翻訳は機械翻訳により提供されています。提供された翻訳内容と英語版の間で齟齬、不一致または矛盾がある場合、英語版が優先します。 # AWS IoT Greengrass V2 コンポーネントを作成する AWS IoT Greengrass は、 AWS IoT Greengrass コアデバイスにデプロイされ、実行されるソフトウェアモジュールである*コンポーネント*を使用します。少なくとも 3 つ のコンポーネントが必要です。 1. *Edge Manager エージェントバイナリをデプロイするパブリック Edge Manager エージェント AWS IoT Greengrass コンポーネント*。 1. AWS SDK for Python (Boto3) API *または SageMaker AI コンソールを使用して機械学習モデルをパッケージ化するときに自動生成されるモデルコンポーネント*。 SageMaker 詳細については、「[自動生成コンポーネントを作成する](#edge-greengrass-autogenerate-component-how)」を参照してください。 1. **非公開カスタムコンポーネント。Edge Manager エージェントのクライアントアプリケーションを実装し、推論結果の前処理と後処理を実行します。カスタムコンポーネントの作成方法の詳細については、[自動生成コンポーネントを作成する](#edge-greengrass-autogenerate-component-how)「」または[「カスタム AWS IoT Greengrass コンポーネントの作成](https://docs.aws.amazon.com/greengrass/v2/developerguide/create-components.html)」を参照してください。 ## 自動生成コンポーネントを作成する [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateEdgePackagingJob.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateEdgePackagingJob.html) API を使用してモデルコンポーネントを生成し、SageMaker Edge Manager パッケージ化ジョブ API の [`PresetDeploymentType`] フィールドに `GreengrassV2Component` を指定します。`CreateEdgePackagingJob` API を呼び出すと、Edge Manager は Amazon S3 にある SageMaker AI Neo コンパイル済みのモデルを取得し、モデルコンポーネントを作成します。このモデルコンポーネントはお使いのアカウントに自動的に保存されます。 AWS IoT コンソール [https://console.aws.amazon.com/iot/](https://console.aws.amazon.com/greengrass/) に移動することで、任意のコンポーネントを表示できます。**[Greengrass]** を選択し、次に **[Core]** (コア) デバイスを選択します。このページには、アカウントに関連付けられた AWS IoT Greengrass コアデバイスのリストがあります。モデルコンポーネント名が `PresetDeploymentConfig` で指定されていない場合、生成されるデフォルト名は `"SagemakerEdgeManager"` と Edge Manager エージェントのパッケージ化ジョブの名前から構成されます。次の例は、 Edge Manager に を指定して `CreateEdgePackagingJob` API で AWS IoT Greengrass V2 コンポーネントを作成する方法を示しています。 ``` import sagemaker import boto3 # Create a SageMaker client object to make it easier to interact with other AWS services. sagemaker_client = boto3.client('sagemaker', region=) # Replace with your IAM Role ARN sagemaker_role_arn = "arn:aws:iam:::role/*" # Replace string with the name of your already created S3 bucket. bucket = 'amzn-s3-demo-bucket-edge-manager' # Specify a name for your edge packaging job. edge_packaging_name = "edge_packag_job_demo" # Replace the following string with the name you used for the SageMaker Neo compilation job. compilation_job_name = "getting-started-demo" # The name of the model and the model version. model_name = "sample-model" model_version = "1.1" # Output directory in S3 where you want to store the packaged model. packaging_output_dir = 'packaged_models' packaging_s3_output = 's3://{}/{}'.format(bucket, packaging_output_dir) # The name you want your Greengrass component to have. component_name = "SagemakerEdgeManager" + edge_packaging_name sagemaker_client.create_edge_packaging_job( EdgePackagingJobName=edge_packaging_name, CompilationJobName=compilation_job_name, RoleArn=sagemaker_role_arn, ModelName=model_name, ModelVersion=model_version, OutputConfig={ "S3OutputLocation": packaging_s3_output, "PresetDeploymentType":"GreengrassV2Component", "PresetDeploymentConfig":"{\"ComponentName\":\"sample-component-name\", \"ComponentVersion\":\"1.0.2\"}" } ) ``` また、SageMaker AI コンソールを使用すると、自動生成されたコンポーネントを作成できます。[モデルをパッケージ化する (Amazon SageMaker AI コンソール)](edge-packaging-job-console.md) の手順 1 ～ 6 に従います。 パッケージ化ジョブの出力を保存する Amazon S3 バケット URI を入力します。任意で、暗号化キーも入力できます。 以下を実行して、モデルコンポーネントを作成します。 1. **[Preset deployment]** (デプロイの事前設定) を選択します。 1. **[Component name]** (コンポーネント名) フィールドにコンポーネントの名前を指定します。 1. 任意で、コンポーネントの説明、コンポーネントのバージョン、プラットフォーム OS、またはプラットフォームアーキテクチャを、それぞれ **[Component description]** (コンポーネントの説明)、**[Component version]** (コンポーネントバージョン)、**[Platform OS]** (プラットフォーム OS)、**[Platform architecture]** (プラットフォームアーキテクチャ) に指定できます。 1. [**Submit**] を選択してください。 ## Hello World カスタムコンポーネントを作成する エッジデバイスでの推論の実行には、カスタムアプリケーションコンポーネントが使用されます。このコンポーネントは、SageMaker Edge Manager にモデルをロードし、推論実行のために Edge Manager エージェントを呼び出し、コンポーネントのシャットダウン時にモデルをアンロードします。コンポーネントを作成する前に、エージェントとアプリケーションが Edge Manager と通信できることを確認します。これを行うには、[gRPC](https://grpc.io/) を設定します。Edge Manager エージェントは、Protobuf Buffers および gRPC サーバーで定義されたメソッドを使用して、エッジデバイス上のクライアントアプリケーションとクラウドの通信を確立します。 gRPC を使用するには、以下を行う必要があります。 