ML 图像分类连接器 - Amazon IoT Greengrass
Amazon Web Services 文档中描述的 Amazon Web Services 服务或功能可能因区域而异。要查看适用于中国区域的差异,请参阅中国的 Amazon Web Services 服务入门

您正在查看Amazon IoT Greengrass Version 1.Amazon IoT Greengrass Version 2是最新的主要版本Amazon IoT Greengrass. 有关使用Amazon IoT Greengrass V2,请参阅Amazon IoT Greengrass Version 2开发人员指南.

本文属于机器翻译版本。若本译文内容与英语原文存在差异,则一律以英文原文为准。

ML 图像分类连接器

ML 图像分类连接器提供一个机器学习 (ML) 推理服务,该服务在Amazon IoT Greengrass核心。此本地推理服务使用由 SageMaker 图像分类算法训练的模型执行映像分类。

用户定义的 Lambda 函数使用Amazon IoT GreengrassMachine Learning SDK 将推理请求提交给本地推理服务。该服务在本地运行推理,并返回输入映像属于特定类别的概率。

Amazon IoT Greengrass 提供此连接器的以下版本,可用于多个平台。

Version 2

连接器

描述和 ARN

ML 图像分类 Aarch64 JTX2

适用于 NVIDIA Jetson TX2 的映像分类推理服务。支持 GPU 加速。

ARNarn:aws:greengrass:region::/connectors/ImageClassificationAarch64JTX2/versions/2

ML 图像分类 x86_64

适用于 x86_64 平台的映像分类推理服务。

ARNarn:aws:greengrass:region::/connectors/ImageClassificationx86-64/versions/2

ML 图像分类 ARMv7

适用于 ARMv7 平台的映像分类推理服务。

ARNarn:aws:greengrass:region::/connectors/ImageClassificationARMv7/versions/2

Version 1

连接器

描述和 ARN

ML 图像分类 Aarch64 JTX2

适用于 NVIDIA Jetson TX2 的映像分类推理服务。支持 GPU 加速。

ARNarn:aws:greengrass:region::/connectors/ImageClassificationAarch64JTX2/versions/1

ML 图像分类 x86_64

适用于 x86_64 平台的映像分类推理服务。

ARNarn:aws:greengrass:region::/connectors/ImageClassificationx86-64/versions/1

ML 图像分类 Armv7

适用于 ARMv7 平台的映像分类推理服务。

ARNarn:aws:greengrass:region::/connectors/ImageClassificationARMv7/versions/1

有关版本更改的信息,请参阅更改日志

Requirements

这些连接器具有以下要求:

Version 2
  • Amazon IoT GreengrassCore 软件 v1.9.3 版或更高版本。

  • Python版本 3.7 或 3.8 安装在核心设备上并添加到 PATH 环境变量中。

    注意

    要使用 Python 3.8,请运行以下命令以创建从默认 Python 3.7 安装文件夹到已安装的 Python 3.8 二进制文件的符号链接。

    sudo ln -s path-to-python-3.8/python3.8 /usr/bin/python3.7

    这会将设备配置为满足 Amazon IoT Greengrass 的 Python 要求。

  • 安装在核心设备上的 Apache MXNet 框架的依赖项。有关更多信息,请参阅在 Amazon IoT Greengrass 核心上安装 MXNet 依赖项

  • 网络 ACL 和安全组都允许 (因此可到达您的实例) 的发起 ping 的ML 资源Greengrass 组中引用 SageMaker 模型源。此模型必须由 SageMaker 镜像分类算法训练。有关更多信息,请参阅 。图像分类算法中的Amazon SageMaker 开发人员指南.

