Day 34 - 實作 S3 驅動 Lambda 函數進行 YOLO 物件辨識

根據 Day 33 - 實作 S3 驅動 Lambda 函數進行鏡像，這是一個微服務的架構，只需將 AWS Lambda 函數改變成 YOLO 物件辨識的模型，就可以達成 YOLO 物件辨識的功能。

圖 1、S3 驅動 Lambda 函數進行 YOLO 辨識架構圖

在 github 找到一個這樣的專案 YOLO-on-Lambda，使用上非常簡單，只要上傳事先壓縮好的 darknetmin.zip 到 Lambda 函數中就可以運行，這個專案事實上是將事先在LInux環境編譯好的 YOLOv3 執行檔 darknet，以及一些相關的參數檔壓縮在 darknetmin.zip 中，流程如下所示，我們實際操作一遍。

1. 下載程式碼。
2. 上傳相關檔案到 S3。
3. 建立 IAM 角色，允許執行 AWS Lambda，並有存取 S3 的許可。
4. 建立 AWS Lambda 函數。
5. 修改佈署程式並完成測試。

步驟一、下載程式碼

到 YOLO-on-Lambda 網站中下載 darknetmin.zip，如下圖所示。

圖 2、下載 darknetmin.zip

步驟二、上傳 YOLO 相關檔案到 S3

因為 AWS Lambda 函數的大小限制為 256 MB，所以需要把 YOLO 的權重檔存到 S3 中，在 Day 16 - 進行影像辨識訓練已經根據自己給定的數據集，完成的權重的訓練，所以可以將這個檔案上傳到 S3，以及先前下載的 Lambda 程式碼和圖片，如下圖所示。

圖 3、上傳 YOLO 相關檔案到 S3

步驟三、建立 IAM 角色

建立一個 IAM 角色，允許執行 AWS Lambda，並有存取 S3 的許可。進入 IAM 管理控制台，選擇新增角色，接下來如下圖所示，選擇 Lambda 的使用案例後點擊 下一個：許可 按鈕。

圖 4、建立一個角色選擇 Lambda 的使用案例

在搜尋文字框中輸入 basic 找到 AWSLambdaBasicExecutionRole 進行連接，這將允許這個角色有寫入 CloudWatch 記錄檔的全縣，方便程式除錯之用，如下圖所示。

圖 5、連接基礎的 CloudWatch 除錯用的許可政策

最後確定先前的設定後並輸入角色名稱後，就可以建立角色，如下圖所示。

圖 6、檢閱設定並建立角色

編輯一個新的政策，內容如下圖所示，給定讀取 (GetObject) 儲存貯體 A 與寫入物件 (PutObject) 與權限 (PutObjectAcl) 到儲存貯體 B。

圖 7、新增政策

接著到角色設定畫面，將新建政策連接到角色上，如下圖所示。

圖 8、將新增的政策連接到先前的角色

步驟四、建立 AWS Lambda 函數

進入 AWS Lambda 管理控制台，選擇建立 Lambda 函數，設定內容如下圖所示。比較需要注意的是執行時間務必選擇Python 3.8，這是那個 github 專案的要求；而執行角色要也要記得選擇上一個步驟設定的角色。

圖 9、建立 Lambda 函數設定畫面

建立 Lambda 函數可以自行撰寫，也可以上傳壓縮檔，在第二個步驟中，我們已經把 Lambda 函數代碼上傳到 S3 ，只需在函數設定主畫面的右邊，可以找到一個 上傳於 按鈕，點擊後選擇 Amazon S3 位置，就可以指定位置，如 https://[BUCKETNAME].s3.ap-southeast-1.amazonaws.com/darknetmin.zip，畫面如下所示。

圖 10、建立 Lambda 函數設定畫面

步驟五、修改、佈署程式並進行測試

需要修改的地方有：

1. 自建資料集相關檔案：物件檔(obj.data, obj.names)，用來說明辨識後的物件名稱的；組態檔 (yolov3.cfg)，需將原來的組態檔改名，放入新的組態檔。
2. Lambda 函數執行環境：需要進行必要調整。
3. Lambda 函數本身：需要根據需求進行調整。

自建資料集相關檔案
相關的三個檔案都是純文件檔，所以只需在 AWS Lambda 操作畫面中進行新增檔案的操作就可以，檔案內容請參照 Day 15 - 說明 YOLO 相關設定，完成後畫面如下。

圖 11、在 Lambda 函數中新增自建資料集相關檔案

Lambda 函數執行環境

在 程式碼 頁簽中，下方有一個 執行時間設定 的選項需要進行設定，從上圖中可以知道整個 Lambda 函數的主要函數進入點是 service.py，所以需要在 執行時間設定 中，設定處理常式為 service.handler，完成後畫面如下。

圖 12、在執行時間設定中，設定處理常式

接著在 組態 頁簽中，選擇 一般組態，將 記憶體 (MB) 設定為 2048 ～ 5120 M，逾時 設定為 2 分鐘，完成後畫面如下。

圖 13、在組態頁簽中，設定一般組態

Lambda 函數本身

需要修改的是要指定權重檔與待測試圖片的所在位置，並將原本的執行命令改成./darknet detector test cfg/obj.data cfg/yolov3.cfg {} {}，這樣才不會使用到預設的 coco.data 的標籤。

圖 14、修改 service.py 的內容

修改完畢後，進行佈署(Deploy)後，可以設定一個測試(test)計畫，不需要內容，直接測試即可。確認後會需要約 60 幾秒才會完成影像的辨識，如下圖所示。

圖 15、執行 YOLO Lambda 辨識功能

因為輸出是一整行，所以把這個輸出複製到一般編輯器中，比較方便看到辨識結果，如下圖所示。

圖 16、YOLO 辨識結果

而這樣的反應速度，如果是批次處理還可以，但是即時處理的話，反應速度太慢，可能需要再找其他工具來滿足這個需求。

參考資料

• YOLO-on-Lambda, https://github.com/fmacrae/YOLO-on-Lambda
• Day 15 - 說明 YOLO 相關設定，https://ithelp.ithome.com.tw/articles/10264575
• Day 16 - 進行影像辨識訓練，https://ithelp.ithome.com.tw/articles/10265534
• Day 33 - 實作 S3 驅動 Lambda 函數進行鏡像，https://ithelp.ithome.com.tw/articles/10278812