1. Amazon S3 リリースバケットから Edge Manager エージェントをダウンロードするときに提供される .proto ファイルを使用して gRPC スタブを作成する。 1. 任意の言語でクライアントコードを記述する。 .proto ファイルではサービスを定義する必要はありません。サービスの .proto ファイルは、Amazon S3 リリースバケットから Edge Manager エージェントのリリースバイナリファイルをダウンロードすると、圧縮された tar ファイルが含まれています。 gRPC などの必要なツールをホストマシンにインストールし、Python で gRPC スタブ `agent_pb2_grpc.py` と `agent_pb2.py` を作成します。`agent.proto` がローカルディレクトリにあることを確認します。 ``` %%bash pip install grpcio pip install grpcio-tools python3 -m grpc_tools.protoc --proto_path=. --python_out=. --grpc_python_out=. agent.proto ``` 上のコードは、.proto サービス定義から gRPC クライアントおよびサーバーインターフェイスを生成します。つまり、Python で gRPC モデルを作成します。API ディレクトリには、エージェントと通信するための Protobuf 仕様があります。 次に、gRPC API を使用して、サービス用のクライアントとサーバーを作成します (2)。次のスクリプトのサンプル `edge_manager_python_example.py` では、Python を使用して、エッジデバイスで `yolov3` モデルをロード、リスト、アンロードします。 ``` import grpc from PIL import Image import agent_pb2 import agent_pb2_grpc import os model_path = '' agent_socket = 'unix:///tmp/aws.greengrass.SageMakerEdgeManager.sock' agent_channel = grpc.insecure_channel(agent_socket, options=(('grpc.enable_http_proxy', 0),)) agent_client = agent_pb2_grpc.AgentStub(agent_channel) def list_models(): return agent_client.ListModels(agent_pb2.ListModelsRequest()) def list_model_tensors(models): return { model.name: { 'inputs': model.input_tensor_metadatas, 'outputs': model.output_tensor_metadatas } for model in list_models().models } def load_model(model_name, model_path): load_request = agent_pb2.LoadModelRequest() load_request.url = model_path load_request.name = model_name return agent_client.LoadModel(load_request) def unload_model(name): unload_request = agent_pb2.UnLoadModelRequest() unload_request.name = name return agent_client.UnLoadModel(unload_request) def predict_image(model_name, image_path): image_tensor = agent_pb2.Tensor() image_tensor.byte_data = Image.open(image_path).tobytes() image_tensor_metadata = list_model_tensors(list_models())[model_name]['inputs'][0] image_tensor.tensor_metadata.name = image_tensor_metadata.name image_tensor.tensor_metadata.data_type = image_tensor_metadata.data_type for shape in image_tensor_metadata.shape: image_tensor.tensor_metadata.shape.append(shape) predict_request = agent_pb2.PredictRequest() predict_request.name = model_name predict_request.tensors.append(image_tensor) predict_response = agent_client.Predict(predict_request) return predict_response def main(): try: unload_model('your-model') except: pass print('LoadModel...', end='') try: load_model('your-model', model_path) print('done.') except Exception as e: print() print(e) print('Model already loaded!') print('ListModels...', end='') try: print(list_models()) print('done.') except Exception as e: print() print(e) print('List model failed!') print('Unload model...', end='') try: unload_model('your-model') print('done.') except Exception as e: print() print(e) print('unload model failed!') if __name__ == '__main__': main() ``` 同じクライアントコード例を使用する場合は、 がモデルを含む AWS IoT Greengrass コンポーネントの名前を`model_path`指していることを確認します。 gRPC スタブを生成し、Hello World コードの準備ができたら、 AWS IoT Greengrass V2 Hello World コンポーネントを作成できます。そのためには、次の操作を行います。 + Amazon S3 バケットに `edge_manager_python_example.py`、`agent_pb2_grpc.py`、`agent_pb2.py` をアップロードし、Amazon S3 パスを書き留めます。 + AWS IoT Greengrass V2 コンソールでプライベートコンポーネントを作成し、コンポーネントのレシピを定義します。次のレシピで、Hello World アプリケーションと gRPC スタブの Amazon S3 URI を指定します。 ``` --- RecipeFormatVersion: 2020-01-25 ComponentName: com.sagemaker.edgePythonExample ComponentVersion: 1.0.0 ComponentDescription: Sagemaker Edge Manager Python example ComponentPublisher: Amazon Web Services, Inc. ComponentDependencies: aws.greengrass.SageMakerEdgeManager: VersionRequirement: '>=1.0.0' DependencyType: HARD Manifests: - Platform: os: linux architecture: "/amd64|x86/" Lifecycle: install: |- apt-get install python3-pip pip3 install grpcio pip3 install grpcio-tools pip3 install protobuf pip3 install Pillow run: script: |- python3 {artifacts:path}/edge_manager_python_example.py Artifacts: - URI: - URI: - URI: ``` Hello World レシピの作成の詳細については、 AWS IoT Greengrass ドキュメントの[「最初のコンポーネントを作成する](https://docs.aws.amazon.com/greengrass/v2/developerguide/getting-started.html#create-first-component)」を参照してください。