  • 这些区域有:ML 反馈连接器添加到 Greengrass 组且已配置。仅当您要使用此连接器上传模型输入数据并将预测发布到 MQTT 主题时,这才是必需的。

  • 这些区域有:Greengrass 组角色配置为允许sagemaker:DescribeTrainingJob操作,如以下示例 IAM 策略中所示。

    { "Version": "2012-10-17", "Statement": [ { "Effect": "Allow", "Action": [ "sagemaker:DescribeTrainingJob" ], "Resource": "arn:aws:sagemaker:region:account-id:training-job:training-job-name" } ] }

    对于组角色要求,您必须将角色配置为授予所需权限,并确保角色已添加到组中。有关更多信息,请参阅 管理 Greengrass 组角色(控制台)管理 Greengrass 组角色 (CLI)

    您可以授予对资源的具体或条件访问权限(例如,通过使用通配符*命名方案)。如果将来要更改目标训练任务,请务必更新组角色。

  • Amazon IoT GreengrassMachine Learning 开发工具包与此连接器进行交互时需要 v1.1.0。

Version 1
  • Amazon IoT Greengrass核心软件版本 v1.7 或更高版本。

  • Python安装在核心设备上并添加到 PATH 环境变量中。

  • 安装在核心设备上的 Apache MXNet 框架的依赖项。有关更多信息,请参阅在 Amazon IoT Greengrass 核心上安装 MXNet 依赖项

  • 网络 ACL 和安全组都允许 (因此可到达您的实例) 的发起 ping 的ML 资源Greengrass 组中引用 SageMaker 模型源。此模型必须由 SageMaker 镜像分类算法训练。有关更多信息,请参阅 。图像分类算法中的Amazon SageMaker 开发人员指南.

  • 这些区域有:Greengrass 组角色配置为允许sagemaker:DescribeTrainingJob操作,如以下示例 IAM 策略中所示。

    { "Version": "2012-10-17", "Statement": [ { "Effect": "Allow", "Action": [ "sagemaker:DescribeTrainingJob" ], "Resource": "arn:aws:sagemaker:region:account-id:training-job:training-job-name" } ] }

    对于组角色要求,您必须将角色配置为授予所需权限,并确保角色已添加到组中。有关更多信息,请参阅 管理 Greengrass 组角色(控制台)管理 Greengrass 组角色 (CLI)

    您可以授予对资源的具体或条件访问权限(例如,通过使用通配符*命名方案)。如果将来要更改目标训练任务,请务必更新组角色。

  • Amazon IoT GreengrassMachine Learning 开发工具包与此连接器进行交互时需要 v1.0.0 或更高版本。

连接器参数

这些连接器提供以下参数。

Version 2
MLModelDestinationPath

Lambda 环境中 ML 资源的本地绝对路径。这是为 ML 资源指定的目标路径。

注意

如果您在控制台中创建了 ML 资源,这便是本地路径。

在Amazon IoT控制台:模型目标路径

:必需true

类型:string

有效模式:.+

MLModelResourceId

引用源模型的 ML 资源的 ID。

在Amazon IoT控制台:SageMaker 作业 ARN 资源

:必需true

类型:string

有效模式:[a-zA-Z0-9:_-]+

MLModelSageMakerJobArn

表示 SageMaker 模型源的 SageMaker 训练作业的 ARN。该模型必须由 SageMaker 镜像分类算法训练。

在Amazon IoT控制台:SageMaker 作业 ARN

:必需true

类型:string

有效模式:^arn:aws:sagemaker:[a-zA-Z0-9-]+:[0-9]+:training-job/[a-zA-Z0-9][a-zA-Z0-9-]+$

LocalInferenceServiceName

本地推理服务的名称。用户定义的 Lambda 函数将该服务的名称传递给的名称,从而调用该服务。invoke_inference_service函数Amazon IoT GreengrassMachine Learning SDK。有关示例,请参阅用法示例

在Amazon IoT控制台:本地推理服务名称

:必需true

类型:string

有效模式:[a-zA-Z0-9][a-zA-Z0-9-]{1,62}

LocalInferenceServiceTimeoutSeconds

在推理请求终止之前经过的时间(以秒为单位)。最小值为 1。

在Amazon IoT控制台:超时(秒)

:必需true

类型:string

有效模式:[1-9][0-9]*

LocalInferenceServiceMemoryLimitKB

该服务有权访问的内存量(以 KB 为单位)。最小值为 1。

在Amazon IoT控制台:内存限制 (KB)

