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.
Starten eines Amazon Rekognition Custom Labels-Modells
Sie können mit der Ausführung eines Amazon Rekognition Custom Labels-Modells beginnen, indem Sie die Konsole oder den Vorgang StartProjectVersion verwenden.
Das Starten eines Modells kann einige Minuten dauern. Um den aktuellen Status der Modellreife zu überprüfen, besuchen Sie die Detailseite für das Projekt oder verwenden Sie DescribeProject Versionen.
Nachdem das Modell gestartet wurde, verwenden Sie DetectCustomLabels, um Bilder anhand des Modells zu analysieren. Weitere Informationen finden Sie unter Analysieren eines Bildes mit einem trainierten Modell. Die Konsole bietet auch Beispielcode zum Aufrufen von DetectCustomLabels.
Starten eines Amazon Rekognition Custom Labels-Modells (Konsole)
Gehen Sie wie folgt vor, um ein Amazon Rekognition Custom Labels-Modell mit der Konsole auszuführen. Sie können das Modell direkt von der Konsole aus starten oder den von der Konsole bereitgestellten AWS SDK-Code verwenden.
So starten Sie ein Modell (Konsole)
Öffnen Sie die Amazon Rekognition-Konsole unter https://console.aws.amazon.com/rekognition/.
Wählen Sie Benutzerdefinierte Labels verwenden.
Wählen Sie Erste Schritte.
Wählen Sie im linken Navigationsbereich die Option Projekte aus.
Wählen Sie auf der Ressourcenseite Projekte das Projekt aus, das das trainierte Modell enthält, das Sie starten möchten.
Wählen Sie im Abschnitt Modelle das Modell aus, das Sie starten möchten.
Wählen Sie die Registerkarte Modell verwenden.
Führen Sie eine der folgenden Aktionen aus:
- Start model using the console
-
Gehen Sie im Abschnitt Modell starten oder stoppen wie folgt vor:
- Start model using the AWS SDK
-
Gehen Sie im Abschnitt Modell verwenden wie folgt vor:
-
Um zur Projektübersichtsseite zurückzukehren, wählen Sie oben auf der Seite Ihren Projektnamen aus.
Überprüfen Sie im Abschnitt Modell den Status des Modells. Wenn der Modellstatus WIRD AUSGEFÜHRT lautet, können Sie das Modell zur Analyse von Bildern verwenden. Weitere Informationen finden Sie unter Analysieren eines Bildes mit einem trainierten Modell.
Starten eines Amazon Rekognition Custom Labels-Modells (SDK)
Sie starten ein Modell, indem Sie die StartProjectVersions-API aufrufen und den Amazon-Ressourcennamen (ARN) des Modells im ProjectVersionArn Eingabeparameter übergeben. Sie geben auch die Anzahl der Inferenzeinheiten an, die Sie verwenden möchten. Weitere Informationen finden Sie unter Ausführen eines trainierten Amazon Rekognition Custom Labels-Modells.
Es kann eine Weile dauern, bis ein Modell gestartet wird. Die Python- und Java-Beispiele in diesem Thema verwenden Waiter, um auf den Start des Modells zu warten. Waiter sind Hilfsprogrammmethoden, die einen bestimmten Status abfragen. Alternativ können Sie den aktuellen Status überprüfen, indem Sie DescribeProjectVersions aufrufen.
So starten Sie ein Modell (SDK)
-
Falls Sie dies noch nicht getan haben, installieren und konfigurieren Sie die AWS CLI und die AWS SDKs. Weitere Informationen finden Sie unter Schritt 4: Richten Sie die AWS CLI und SDKs ein AWS.
Verwenden Sie den folgenden Beispielcode, um ein Modell zu starten.
- CLI
-
Ändern Sie den Wert von project-version-arn in den ARN des Modells, das Sie starten möchten. Ändern Sie den Wert von --min-inference-units in die Anzahl der Inferenzeinheiten, die Sie verwenden möchten. Ändern Sie optional --max-inference-units in die maximale Anzahl von Inferenzeinheiten, die Amazon Rekognition Custom Labels verwenden kann, um das Modell automatisch zu skalieren.
aws rekognition start-project-version --project-version-arn model_arn \
--min-inference-units minimum number of units \
--max-inference-units maximum number of units \
--profile custom-labels-access
- Python
-
Geben Sie die folgenden Befehlszeilenparameter an:
project_arn — der ARN des Projekts, das das Modell enthält, das Sie starten möchten.
model_arn — die ARN des Modells, das Sie starten möchten.
min_inference_units — die Anzahl der Inferenzeinheiten, die Sie verwenden möchten.
(Optional) --max_inference_units Die maximale Anzahl von Inferenzeinheiten, die Amazon Rekognition Custom Labels für die automatische Skalierung des Modells verwenden kann.
# Copyright Amazon.com, Inc. or its affiliates. All Rights Reserved.
# SPDX-License-Identifier: Apache-2.0
"""
Purpose
Shows how to start running an Amazon Lookout for Vision model.
