详细内容或原文请订阅后点击阅览
使用自定义模型和扩展容器创建 SageMaker 推理终端节点
这篇文章将引导您完成使用 NASA 的 Prithvi 模型在 SageMaker 上部署单个自定义模型的端到端过程。Prithvi 模型是 IBM 和 NASA 团队在连续的美国协调 Landsat Sentinel 2 (HLS) 数据上预先训练的首创时间 Vision 转换器。可以使用 mmsegmentation 库对其进行微调以进行图像分割，用于烧伤疤痕检测、洪水测绘和多时间作物分类等用例。
来源:亚马逊云科技 _机器学习Amazon SageMaker 为大规模构建、训练和部署机器学习 (ML) 模型提供了无缝体验。尽管 SageMaker 通过 Amazon SageMaker JumpStart 提供了广泛的内置算法和预训练模型，但在某些情况下，您可能需要自带自定义模型或使用 SageMaker 托管容器映像中不可用的特定软件依赖项。这方面的示例可能包括地理空间分析、生物信息学研究或量子机器学习等用例。在这种情况下，SageMaker 允许您通过创建自定义容器映像和定义自定义模型定义来扩展其功能。这种方法使您可以将模型工件、依赖项和推理代码打包到容器映像中，然后可以将其部署为 SageMaker 终端节点以进行实时推理。本博文将引导您完成使用 NASA 的 Prithvi 模型在 SageMaker 上部署单个自定义模型的端到端流程。 Prithvi 模型是 IBM 和 NASA 团队使用连续的美国协调 Landsat Sentinel 2 (HLS) 数据预先训练的首创时间 Vision 转换器。可以使用 mmsegmentation 库对其进行微调，以用于烧伤疤痕检测、洪水测绘和多时间作物分类等用例的图像分割。由于其独特的架构和对 MMCV 库的微调依赖，它是如何将复杂的自定义模型部署到 SageMaker 的有效示例。我们演示了如何利用 SageMaker 的灵活性来部署您自己的自定义模型，以根据您的特定用例和要求进行量身定制。无论您使用的是独特的模型架构、专用库还是特定的软件版本，这种方法都使您能够利用 SageMaker 的可扩展性和管理功能，同时保持对模型环境和依赖项的控制。
Amazon SageMake Amazon SageMaker JumpStart Prithvi 模型mmsegmentation
MMCV 库