:必需true

类型:string

有效模式:[1-9][0-9]*

GPUAcceleration

CPU 或 GPU(加速)计算上下文。此属性仅适用于 ML 映像分类 Aarch64 JTX2 连接器。

在Amazon IoT控制台:GPU 加速

:必需true

类型:string

有效值:CPUGPU

MLFeedbackConnectorConfigId

用于上传模型输入数据的反馈配置的 ID。这必须与为 ML 反馈连接器定义的反馈配置的 ID 匹配。

该仅当您要使用 ML 反馈连接器上传模型输入数据并将预测发布到 MQTT 主题时,才需要此参数。

在Amazon IoT控制台:ML 反馈连接器配置 ID

:必需false

类型:string

有效模式:^$|^[a-zA-Z0-9][a-zA-Z0-9-]{1,62}$

Version 1
MLModelDestinationPath

Lambda 环境中 ML 资源的本地绝对路径。这是为 ML 资源指定的目标路径。

注意

如果您在控制台中创建了 ML 资源,这便是本地路径。

在Amazon IoT控制台:模型目标路径

:必需true

类型:string

有效模式:.+

MLModelResourceId

引用源模型的 ML 资源的 ID。

在Amazon IoT控制台:SageMaker 作业 ARN 资源

:必需true

类型:string

有效模式:[a-zA-Z0-9:_-]+

MLModelSageMakerJobArn

表示 SageMaker 模型源的 SageMaker 训练作业的 ARN。该模型必须由 SageMaker 镜像分类算法训练。

在Amazon IoT控制台:SageMaker 作业 ARN

:必需true

类型:string

有效模式:^arn:aws:sagemaker:[a-zA-Z0-9-]+:[0-9]+:training-job/[a-zA-Z0-9][a-zA-Z0-9-]+$

LocalInferenceServiceName

本地推理服务的名称。用户定义的 Lambda 函数将该服务的名称传递给的名称,从而调用该服务。invoke_inference_service函数Amazon IoT GreengrassMachine Learning SDK。有关示例,请参阅用法示例

在Amazon IoT控制台:本地推理服务名称

:必需true

类型:string

有效模式:[a-zA-Z0-9][a-zA-Z0-9-]{1,62}

LocalInferenceServiceTimeoutSeconds

在推理请求终止之前经过的时间(以秒为单位)。最小值为 1。

在Amazon IoT控制台:超时(秒)

:必需true

类型:string

有效模式:[1-9][0-9]*

LocalInferenceServiceMemoryLimitKB

该服务有权访问的内存量(以 KB 为单位)。最小值为 1。

在Amazon IoT控制台:内存限制 (KB)

:必需true

类型:string

有效模式:[1-9][0-9]*

GPUAcceleration

CPU 或 GPU(加速)计算上下文。此属性仅适用于 ML 镜像分类 Aarch64 JTX2 连接器。

在Amazon IoT控制台:GPU 加速

:必需true

类型:string

有效值:CPUGPU

创建连接器示例 (Amazon CLI)

以下 CLI 命令将创建ConnectorDefinition,其初始版本包含 ML 镜像分类连接器。

示例:CPU 实例

以下示例创建 ML 图像分类 ARMv7l 连接器的实例。

aws greengrass create-connector-definition --name MyGreengrassConnectors --initial-version '{ "Connectors": [ { "Id": "MyImageClassificationConnector", "ConnectorArn": "arn:aws:greengrass:region::/connectors/ImageClassificationARMv7/versions/2", "Parameters": { "MLModelDestinationPath": "/path-to-model", "MLModelResourceId": "my-ml-resource", "MLModelSageMakerJobArn": "arn:aws:sagemaker:us-west-2:123456789012:training-job:MyImageClassifier", "LocalInferenceServiceName": "imageClassification", "LocalInferenceServiceTimeoutSeconds": "10", "LocalInferenceServiceMemoryLimitKB": "500000", "MLFeedbackConnectorConfigId": "MyConfig0" } } ] }'
示例:GPU 实例

