自定义您的机器学习组件

部署修改后的公共推理组件（控制台）

1. 登录 Amazon IoT Greengrass 控制台。

2. 在导航菜单中，选择组件。

3. 在组件页面的公共组件选项卡上，选择要部署的组件。

4. 在组件页面上，选择部署。

5. 从 “添加到部署” 中，选择以下选项之一：

   1. 要将此组件合并到目标设备上的现有部署，请选择添加到现有部署，然后选择要修改的部署。

   2. 要在目标设备上创建新部署，请选择创建新部署。如果您的设备上已有部署，选择此步骤将替换现有部署。

6. 在指定目标页面中，执行以下操作：

   1. 在部署信息下，输入或修改部署的友好名称。

   2. 在部署目标下，选择部署目标，然后选择下一步。如果您正在修改现有部署，则无法更改部署目标。

7. 在 “选择组件” 页面上，在 “公共组件” 下，验证是否选择了经过修改的配置的推理组件，然后选择下一步。

8. 在配置组件页面上，执行以下操作：

   1. 选择推理组件，然后选择配置组件。

   2. 在配置更新下，输入要更新的配置值。例如，在 “要合并的配置” 框中输入以下配置更新，将推理间隔更改为 15 秒，并指示组件在文件夹custom.jpg中查找名为的/custom-ml-inference/images/图像。

      {
        "InferenceInterval": "15",
        "ImageName": "custom.jpg",
        "ImageDirectory": "/custom-ml-inference/images/"
      }

      要将组件的整个配置重置为其默认值，请在 “重置路径” 框""中指定一个空字符串。

   3. 选择确认，然后选择下一步。

9. 在 “配置高级设置” 页面上，保留默认配置设置，然后选择 “下一步”。

10. 在 “审阅” 页面上，选择 “部署”

1. 运行以下命令以检索 DLR 图像分类组件的组件配方。此命令将组件配方写入您在命令中提供的 JSON 或 YAML 配方文件。

   Linux, macOS, or Unix

   aws greengrassv2 get-component \
       --arn arn:aws:greengrass:region:aws:components:aws.greengrass.DLRImageClassification:versions:version \
       --recipe-output-format JSON | YAML \
       --query recipe \
       --output text | base64 --decode > <recipe-file>

   Windows Command Prompt (CMD)

   aws greengrassv2 get-component ^
       --arn arn:aws:greengrass:region:aws:components:aws.greengrass.DLRImageClassification:versions:version ^
       --recipe-output-format JSON | YAML ^
       --query recipe ^
       --output text > <recipe-file>.base64
   
   certutil -decode <recipe-file>.base64 <recipe-file>

   PowerShell

   aws greengrassv2 get-component `
       --arn arn:aws:greengrass:region:aws:components:aws.greengrass.DLRImageClassification:versions:version `
       --recipe-output-format JSON | YAML `
       --query recipe `
       --output text > <recipe-file>.base64
   
   certutil -decode <recipe-file>.base64 <recipe-file>

   <recipe-file>用格式中的配方名称替换<component-name>-<component-version>。

2. 在配方中的ComponentDependencies对象中，根据要使用的模型和运行时组件，执行以下一项或多项操作：

   • 如果要使用 DLR 编译的模型，请保留 DLR 组件依赖关系。您也可以将其替换为对自定义运行时组件的依赖关系，如以下示例所示。

     运行时组件

     JSON

     { 
         "<runtime-component>": {
             "VersionRequirement": "<version>",
             "DependencyType": "HARD"
         }
     }

     YAML

     <runtime-component>:
         VersionRequirement: "<version>"
         DependencyType: HARD

   • 保持 DLR 图像分类模型存储依赖关系以使用Amazon提供的预训练的 ResNet -50 模型，或者对其进行修改以使用自定义模型组件。当你为公共模型组件添加依赖关系时，如果该组件的更高自定义版本存在于同一个Amazon Web Services 账户和中Amazon Web Services 区域，则推理组件将使用该自定义组件。指定模型组件依赖关系，如以下示例所示。

     公共模型组件

     JSON

     {
         "variant.DLR.ImageClassification.ModelStore": {
             "VersionRequirement": "<version>",
             "DependencyType": "HARD"
         }
     }

     YAML

     variant.DLR.ImageClassification.ModelStore:
         VersionRequirement: "<version>"
         DependencyType: HARD

