Day 36 - 使用 Container 建立 Amazon SageMaker 端點

13th鐵人賽 yolov4 sagemaker ecr container

yehchitsai

2021-11-08 20:52:14

5827 瀏覽

分享至

Day 36 - 使用 Container 建立 Amazon SageMaker 端點

今天的任務是將 Day 16 - 進行影像辨識訓練所訓練好的 YOLO 權重，轉為 SageMaker 的節點，可以使用 Lambda 來進行調用，需要用到的 AWS 資源為：

Amazon EC2
Amazon Simple Storage Service (S3)
Amazon Elastic Container Registry (ECR)
AWS Lambda
Amazon SageMaker
Identity and Access Management (IAM)

彼此之間的關係如下圖所示，使用者透過 API Gateway 上傳 (PUT) 圖片到 S3，這個事件會驅動 AWS Lambda ，而在 AWS Lambda 中會呼叫 Amazon SageMaker 的端點 (endpoint) 來使用事先訓練好的 YOLO 模型，而這個 YOLO 模型是在 EC2 中被製作好的容器映像檔 (Container Image)，並上傳到 Amazon Elastic Container Registry 中儲存。

圖 1、S3 驅動 Lambda 函數進行 YOLO 辨識架構圖

建立 Amazon SageMaker 端點的步驟為：

在 EC2 中建立容器映像檔，上傳容器映像檔到 ECR。
在 Amazon SageMaker 筆記本中建立 Amazon SageMaker 端點。
在 AWS Lambda 中進行 Amazon SageMaker 端點呼叫。

步驟 1.在 EC2 中建立容器映像檔

這個專案 yolov4-SageMaker 已經有建立好的容器設定，只要將這個專案下載到 EC2 上，就可以建立一個 YOLOv4 的推論容器映像檔。首先登錄到事先建立好的 EC2 個體上 (g4dn.2xlarge)，可以參考 Day 02 - 選擇具有 GPU 的 EC2 並完成配置這篇文章，並將事先訓練好的權重檔複製到指定目錄即可，可以參考 Day 15 - 說明 YOLO 相關設定，相關指令可以參考以下操作。

# 下載 yolov4-SageMaker 專案
git https://github.com/jackie930/yolov4-SageMaker.git 
cd yolov4-SageMaker
# 用來存放事先設定好的參數檔以及訓練好的權重檔的目錄
mkdir source/yolov4_endpoint/pretrained_model

# 事先設定好的參數檔以及訓練好的權重檔
cp ./darknet/cfg/yolov3.cfg ./source/yolov4_endpoint/pretrained_model/
cp ./darknet/cfg/obj.names ./source/yolov4_endpoint/pretrained_model/
cp ./darknet/weights/yolov3.backup  ./source/yolov4_endpoint/pretrained_model/

確認 yolov4-SageMaker 目錄結構，如下圖所示。

圖 2、yolov4-SageMaker 目錄結構

修改推論程式 predictor.py ，這個是容器內主要用來進行圖片辨識的程式，需要把預設的參數修改成自定義的參數，需要修改的在 94 - 96 行。

source/yolov4_endpoint/predictor.py

# 原先的設定
weight = './yolov4.weights'
names = './coco.names'
cfg = './yolov4.cfg'
# 自定的設定
weight = './yolov3.backup'
names = './obj.names'
cfg = './yolov3.cfg'

圖 3、修改為自行定義的圖片辨識的程式

接下來把建立容器映像檔的組態改成以 GPU 為基礎的，這樣等一下在建立映像檔的時候就會是編輯成可以使用 GPU 的版本，只是建立過程會十分緩慢，大概要數個小時。因為會建立一個 Docker Image，並將這個 image 放到 ECR 中，所以需要進行 AWS CLI 的認證，這一部分可以參考 Amazon Elastic Container Registry (ECR) - Day21 這一篇文章。

# 將 Docker 的建立設定改成針對 GPU 的
cd source/yolov4_endpoint/
mv Dockerfile Dockerfile.cpu
mv Dockerfile.gpu Dockerfile
# AWS CLI 的認證
aws configure
# 建立一個 docker image 並上傳到 ECR ，名稱為 yolov4-gpu
sh build_and_push.sh yolov4-gpu

圖 4、建立 YOLOv4 容器所需要的檔案

建立成功後可以在 Amazon Elastic Container Registry (ECR) 中，看到建立好的容器映像檔，如下圖所示。

圖 5、建立好的容器映像檔

步驟 2. 建立 Amazon SageMaker 端點

在專案中有一個 create_endpoint.py 的檔案，就是用來建立 Amazon SageMaker 端點的代碼，將這些代碼利用 Amazon SageMaker 筆記本來運行，並觀察運行結果，首先修改 get_arguments() 這個方法，指定端點名稱、目前的容器映像檔、以及指定端點運行的機型等，代碼如下圖所示。

圖 6、建立 Amazon SageMaker 端點 yolov4-gpu

步驟 3. AWS Lambda 中進行 Amazon SageMaker 端點呼叫

需要建立一個角色需要由 Lambda 函數來執行，且具有執行 Amazon SageMaker 端點的許可授權。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。在 Attach 許可政策 中輸入 sagemaker 接著選 AmazonSageMakerFullAccess 這個政策，以確保這個角色可以透過 AWS Lambda 來執行 Amazon SageMaker 端點。

圖 7、建立一個角色選擇 Lambda 的使用案例

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。輸入函數名稱，執行時間選擇 Python 3.8，最重要的是執行角色，務必選擇上一個畫面中的角色。

圖 8、建立 Lambda 函數設定畫面

接著輸入程式碼如下所示，bucket 跟 image_uri 這兩個變數需要改成自己環境中的對應值：

import json
from boto3.session import Session
import time

def lambda_handler(event, context):
    bucket = 'S3-BUCKET' # 存放辨識圖片的 S3 存儲桶
    image_uri = '00-frame-608x608-0007-new.jpg' # 待辨識圖片
    test_data = {
        'bucket' : bucket,
        'image_uri' : image_uri,
        'content_type': "application/json",
    }
    payload = json.dumps(test_data)


    session = Session()

    runtime = session.client("runtime.sagemaker")
    prev_time = time.time()
    response = runtime.invoke_endpoint(
        EndpointName='yolov4-gpu',
        ContentType="application/json",
        Body=payload)
    print('internal predicting time: ' , (time.time() - prev_time))
    result = json.loads(response["Body"].read())
    print (result)
    return {
        'statusCode': 200,
        'body': json.dumps(result)
    }

測試結果如下圖所示，使用與 Day 34 - 實作 S3 驅動 Lambda 函數進行 Yolo 物件辨識相同的圖片，得到的結果一樣，而辨識結果為 0.8 秒。

圖 9、建立 Lambda 函數設定畫面