此示例创建 ML 镜像分类 Aarch64 JTX2 连接器的实例,该实例在 NVIDIA Jetson TX2 面板上支持 GPU 加速。

aws greengrass create-connector-definition --name MyGreengrassConnectors --initial-version '{ "Connectors": [ { "Id": "MyImageClassificationConnector", "ConnectorArn": "arn:aws:greengrass:region::/connectors/ImageClassificationAarch64JTX2/versions/2", "Parameters": { "MLModelDestinationPath": "/path-to-model", "MLModelResourceId": "my-ml-resource", "MLModelSageMakerJobArn": "arn:aws:sagemaker:us-west-2:123456789012:training-job:MyImageClassifier", "LocalInferenceServiceName": "imageClassification", "LocalInferenceServiceTimeoutSeconds": "10", "LocalInferenceServiceMemoryLimitKB": "500000", "GPUAcceleration": "GPU", "MLFeedbackConnectorConfigId": "MyConfig0" } } ] }'
注意

这些连接器中的 Lambda 函数具有长时间生存的生命周期。

在Amazon IoT Greengrass控制台中添加连接器,您可以从组的连接器页. 有关更多信息,请参阅Greengrass 连接器入门(控制台)

输入数据

这些连接器接受一个图像文件作为输入。输入图像文件必须为 jpegpng 格式。有关更多信息,请参阅用法示例

这些连接器不接受 MQTT 消息作为输入数据。

输出数据

这些连接器返回输入图像中识别的对象的格式化预测:

[0.3,0.1,0.04,...]

预测包含值列表,这些值与模型训练期间训练数据集中使用的类别相对应。每个值代表图像落入相应类别的概率。概率最高的类别是主导预测。

这些连接器不会将 MQTT 消息作为输出数据发布。

用法示例

以下示例 Lambda 函数使用Amazon IoT GreengrassMachine Learning 开发工具包与 ML 图像分类连接器进行交互。

注意

该示例初始化一个开发工具包客户端,并同步调用该开发工具包的 invoke_inference_service 函数来调用本地推理服务。它会传入算法类型、服务名称、映像类型和映像内容。然后,该示例会解析服务响应以获取概率结果(预测)。

Python 3.7
import logging from threading import Timer import numpy as np import greengrass_machine_learning_sdk as ml # We assume the inference input image is provided as a local file # to this inference client Lambda function. with open('/test_img/test.jpg', 'rb') as f: content = bytearray(f.read()) client = ml.client('inference') def infer(): logging.info('invoking Greengrass ML Inference service') try: resp = client.invoke_inference_service( AlgoType='image-classification', ServiceName='imageClassification', ContentType='image/jpeg', Body=content ) except ml.GreengrassInferenceException as e: logging.info('inference exception {}("{}")'.format(e.__class__.__name__, e)) return except ml.GreengrassDependencyException as e: logging.info('dependency exception {}("{}")'.format(e.__class__.__name__, e)) return logging.info('resp: {}'.format(resp)) predictions = resp['Body'].read().decode("utf-8") logging.info('predictions: {}'.format(predictions)) # The connector output is in the format: [0.3,0.1,0.04,...] # Remove the '[' and ']' at the beginning and end. predictions = predictions[1:-1] count = len(predictions.split(',')) predictions_arr = np.fromstring(predictions, count=count, sep=',') # Perform business logic that relies on the predictions_arr, which is an array # of probabilities. # Schedule the infer() function to run again in one second. Timer(1, infer).start() return infer() def function_handler(event, context): return
Python 2.7
import logging from threading import Timer import numpy import greengrass_machine_learning_sdk as gg_ml # The inference input image. with open('/test_img/test.jpg', 'rb') as f: content = f.read() client = gg_ml.client('inference') def infer(): logging.info('Invoking Greengrass ML Inference service') try: resp = client.invoke_inference_service( AlgoType='image-classification', ServiceName='imageClassification', ContentType='image/jpeg', Body=content) except gg_ml.GreengrassInferenceException as e: logging.info('Inference exception %s("%s")', e.__class__.__name__, e) return except gg_ml.GreengrassDependencyException as e: logging.info('Dependency exception %s("%s")', e.__class__.__name__, e) return logging.info('Response: %s', resp) predictions = resp['Body'].read() logging.info('Predictions: %s', predictions) # The connector output is in the format: [0.3,0.1,0.04,...] # Remove the '[' and ']' at the beginning and end. predictions = predictions[1:-1] predictions_arr = numpy.fromstring(predictions, sep=',') logging.info("Split into %s predictions.", len(predictions_arr)) # Perform business logic that relies on predictions_arr, which is an array # of probabilities. # Schedule the infer() function to run again in one second. Timer(1, infer).start() infer() # In this example, the required AWS Lambda handler is never called. def function_handler(event, context): return

