SageMaker TensorFlow對(duì)象檢測(cè)模型
這篇文章描述了如何在Amazon SageMaker中使用TensorFlow對(duì)象檢測(cè)模型API來(lái)實(shí)現(xiàn)這一點(diǎn)。
首先,基于AWS示例筆記本,將解釋如何使用SageMaker端點(diǎn)在單個(gè)圖像上運(yùn)行模型。對(duì)于較小的圖像,這種方法可行,但對(duì)于較大的圖像,我們會(huì)遇到問(wèn)題。
為了解決這些問(wèn)題,改用批處理轉(zhuǎn)換作業(yè)。
起點(diǎn):使用SageMaker TensorFLow對(duì)象檢測(cè)API進(jìn)行模型推斷
AWS提供了一些關(guān)于GitHub如何使用SageMaker的好例子。
使用此示例使用TensorFlow對(duì)象檢測(cè)API對(duì)對(duì)象檢測(cè)模型進(jìn)行預(yù)測(cè):
將模型部署為端點(diǎn)時(shí),可以通過(guò)調(diào)用端點(diǎn),使用該模型一次推斷一個(gè)圖像。此代碼取自示例筆記本,顯示了如何定義TensorFlowModel并將其部署為模型端點(diǎn):
import cv2
import sagemaker
from sagemaker.utils import name_from_base
from sagemaker.tensorflow import TensorFlowModel
role = sagemaker.get_execution_role()
model_artefact = '<your-model-s3-path>'
model_endpoint = TensorFlowModel(
name=name_from_base('tf2-object-detection'),
model_data=model_artefact,
role=role,
framework_version='2.2',
)
predictor = model_endpoint.deploy(initial_instance_count=1, instance_type='ml.m5.large')
然后,將圖像加載為NumPy數(shù)組,并將其解析為列表,以便將其傳遞給端點(diǎn):
def image_file_to_tensor(path):
cv_img = cv2.imread(path,1).a(chǎn)stype('uint8')
cv_img = cv2.cvtColor(cv_img, cv2.COLOR_BGR2RGB)
return cv_img
img = image_file_to_tensor('test_images/22673445.jpg')
input = {
'instances': [img.tolist()]
}
最后,調(diào)用端點(diǎn):
detections = predictor.predict(input)['predictions'][0]
問(wèn)題:端點(diǎn)請(qǐng)求負(fù)載大小太大
這在使用小圖像時(shí)很好,因?yàn)锳PI調(diào)用的請(qǐng)求負(fù)載足夠小。然而,當(dāng)使用較大的圖片時(shí),API返回413錯(cuò)誤。這意味著有效負(fù)載超過(guò)了允許的大小,即6 MB。
當(dāng)然,我們可以在調(diào)用端點(diǎn)之前調(diào)整圖像的大小,但我想使用批處理轉(zhuǎn)換作業(yè)。
解決方案:改用批處理轉(zhuǎn)換作業(yè)
使用SageMaker批量轉(zhuǎn)換作業(yè),你可以定義自己的最大負(fù)載大小,這樣我們就不會(huì)遇到413個(gè)錯(cuò)誤。其次,這些作業(yè)可用于一次性處理全套圖像。
圖像需要存儲(chǔ)在S3存儲(chǔ)桶中。所有圖像都以批處理模式(名稱(chēng)中的內(nèi)容)進(jìn)行處理,預(yù)測(cè)也存儲(chǔ)在S3上。
為了使用批處理轉(zhuǎn)換作業(yè),我們?cè)俅味x了TensorFlowModel,但這次我們還定義了入口點(diǎn)和源目錄:
model_batch = TensorFlowModel(
name=name_from_base('tf2-object-detection'),
model_data=model_artifact,
role=role,
framework_version='2.2',
entry_point='inference.py',
source_dir='.',
)
inference.py代碼轉(zhuǎn)換模型的輸入和輸出數(shù)據(jù),如文檔中所述。此代碼需要將請(qǐng)求負(fù)載(圖像)更改為NumPy數(shù)組,并將其解析為列表對(duì)象。
從這個(gè)示例開(kāi)始,我更改了代碼,使其加載圖像并將其轉(zhuǎn)換為NumPy數(shù)組。inference.py中input_h(yuǎn)andler函數(shù)更改為以下內(nèi)容:
import io
import json
import numpy as np
from PIL import Image
def input_h(yuǎn)andler(data, context):
""" Pre-process request input before it is sent to TensorFlow Serving REST API
Args:
data (obj): the request data, in format of dict or string
context (Context): an object containing request and configuration details
Returns:
(dict): a JSON-serializable dict that contains request body and headers