"""
import argparse
import logging
import boto3
from botocore.exceptions import ClientError
logger = logging.getLogger(__name__)
def get_model_status(rek_client, project_arn, model_arn):
"""
Gets the current status of an Amazon Rekognition Custom Labels model
:param rek_client: The Amazon Rekognition Custom Labels Boto3 client.
:param project_name: The name of the project that you want to use.
:param model_arn: The name of the model that you want the status for.
:return: The model status
"""
logger.info("Getting status for %s.", model_arn)
# Extract the model version from the model arn.
version_name = (model_arn.split("version/", 1)[1]).rpartition('/')[0]
models = rek_client.describe_project_versions(ProjectArn=project_arn,
VersionNames=[version_name])
for model in models['ProjectVersionDescriptions']:
logger.info("Status: %s", model['StatusMessage'])
return model["Status"]
error_message = f"Model {model_arn} not found."
logger.exception(error_message)
raise Exception(error_message)
def start_model(rek_client, project_arn, model_arn, min_inference_units, max_inference_units=None):
"""
Starts the hosting of an Amazon Rekognition Custom Labels model.
:param rek_client: The Amazon Rekognition Custom Labels Boto3 client.
:param project_name: The name of the project that contains the
model that you want to start hosting.
:param min_inference_units: The number of inference units to use for hosting.
:param max_inference_units: The number of inference units to use for auto-scaling
the model. If not supplied, auto-scaling does not happen.
"""
try:
# Start the model
logger.info(f"Starting model: {model_arn}. Please wait....")
if max_inference_units is None:
rek_client.start_project_version(ProjectVersionArn=model_arn,
MinInferenceUnits=int(min_inference_units))
else:
rek_client.start_project_version(ProjectVersionArn=model_arn,
MinInferenceUnits=int(
min_inference_units),
MaxInferenceUnits=int(max_inference_units))
# Wait for the model to be in the running state
version_name = (model_arn.split("version/", 1)[1]).rpartition('/')[0]
project_version_running_waiter = rek_client.get_waiter(
'project_version_running')
project_version_running_waiter.wait(
ProjectArn=project_arn, VersionNames=[version_name])
# Get the running status
return get_model_status(rek_client, project_arn, model_arn)
except ClientError as err:
logger.exception("Client error: Problem starting model: %s", err)
raise
def add_arguments(parser):
"""
Adds command line arguments to the parser.
:param parser: The command line parser.
"""
parser.add_argument(
"project_arn", help="The ARN of the project that contains that the model you want to start."
)
parser.add_argument(
"model_arn", help="The ARN of the model that you want to start."
)
parser.add_argument(
"min_inference_units", help="The minimum number of inference units to use."
)
parser.add_argument(
"--max_inference_units", help="The maximum number of inference units to use for auto-scaling the model.", required=False
)
def main():
logging.basicConfig(level=logging.INFO,
format="%(levelname)s: %(message)s")
try:
# Get command line arguments.
parser = argparse.ArgumentParser(usage=argparse.SUPPRESS)
add_arguments(parser)
args = parser.parse_args()
# Start the model.
session = boto3.Session(profile_name='custom-labels-access')
rekognition_client = session.client("rekognition")
status = start_model(rekognition_client,
args.project_arn, args.model_arn,
args.min_inference_units,
args.max_inference_units)
print(f"Finished starting model: {args.model_arn}")
print(f"Status: {status}")
except ClientError as err:
error_message = f"Client error: Problem starting model: {err}"
logger.exception(error_message)
print(error_message)
except Exception as err:
error_message = f"Problem starting model:{err}"
logger.exception(error_message)
print(error_message)
if __name__ == "__main__":
main()
- Java V2
-
Geben Sie die folgenden Befehlszeilenparameter an:
project_arn — der ARN des Projekts, das das Modell enthält, das Sie starten möchten.
model_arn — die ARN des Modells, das Sie starten möchten.
min_inference_units — die Anzahl der Inferenzeinheiten, die Sie verwenden möchten.
(Optional) max_inference_units — Die maximale Anzahl von Inferenzeinheiten, die Amazon Rekognition Custom Labels verwenden kann, um das Modell automatisch zu skalieren. Wenn Sie keinen Wert angeben, erfolgt keine automatische Skalierung.
/*
Copyright Amazon.com, Inc. or its affiliates. All Rights Reserved.