这些区域有:invoke_inference_service函数Amazon IoT GreengrassMachine Learning SDK 接受以下参数:

参数

描述

AlgoType

要用于推理的算法类型的名称。目前仅支持 image-classification

:必需true

类型:string

有效值:image-classification

ServiceName

本地推理服务的名称。在配置了连接器时,使用为 LocalInferenceServiceName 参数指定的名称。

:必需true

类型:string

ContentType

输入映像的 mime 类型。

:必需true

类型:string

有效值:image/jpeg, image/png

Body

输入映像文件的内容。

:必需true

类型:binary

在 Amazon IoT Greengrass 核心上安装 MXNet 依赖项

要使用 ML 映像分类连接器,您必须在核心设备上安装 Apache MXNet 框架的依赖项。连接器使用该框架来处理 ML 模型。

注意

这些连接器捆绑到预编译的 MXNet 库,因此无需在核心设备上安装 MXNet 框架。

Amazon IoT Greengrass 提供了脚本来安装以下常见平台和设备的依赖项(或用作安装参考)。如果使用的是其他平台或设备,请参阅 MXNet 文档以了解您的配置。

安装 MXNet 依赖项之前,请确保设备上存在所需的系统库(具有指定的最低版本)。

NVIDIA Jetson TX2
  1. 安装 CUDA Toolkit 9.0 和 cuDNN 7.0。您可以按照入门教程中设置其他设备中的说明进行操作。

  2. 启用通用存储库,以便连接器可以安装社区维护的开放软件。有关更多信息,请参阅 Ubuntu 文档中的 Repositories/Ubuntu

    1. 打开 /etc/apt/sources.list 文件。

    2. 确保以下各行已取消注释。

      deb http://ports.ubuntu.com/ubuntu-ports/ xenial universe deb-src http://ports.ubuntu.com/ubuntu-ports/ xenial universe deb http://ports.ubuntu.com/ubuntu-ports/ xenial-updates universe deb-src http://ports.ubuntu.com/ubuntu-ports/ xenial-updates universe
  3. 将以下安装脚本的副本保存到核心设备上一个名为 nvidiajtx2.sh 的文件。

    Python 3.7Python 2.7
    Python 3.7
    #!/bin/bash set -e echo "Installing dependencies on the system..." echo 'Assuming that universe repos are enabled and checking dependencies...' apt-get -y update apt-get -y dist-upgrade apt-get install -y liblapack3 libopenblas-dev liblapack-dev libatlas-base-dev apt-get install -y python3.7 python3.7-dev python3.7 -m pip install --upgrade pip python3.7 -m pip install numpy==1.15.0 python3.7 -m pip install opencv-python || echo 'Error: Unable to install OpenCV with pip on this platform. Try building the latest OpenCV from source (https://github.com/opencv/opencv).' echo 'Dependency installation/upgrade complete.'
    注意

    如果 OpenCV 使用此脚本无法成功安装,您可以尝试从源代码进行构建。有关更多信息,请参阅 OpenCV 文档中的在 Linux 中安装,或参考您平台的其他在线资源。

    Python 2.7
    #!/bin/bash set -e echo "Installing dependencies on the system..." echo 'Assuming that universe repos are enabled and checking dependencies...' apt-get -y update apt-get -y dist-upgrade apt-get install -y liblapack3 libopenblas-dev liblapack-dev libatlas-base-dev python-dev echo 'Install latest pip...' wget https://bootstrap.pypa.io/get-pip.py python get-pip.py rm get-pip.py pip install numpy==1.15.0 scipy echo 'Dependency installation/upgrade complete.'
  4. 从保存文件的目录中,键入以下命令:

    sudo nvidiajtx2.sh
x86_64 (Ubuntu or Amazon Linux)
  1. 将以下安装脚本的副本保存到核心设备上一个名为 x86_64.sh 的文件。