     自定义模型组件

     JSON

     {
         "<custom-model-component>": {
             "VersionRequirement": "<version>",
             "DependencyType": "HARD"
         }
     }

     YAML

     <custom-model-component>:
         VersionRequirement: "<version>"
         DependencyType: HARD

3. 在ComponentConfiguration对象中，添加此组件的默认配置。您可以稍后在部署组件时修改此配置。以下摘录显示了 DLR 图像分类组件的组件配置。

   例如，如果您使用自定义模型组件作为自定义推理组件的依赖项，请进行修改ModelResourceKey以提供您正在使用的模型的名称。

   JSON

   {
     "accessControl": {
       "aws.greengrass.ipc.mqttproxy": {
         "aws.greengrass.ImageClassification:mqttproxy:1": {
           "policyDescription": "Allows access to publish via topic ml/dlr/image-classification.",
           "operations": [
             "aws.greengrass#PublishToIoTCore"
           ],
           "resources": [
             "ml/dlr/image-classification"
           ]
         }
       }
     },
     "PublishResultsOnTopic": "ml/dlr/image-classification",
     "ImageName": "cat.jpeg",
     "InferenceInterval": 3600,
     "ModelResourceKey": {
       "armv7l": "DLR-resnet50-armv7l-cpu-ImageClassification",
       "x86_64": "DLR-resnet50-x86_64-cpu-ImageClassification",
       "aarch64": "DLR-resnet50-aarch64-cpu-ImageClassification"
     }
   }

   YAML

   accessControl:
       aws.greengrass.ipc.mqttproxy:
           'aws.greengrass.ImageClassification:mqttproxy:1':
               policyDescription: 'Allows access to publish via topic ml/dlr/image-classification.'
               operations:
                   - 'aws.greengrass#PublishToIoTCore'
               resources:
                   - ml/dlr/image-classification
   PublishResultsOnTopic: ml/dlr/image-classification
   ImageName: cat.jpeg
   InferenceInterval: 3600
   ModelResourceKey:
       armv7l: "DLR-resnet50-armv7l-cpu-ImageClassification"
       x86_64: "DLR-resnet50-x86_64-cpu-ImageClassification"
       aarch64: "DLR-resnet50-aarch64-cpu-ImageClassification"

4. 在Manifests对象中，提供有关该组件部署到不同平台时使用的构件和配置的信息，以及成功运行该组件所需的任何其他信息。以下摘录显示了 DLR 图像分类组件中适用于 Linux 平台的Manifests对象配置。

   JSON

   {
     "Manifests": [
       {
         "Platform": {
           "os": "linux",
           "architecture": "arm"
         },
         "Name": "32-bit armv7l - Linux (raspberry pi)",
         "Artifacts": [
           {
             "URI": "s3://SAMPLE-BUCKET/sample-artifacts-directory/image_classification.zip",
             "Unarchive": "ZIP"
           }
         ],
         "Lifecycle": {
           "Setenv": {
             "DLR_IC_MODEL_DIR": "{variant.DLR.ImageClassification.ModelStore:artifacts:decompressedPath}/{configuration:/ModelResourceKey/armv7l}",
             "DEFAULT_DLR_IC_IMAGE_DIR": "{artifacts:decompressedPath}/image_classification/sample_images/"
           },
           "run": {
             "RequiresPrivilege": true,
             "script": ". {variant.DLR:configuration:/MLRootPath}/greengrass_ml_dlr_venv/bin/activate\npython3 {artifacts:decompressedPath}/image_classification/inference.py"
           }
         }
       }
     ]
   }

   YAML

   Manifests:
     - Platform:
         os: linux
         architecture: arm
       Name: 32-bit armv7l - Linux (raspberry pi)
       Artifacts:
         - URI: s3://SAMPLE-BUCKET/sample-artifacts-directory/image_classification.zip
           Unarchive: ZIP
       Lifecycle:
         Setenv:
           DLR_IC_MODEL_DIR: "{variant.DLR.ImageClassification.ModelStore:artifacts:decompressedPath}/{configuration:/ModelResourceKey/armv7l}"
           DEFAULT_DLR_IC_IMAGE_DIR: "{artifacts:decompressedPath}/image_classification/sample_images/"
         run:
           RequiresPrivilege: true
           script: |-
             . {variant.DLR:configuration:/MLRootPath}/greengrass_ml_dlr_venv/bin/activate
             python3 {artifacts:decompressedPath}/image_classification/inference.py