"""
if context.request_content_type == "application/x-image":
payload = data.read()
image = Image.open(io.BytesIO(payload))
array = np.a(chǎn)sarray(image)
return json.dumps({'instances': [array.tolist()]})
raise ValueError('{{"error": "unsupported content type {}"}}'.format(
context.request_content_type or "unknown"))
注意,在上面的代碼中排除了output_h(yuǎn)andler函數(shù)。
此函數(shù)需要Python包NumPy和Pillow,它們未安裝在運(yùn)行批處理推斷作業(yè)的機(jī)器上。
我們可以創(chuàng)建自己的鏡像并使用該鏡像(在TensorFlowModel對(duì)象初始化時(shí)使用image_uri關(guān)鍵字)。
也可以提供requirements.txt并將其存儲(chǔ)在筆記本所在的文件夾中(稱(chēng)為source_dir=“.”)。該文件在鏡像引導(dǎo)期間用于使用pip安裝所需的包。內(nèi)容為:
numpy
pillow
首先,想使用OpenCV(就像在endpoint示例中一樣),但該軟件包不太容易安裝。
我們現(xiàn)在使用模型創(chuàng)建transformer對(duì)象,而不是將模型部署為模型端點(diǎn):
input_path = "s3://bucket/input"
output_path = "s3://bucket/output"
tensorflow_serving_transformer = model_batch.transformer(
instance_count=1,
instance_type="ml.m5.large",
max_concurrent_transforms=1,
max_payload=5,
output_path=output_path,
)
最后,使用transform:
tensorflow_serving_transformer.transform(
input_path,
content_type="application/x-image",
)
圖像由模型處理,結(jié)果將作為JSON文件最終在output_path bucket中。命名等于輸入文件名,后跟.out擴(kuò)展名。你還可以調(diào)整和優(yōu)化實(shí)例類(lèi)型、最大負(fù)載等。
最后
這很可能不是最具成本效益的方法,因?yàn)槲覀儗D像作為NumPy數(shù)組傳遞給轉(zhuǎn)換器。
此外,我們還可以在inference.py中調(diào)整output_h(yuǎn)andler函數(shù)壓縮并存儲(chǔ)在S3上的JSON,或僅返回相關(guān)檢測(cè)。
原文標(biāo)題 : SageMaker TensorFlow對(duì)象檢測(cè)模型
發(fā)表評(píng)論
請(qǐng)輸入評(píng)論內(nèi)容...
請(qǐng)輸入評(píng)論/評(píng)論長(zhǎng)度6~500個(gè)字
最新活動(dòng)更多
-
即日-10.29立即報(bào)名>> 2024德州儀器嵌入式技術(shù)創(chuàng)新發(fā)展研討會(huì)
-
10月31日立即下載>> 【限時(shí)免費(fèi)下載】TE暖通空調(diào)系統(tǒng)高效可靠的組件解決方案
-
即日-11.13立即報(bào)名>>> 【在線(xiàn)會(huì)議】多物理場(chǎng)仿真助跑新能源汽車(chē)
-
11月14日立即報(bào)名>> 2024工程師系列—工業(yè)電子技術(shù)在線(xiàn)會(huì)議
-
12月19日立即報(bào)名>> 【線(xiàn)下會(huì)議】OFweek 2024(第九屆)物聯(lián)網(wǎng)產(chǎn)業(yè)大會(huì)
-
即日-12.26火熱報(bào)名中>> OFweek2024中國(guó)智造CIO在線(xiàn)峰會(huì)
推薦專(zhuān)題
- 1 Intel宣布40年來(lái)最重大轉(zhuǎn)型:年底前裁員15000人、拋掉2/3房產(chǎn)
- 2 因美封殺TikTok,字節(jié)股價(jià)骨折!估值僅Meta1/5
- 3 宏山激光重磅發(fā)布行業(yè)解決方案,助力智能制造產(chǎn)業(yè)新飛躍
- 4 國(guó)產(chǎn)AI芯片公司破產(chǎn)!白菜價(jià)拍賣(mài)
- 5 具身智能火了,但規(guī)模落地還需時(shí)間
- 6 三次錯(cuò)失風(fēng)口!OpenAI前員工殺回AI編程賽道,老東家捧金相助
- 7 國(guó)產(chǎn)英偉達(dá)們,抓緊沖刺A股
- 8 英特爾賦能智慧醫(yī)療,共創(chuàng)數(shù)字化未來(lái)
- 9 英偉達(dá)的麻煩在后頭?
- 10 將“網(wǎng)紅”變成“商品”,AI“爆改”實(shí)力拉滿(mǎn)
- 高級(jí)軟件工程師 廣東省/深圳市
- 自動(dòng)化高級(jí)工程師 廣東省/深圳市
- 光器件研發(fā)工程師 福建省/福州市
- 銷(xiāo)售總監(jiān)(光器件) 北京市/海淀區(qū)
- 激光器高級(jí)銷(xiāo)售經(jīng)理 上海市/虹口區(qū)
- 光器件物理工程師 北京市/海淀區(qū)
- 激光研發(fā)工程師 北京市/昌平區(qū)
- 技術(shù)專(zhuān)家 廣東省/江門(mén)市
- 封裝工程師 北京市/海淀區(qū)
- 結(jié)構(gòu)工程師 廣東省/深圳市