Fleet-weiter Lebenszyklus der Computervision am Edge mit SageMaker SDK v3
aws ·
Dieser Artikel stellt eine Referenzarchitektur zur Verwaltung des Lebenszyklus von Computer-Vision-Modellen über große Flotten von Edge-Geräten unter Verwendung der Amazon SageMaker Python SDK v3 vor. Er adressiert die Herausforderung, Tausende spezialisierter Modelle zu deployen, indem Training, Bewertung und Deployment automatisiert werden, ohne dass für jede Kamera ein menschliches Eingreifen erforderlich ist. Die Lösung nutzt eine Dual-Branch-Pipeline, die pro Kamera sowohl einen Anomalie-Erkennungsalgorithmus als auch einen Defekt-Klassifikator trainiert, um die Qualität durch Gates auf Basis von Metriken wie balancierter Genauigkeit und Recall sicherzustellen. Die Modelle werden mit Amazon SageMaker Neo für die Geräteoptimierung kompiliert, bevor sie im SageMaker Model Registry registriert werden. Eine Orchestrierungsschicht, die auf AWS Step Functions und DynamoDB basiert, verwaltet gleichzeitige Trainingsanfragen, um innerhalb der Kontingente der Kontodienste zu bleiben. Das gesamte System wird über das AWS Cloud Development Kit (CDK) bereitgestellt und kann end-to-end mit synthetischen Daten für etwa sieben Cent an Rechenkosten validiert werden. Dieses Muster ermöglicht effiziente, flottenweite Updates bei gleichzeitiger Aufrechterhaltung hoher Qualitätsstandards für industrielle visuelle Inspektionsaufgaben.
aws