Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich.

Durchführen von Machine Learning-Inferenzen

Mit können Sie mithilfe von Cloud-trainierten AWS IoT GreengrassModellen Machine Learning (ML)-Inferenzen auf Ihren Edge-Geräten für lokal generierte Daten durchführen. Sie können von der niedrigen Latenz und Kosteneinsparungen der Ausführung von lokaler Inferenz profitieren und trotzdem die Cloud-Rechenleistung für Schulungsmodelle und komplexe Verarbeitung nutzen.

AWS IoT Greengrass macht die erforderlichen Schritte zur Durchführung von Inferenzen effizienter. Sie können Ihre Inferenzmodelle überall trainieren und lokal als Machine-Learning-Komponenten bereitstellen. Sie können beispielsweise Deep-Learning-Modelle in Amazon SageMaker- oder Computer-Vision-Modellen in Amazon Lookout for Vision erstellen und trainieren. Anschließend können Sie diese Modelle in einem Amazon S3-Bucket speichern, sodass Sie diese Modelle als Artefakte in Ihren Komponenten verwenden können, um Inferenzen auf Ihren Core-Geräten durchzuführen.

Funktionsweise der AWS IoT Greengrass-ML-Inferenz

AWS bietet Machine-Learning-Komponenten, mit denen Sie in einem Schritt Bereitstellungen erstellen können, um Machine-Learning-Inferenzen auf Ihrem Gerät durchzuführen. Sie können diese Komponenten auch als Vorlagen verwenden, um benutzerdefinierte Komponenten zu erstellen, die Ihren spezifischen Anforderungen entsprechen.

Jede Bereitstellung, die Sie erstellen, um Machine Learning-Inferenzen durchzuführen, besteht aus mindestens einer Komponente, die Ihre Inferenzanwendung ausführt, das Machine Learning-Framework installiert und Ihre Machine Learning-Modelle herunterlädt. Um eine Beispielinferenz mit von bereitgestellten Komponenten durchzuführen, stellen Sie eine Inferenzkomponente auf Ihrem CoreAWS-Gerät bereit, die automatisch die entsprechenden Modell- und Laufzeitkomponenten als Abhängigkeiten enthält. Um Ihre Bereitstellungen anzupassen, können Sie die Beispielmodellkomponenten mit benutzerdefinierten Modellkomponenten verbinden oder austauschen, oder Sie können die Komponentenrezepte für die von bereitgestellten Komponenten als Vorlagen verwenden, um Ihre eigenen benutzerdefinierten InferenzAWS-, Modell- und Laufzeitkomponenten zu erstellen.

So führen Sie Machine Learning-Inferenzen mithilfe benutzerdefinierter Komponenten durch:

Informationen zu den ersten Schritten mit AWSvon bereitgestellten Komponenten finden Sie unter Tutorial: Durchführen einer Inferenz bei der Bildklassifizierung mit TensorFlow Lite.

Informationen zum Erstellen von benutzerdefinierten Machine-Learning-Komponenten finden Sie unter Anpassen Ihrer Machine-Learning-Komponenten.

Was ist in AWS IoT Greengrass Version 2 anders?

AWS IoT Greengrass fasst Funktionseinheiten für Machine Learning – wie Modelle, Laufzeiten und Inferenzcode – in Komponenten zusammen, mit denen Sie die Machine-Learning-Laufzeit in einem Schritt installieren, Ihre trainierten Modelle herunterladen und Inferenzen auf Ihrem Gerät durchführen können.

Durch die Verwendung der von bereitgestellten Machine-LearningAWS-Komponenten haben Sie die Flexibilität, mit der Durchführung von Machine-Learning-Inferenzen mit Beispiel-Inferenzcode und vortrainierten Modellen zu beginnen. Sie können benutzerdefinierte Modellkomponenten einbinden, um Ihre eigenen benutzerdefinierten trainierten Modelle mit den von AWSbereitgestellten Inferenz- und Laufzeitkomponenten zu verwenden. Für eine vollständig angepasste Machine-Learning-Lösung können Sie die öffentlichen Komponenten als Vorlagen verwenden, um benutzerdefinierte Komponenten zu erstellen und beliebige Laufzeiten, Modelle oder Inferenztypen zu verwenden.

Voraussetzungen

Um Machine-Learning-Komponenten zu erstellen und zu verwenden, benötigen Sie Folgendes:

Unterstützte Modellquellen

AWS IoT Greengrass unterstützt die Verwendung von benutzerdefinierten Machine-Learning-Modellen, die in Amazon S3 gespeichert sind. Sie können auch Amazon SageMaker -Edge-Paketerstellungsaufträge verwenden, um direkt Modellkomponenten für Ihre SageMaker Neo-kompilierten Modelle zu erstellen. Informationen zur Verwendung von SageMaker Edge Manager mit AWS IoT Greengrassfinden Sie unter Verwenden von Amazon SageMaker Edge Manager auf Greengrass-Core-Geräten. Sie können auch Amazon Lookout for Vision-Modellpaketierungsaufträge verwenden, um Modellkomponenten für Ihre Lookout for Vision-Modelle zu erstellen. Weitere Informationen zur Verwendung von Lookout for Vision mit finden Sie AWS IoT Greengrassunter Amazon Lookout for Vision.

Die S3-Buckets, die Ihre Modelle enthalten, müssen die folgenden Anforderungen erfüllen:

Unterstützte Machine-Learning-Laufzeiten

AWS IoT Greengrass Mit können Sie benutzerdefinierte Komponenten erstellen, um eine beliebige Machine-Learning-Laufzeitumgebung Ihrer Wahl zu verwenden, um Machine-Learning-Inferenzen mit Ihren benutzerdefinierten trainierten Modellen durchzuführen. Informationen zum Erstellen von benutzerdefinierten Machine-Learning-Komponenten finden Sie unter Anpassen Ihrer Machine-Learning-Komponenten.

Um die ersten Schritte mit Machine Learning effizienter zu gestalten, AWS IoT Greengrass bietet Beispielkomponenten für Inferenz, Modell und Laufzeit, die die folgenden Machine-Learning-Laufzeiten verwenden:

AWSVon bereitgestellte Machine-Learning-Komponenten

In der folgenden Tabelle sind die AWSvon bereitgestellten Komponenten aufgeführt, die für Machine Learning verwendet werden.