SPDX-License-Identifier: Apache-2.0
*/
package com.example.rekognition;
import software.amazon.awssdk.auth.credentials.ProfileCredentialsProvider;
import software.amazon.awssdk.core.waiters.WaiterResponse;
import software.amazon.awssdk.regions.Region;
import software.amazon.awssdk.services.rekognition.RekognitionClient;
import software.amazon.awssdk.services.rekognition.model.DescribeProjectVersionsRequest;
import software.amazon.awssdk.services.rekognition.model.DescribeProjectVersionsResponse;
import software.amazon.awssdk.services.rekognition.model.ProjectVersionDescription;
import software.amazon.awssdk.services.rekognition.model.ProjectVersionStatus;
import software.amazon.awssdk.services.rekognition.model.RekognitionException;
import software.amazon.awssdk.services.rekognition.model.StartProjectVersionRequest;
import software.amazon.awssdk.services.rekognition.model.StartProjectVersionResponse;
import software.amazon.awssdk.services.rekognition.waiters.RekognitionWaiter;
import java.util.Optional;
import java.util.logging.Level;
import java.util.logging.Logger;
public class StartModel {
public static final Logger logger = Logger.getLogger(StartModel.class.getName());
public static int findForwardSlash(String modelArn, int n) {
int start = modelArn.indexOf('/');
while (start >= 0 && n > 1) {
start = modelArn.indexOf('/', start + 1);
n -= 1;
}
return start;
}
public static void startMyModel(RekognitionClient rekClient, String projectArn, String modelArn,
Integer minInferenceUnits, Integer maxInferenceUnits
) throws Exception, RekognitionException {
try {
logger.log(Level.INFO, "Starting model: {0}", modelArn);
StartProjectVersionRequest startProjectVersionRequest = null;
if (maxInferenceUnits == null) {
startProjectVersionRequest = StartProjectVersionRequest.builder()
.projectVersionArn(modelArn)
.minInferenceUnits(minInferenceUnits)
.build();
}
else {
startProjectVersionRequest = StartProjectVersionRequest.builder()
.projectVersionArn(modelArn)
.minInferenceUnits(minInferenceUnits)
.maxInferenceUnits(maxInferenceUnits)
.build();
}
StartProjectVersionResponse response = rekClient.startProjectVersion(startProjectVersionRequest);
logger.log(Level.INFO, "Status: {0}", response.statusAsString() );
// Get the model version
int start = findForwardSlash(modelArn, 3) + 1;
int end = findForwardSlash(modelArn, 4);
String versionName = modelArn.substring(start, end);
// wait until model starts
DescribeProjectVersionsRequest describeProjectVersionsRequest = DescribeProjectVersionsRequest.builder()
.versionNames(versionName)
.projectArn(projectArn)
.build();
RekognitionWaiter waiter = rekClient.waiter();
WaiterResponse<DescribeProjectVersionsResponse> waiterResponse = waiter
.waitUntilProjectVersionRunning(describeProjectVersionsRequest);
Optional<DescribeProjectVersionsResponse> optionalResponse = waiterResponse.matched().response();
DescribeProjectVersionsResponse describeProjectVersionsResponse = optionalResponse.get();
for (ProjectVersionDescription projectVersionDescription : describeProjectVersionsResponse
.projectVersionDescriptions()) {
if(projectVersionDescription.status() == ProjectVersionStatus.RUNNING) {
logger.log(Level.INFO, "Model is running" );
}
else {
String error = "Model training failed: " + projectVersionDescription.statusAsString() + " "
+ projectVersionDescription.statusMessage() + " " + modelArn;
logger.log(Level.SEVERE, error);
throw new Exception(error);
}
}
} catch (RekognitionException e) {
logger.log(Level.SEVERE, "Could not start model: {0}", e.getMessage());
throw e;
}
}
public static void main(String[] args) {
String modelArn = null;
String projectArn = null;
Integer minInferenceUnits = null;
Integer maxInferenceUnits = null;
final String USAGE = "\n" + "Usage: " + "<project_name> <version_name> <min_inference_units> <max_inference_units>\n\n" + "Where:\n"
+ " project_arn - The ARN of the project that contains the model that you want to start. \n\n"
+ " model_arn - The ARN of the model version that you want to start.\n\n"
+ " min_inference_units - The number of inference units to start the model with.\n\n"
+ " max_inference_units - The maximum number of inference units that Custom Labels can use to "
+ " automatically scale the model. If the value is null, automatic scaling doesn't happen.\n\n";
if (args.length < 3 || args.length >4) {
System.out.println(USAGE);
System.exit(1);
}
projectArn = args[0];
modelArn = args[1];
minInferenceUnits=Integer.parseInt(args[2]);
if (args.length == 4) {
maxInferenceUnits = Integer.parseInt(args[3]);
}
try {
// Get the Rekognition client.
RekognitionClient rekClient = RekognitionClient.builder()
.credentialsProvider(ProfileCredentialsProvider.create("custom-labels-access"))
.region(Region.US_WEST_2)
.build();
// Start the model.
startMyModel(rekClient, projectArn, modelArn, minInferenceUnits, maxInferenceUnits);
System.out.println(String.format("Model started: %s", modelArn));
rekClient.close();
} catch (RekognitionException rekError) {
logger.log(Level.SEVERE, "Rekognition client error: {0}", rekError.getMessage());
System.exit(1);
} catch (Exception rekError) {
logger.log(Level.SEVERE, "Error: {0}", rekError.getMessage());
System.exit(1);
}
}
}
