明将图像发送到端点、执行推理并显示结果。
  3. 结果可视化使用内置绘图功能可视化性能指标,如检测到的对象周围的边界框。

有关全面的测试说明,请访问测试部分

📅 11 个月前创建✏️ 2 个月前更新

评论