    Python 3.7Python 2.7
    Python 3.7
    #!/bin/bash set -e echo "Installing dependencies on the system..." release=$(awk -F= '/^NAME/{print $2}' /etc/os-release) if [ "$release" == '"Ubuntu"' ]; then # Ubuntu. Supports EC2 and DeepLens. DeepLens has all the dependencies installed, so # this is mostly to prepare dependencies on Ubuntu EC2 instance. apt-get -y update apt-get -y dist-upgrade apt-get install -y libgfortran3 libsm6 libxext6 libxrender1 apt-get install -y python3.7 python3.7-dev elif [ "$release" == '"Amazon Linux"' ]; then # Amazon Linux. Expect python to be installed already yum -y update yum -y upgrade yum install -y compat-gcc-48-libgfortran libSM libXrender libXext else echo "OS Release not supported: $release" exit 1 fi python3.7 -m pip install --upgrade pip python3.7 -m pip install numpy==1.15.0 python3.7 -m pip install opencv-python || echo 'Error: Unable to install OpenCV with pip on this platform. Try building the latest OpenCV from source (https://github.com/opencv/opencv).' echo 'Dependency installation/upgrade complete.'
    注意

    如果 OpenCV 使用此脚本无法成功安装,您可以尝试从源代码进行构建。有关更多信息,请参阅 OpenCV 文档中的在 Linux 中安装,或参考您平台的其他在线资源。

    Python 2.7
    #!/bin/bash set -e echo "Installing dependencies on the system..." release=$(awk -F= '/^NAME/{print $2}' /etc/os-release) if [ "$release" == '"Ubuntu"' ]; then # Ubuntu. Supports EC2 and DeepLens. DeepLens has all the dependencies installed, so # this is mostly to prepare dependencies on Ubuntu EC2 instance. apt-get -y update apt-get -y dist-upgrade apt-get install -y libgfortran3 libsm6 libxext6 libxrender1 python-dev python-pip elif [ "$release" == '"Amazon Linux"' ]; then # Amazon Linux. Expect python to be installed already yum -y update yum -y upgrade yum install -y compat-gcc-48-libgfortran libSM libXrender libXext python-pip else echo "OS Release not supported: $release" exit 1 fi pip install numpy==1.15.0 scipy opencv-python echo 'Dependency installation/upgrade complete.'
  2. 从保存文件的目录中,键入以下命令:

    sudo x86_64.sh
Armv7 (Raspberry Pi)
  1. 将以下安装脚本的副本保存到核心设备上一个名为 armv7l.sh 的文件。

    Python 3.7Python 2.7
    Python 3.7
    #!/bin/bash set -e echo "Installing dependencies on the system..." apt-get update apt-get -y upgrade apt-get install -y liblapack3 libopenblas-dev liblapack-dev apt-get install -y python3.7 python3.7-dev python3.7 -m pip install --upgrade pip python3.7 -m pip install numpy==1.15.0 python3.7 -m pip install opencv-python || echo 'Error: Unable to install OpenCV with pip on this platform. Try building the latest OpenCV from source (https://github.com/opencv/opencv).' echo 'Dependency installation/upgrade complete.'
    注意

    如果 OpenCV 使用此脚本无法成功安装,您可以尝试从源代码进行构建。有关更多信息,请参阅 OpenCV 文档中的在 Linux 中安装,或参考您平台的其他在线资源。

    Python 2.7
    #!/bin/bash set -e echo "Installing dependencies on the system..." apt-get update apt-get -y upgrade apt-get install -y liblapack3 libopenblas-dev liblapack-dev python-dev # python-opencv depends on python-numpy. The latest version in the APT repository is python-numpy-1.8.2 # This script installs python-numpy first so that python-opencv can be installed, and then install the latest # numpy-1.15.x with pip apt-get install -y python-numpy python-opencv dpkg --remove --force-depends python-numpy echo 'Install latest pip...' wget https://bootstrap.pypa.io/get-pip.py python get-pip.py rm get-pip.py pip install --upgrade numpy==1.15.0 picamera scipy echo 'Dependency installation/upgrade complete.'
  2. 从保存文件的目录中,键入以下命令:

    sudo bash armv7l.sh
    注意

    在 Raspberry Pi 上,使用 pip 安装机器学习依赖项是一项内存密集型操作,可能会导致设备用尽内存,变得无法响应。解决办法是临时增加交换空间大小:

