aws s3 bucket下 创建文件夹_使用 Jetson nano 结合 AWS 机器学习和 IoT 实现边缘智能—下篇...

一、回顾

上一章我们通过Amazon SageMaker完成了边缘智能中的图像标注，模型训练和优化，最终将图像分类的SageMaker Neo模型导出到S3存储桶中。也就是我们完成了下图右下角阴影部分的内容。

本章重点分为两大部分：

• 设备端，主要包含：安装Jetson nano的镜像、SageMaker Neo runtime、Greengrass的部署、运行模型。
• 云端，主要包含：配置IoT core与Greengrass、开发与部署Lambda函数、model到设备端。

AWS EI image classification

二、Jetson Nano的镜像烧录

使用官方推荐的Etcher烧录镜像，不同的操作系统对应不同的操作方法，所以不再详细介绍，可以参考https://developer.nvidia.com/embedded/learn/get-started-jetson-nano-devkit#write，烧写成功后是如下图所示的基于aarch64-linux。

另外在使用CSI接口的摄像头时排线不要插反，并测试摄像头。

$ gst-launch-1.0 nvarguscamerasrc ! 'video/x-raw(memory:NVMM),width=3820, height=2464, framerate=21/1, format=NV12' ! nvvidconv flip-method=0 ! 'video/x-raw,width=960, height=616' ! nvvidconv ! nvegltransform ! nveglglessink -e

可以顺利打开摄像头。代码的含义是使用GStreamer打开一个3820像素宽、2464像素高的相机stream，并在一个960像素宽、616像素高的窗口中显示它。

CSI排线

三、使用AWS IoT Greengrass部署模型到Jetson Nano

这个步骤我们做如下的事情：

• 3.1 安装SageMaker Neo runtime
• 3.2 安装AWS IoT Greengrass
• 3.3 配置和部署AWS Lambda
• 3.4 设置机器学习模型部署环境
• 3.5 部署机器学习模型Sagemaker Neo到边缘
• 3.6 启动模型并测试

3.1