3.6 AWS 를 사용한 예제 프로젝트

AWS DeepLens를 활용한 프로젝트를 하기 위해서 4가지가 필요하다.

데이터 수집

데이터를 수집하고 Amazon S3에 저장한다.

모델 훈련

Jupyter Notebook을 활용하여 모델을 훈련한다.

모델 탑재

AWS Lambda를 활용하여 모델을 올린다.

모델 확인 및 출력

Amazon IoT Greenrass를 활용하여 모델의 출력을 확인한다.

 

머신러닝 워크플로우 검토

문제 정의

우리는 기계 학습을 이용하여 쓰레기가 분류되는 방식을 개선하고자 한다. 비디오 스트림을 사용하여 객체를 식별할 예정이므로 이를 컴퓨터 비전 기반 문제로 식별한다. 레이블이 이미 있는 데이터에 액세스할 수 있으므로 지도형 학습 작업으로 분류한다.

 

데이터셋 만들기

데이터는 모든 기계학습 또는 컴퓨터 비전 기반 프로젝트에서 필수적이다. 많은 데이터를 수집하기 전에 이미 존재하는 데이터의 유형과 해당 데이터를 애플리케이션에 사용할 수 있는지 여부를 조사한다. 이 경우에는 데이터가 이미 수집되고 레이블이 지정되어 있다.

 

모델 훈련

이 프로젝트에 대한 데이터를 보호받았고, 모델을 훈련시키기 위해 Amazon SageMaker를 사용한다.

 

모델 평가

모델 교육 알고리즘은 모델을 목표에 더 가깝게 만들기 위해 손실 함수를 사용한다. 정확한 손실 함수와 관련 세부 사항은 이 클래스의 범위를 벗어나지만 프로세스는 동일하다. 손실 함수는 모델이 교육받는 동안 다양한 클래스 이미지(컴포트, 재활용 및 매립)를 얼마나 잘 감지하는지 개선한다.

 

모델 사용

AWS DeepLens 장치에 교육받은 모델을 배포하여 로컬에서 추론을 수행한다.

 

---

데모: AWS 콘솔을 사용하여 AWS DeepLens 프로젝트 설정 및 배포

중요

데이터 저장, 모델 교육 및 AWS 람다를 사용하여 모델을 배포하면 AWS 계정에 비용이 발생한다.

 

Demo Part 1 : 구축 및 코드 실행

SageMaker

클라우드 상에서 머신러닝을 훈련할 수 있다. 추가로, JupterNotebook을 서버와 함께 제공하여 사용할 수 있다.

 

Demo Part 2 : 탑재 및 테스팅

AWS 람다를 사용하여 AWS DeepLens 장치에 모델을 배포했다. 마지막으로 모델이 기기에 구축되면 AWS IoT Greengrass를 사용하여 AWS DeepLens 기기에서 현재 실행 중인 모델의 추론 출력을 볼 수 있다.