    /etc/dphys-swapfile 中,增加 CONF_SWAPSIZE 变量的值,然后运行以下命令重启 dphys-swapfile

    /etc/init.d/dphys-swapfile restart

记录和故障排除

根据您的组设置,事件和错误日志会写入到 CloudWatch Logs 和本地文件系统。此连接器中的日志使用前缀 LocalInferenceServiceName。如果连接器出现异常行为,请检查连接器日志。其中经常包含有用的调试信息,例如缺失 ML 库依赖项或连接器启动故障的原因。

如果Amazon IoT Greengrass组配置为写入本地日志,则连接器将日志文件写入到greengrass-root/ggc/var/log/user/region/aws/. 有关 Greengrass 日志记录的更多信息,请参阅利用 Amazon IoT Greengrass 日志进行监控.

以下信息可帮助您解决与 ML 映像分类连接器相关的问题。

所需系统库

以下选项卡列出了每个 ML 镜像分类连接器所需的系统库。

ML Image Classification Aarch64 JTX2
Library 最低版本
ld-linux-aarch64.so.1 GLIBC_2.17
libc.so.6 GLIBC_2.17
libcublas.so.9.0 不适用
libcudart.so.9.0 不适用
libcudnn.so.7 不适用
libcufft.so.9.0 不适用
libcurand.so.9.0 不适用
libcusolver.so.9.0 不适用
libgcc_s.so.1 GCC_4.2.0
libgomp.so.1 GOMP_4.0,OMP_1.0
libm.so.6 GLIBC_2.23
libpthread.so.0 GLIBC_2.17
librt.so.1 GLIBC_2.17
libstdc++.so.6 GLIBCXX_3.4.21,CXXABI_1.3.8
ML Image Classification x86_64
Library 最低版本
ld-linux-x86-64.so.2 GCC_4.0.0
libc.so.6 GLIBC_2.4
libgfortran.so.3 GFORTRAN_1.0
libm.so.6 GLIBC_2.23
libpthread.so.0 GLIBC_2.2.5
librt.so.1 GLIBC_2.2.5
libstdc++.so.6 CXXABI_1.3.8,GLIBCXX_3.4.21
ML Image Classification Armv7
Library 最低版本
ld-linux-armhf.so.3 GLIBC_2.4
libc.so.6 GLIBC_2.7
libgcc_s.so.1 GCC_4.0.0
libgfortran.so.3 GFORTRAN_1.0
libm.so.6 GLIBC_2.4
libpthread.so.0 GLIBC_2.4
librt.so.1 GLIBC_2.4
libstdc++.so.6 CXXABI_1.3.8,CXXABI_ARM_1.3.3,GLIBCXX_3.4.20

问题

症状 解决方案

在 Raspberry Pi 上,记录了以下错误消息,并且您没有使用摄像机:Failed to initialize libdc1394

运行以下命令以显示驱动程序:

sudo ln /dev/null /dev/raw1394

此操作是临时的,符号链接将在重启后消失。请参阅您的 OS 分发手册以了解如何在重启时自动创建链接。

Licenses

ML 映像分类连接器包含以下第三方软件/许可:

Intel OpenMP 运行时库许可。Intel® OpenMP* 运行时经过双重许可,具有商业 (COM) 许可证(作为 Intel® Parallel Studio XE Suite 产品的一部分)和 BSD 开源 (OSS) 许可证。

此连接器在Greengrass 核心软件许可协议.

Changelog

下表介绍每一版的连接器中的更改。

Version

更改

2

已将添加到MLFeedbackConnectorConfigId参数来支持使用ML 反馈连接器上传模型输入数据,将预测发布到 MQTT 主题,并将指标发布到 Amazon CloudWatch。

1

首次发布。

Greengrass 组每次只能包含一个连接器版本。有关升级连接器版本的信息,请参阅升级连接器版本

另请参阅