Question

我使用内置的RESnet18泊坞窗图像训练了一个模型，现在我想将模型部署到端点并对大约100万张图像进行分类。我将所有训练，验证和测试图像以RecordIO格式存储在S3上（使用im2rec.py转换）。根据{{3}}：

Amazon SageMaker图像分类算法支持RecordIO（应用程序/ x-recordio）和图像（应用程序/ x-image）内容类型以进行培训。该算法仅支持application / x-image进行推理。

因此我无法以RecordIO格式对我的训练数据进行推断。为了解决这个问题，我将所有原始.jpg图像（~2GB）复制到我的Sagemaker Jupyter Notebook实例上，并按以下方式一次执行一次推理：

img_list = os.listdir('temp_data') # list of all ~1,000,000 images

for im in img_list:
    with open('temp_data/'+im, 'rb') as f:
        payload = f.read()
        payload = bytearray(payload)
    response = runtime.invoke_endpoint(EndpointName=endpoint_name, 
                                       ContentType='application/x-image', 
                                       Body=payload)

    etc...

毋庸置疑，将所有数据传输到我的Notebook实例上需要很长时间，我宁愿在运行推理之前不必这样做。为什么SageMaker图像分类不支持RecordIO进行推理？更重要的是，在不必从S3移动它们的情况下，对许多图像进行推理的最佳方法是什么？

Answer 1

RecordIO格式旨在将大量图像打包到单个文件中，因此我认为它不能很好地用于预测单个图像。

关于预测，您绝对不必将图像复制到笔记本实例或S3。您只需从任何地方加载它们并将它们内联到您的预测请求中即可。

如果您要基于HTTP的预测，请选择以下选项：

1）在任何机器上使用SageMaker SDK Predictor.predict（）API（只要具有适当的AWS凭证即可）https://github.com/aws/sagemaker-python-sdk

2）在任何机器上使用AWS Python SDK（aka boto3）API invoke_endpoint（）（只要它具有适当的AWS凭证）

您甚至可以构建一个简单的服务来使用Lambda进行预处理或后处理。这是一个示例：https://medium.com/@julsimon/using-chalice-to-serve-sagemaker-predictions-a2015c02b033

如果要批量预测： 最简单的方法是从SageMaker检索经过训练的模型，编写几行临时MXNet代码以加载它并运行所有预测。这是一个示例：https://mxnet.incubator.apache.org/tutorials/python/predict_image.html

希望这会有所帮助。

Answer 2

Amazon SageMaker现在支持更适合您的用例的批量预测：

Sagemaker图像分类：在S3中对许多图像进行推理的最佳方式？

2 个答案: