サポート終了通知: 2026 年 10 月 7 日、 AWS はサポートを終了します AWS IoT Greengrass Version 1。2026 年 10 月 7 日以降、 AWS IoT Greengrass V1 リソースにアクセスできなくなります。詳細については、[「 からの移行 AWS IoT Greengrass Version 1](https://docs.aws.amazon.com/greengrass/v2/developerguide/migrate-from-v1.html)」を参照してください。 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。 # ML オブジェクト検出コネクタ **警告** このコネクタは延長ライフサイクルフェーズに移行しており、 AWS IoT Greengrass では、機能、既存機能の拡張、セキュリティパッチ、バグ修正を提供するアップデートはリリースされません。詳細については、「[AWS IoT Greengrass Version 1 メンテナンスポリシー](maintenance-policy.md)」を参照してください。 ML オブジェクト検出[コネクタ](connectors.md)は、 AWS IoT Greengrass コアで実行される機械学習 (ML) 推論サービスを提供します。このローカル推論サービスは、SageMaker AI Neo 深層学習コンパイラによってコンパイルされたオブジェクト検出モデルを使用してオブジェクト検出を実行します。Single Shot Multibox Detector (SSD) と You Only Look Once (YOLO) v3 の 2 種類のオブジェクト検出モデルがサポートされています。詳細については、「[オブジェクト検出モデルの要件](#obj-detection-connector-req-model)」を参照してください。 ユーザー定義の Lambda 関数は、 AWS IoT Greengrass Machine Learning SDK を使用して、ローカル推論サービスに推論リクエストを送信します。このサービスは、入力イメージでローカル推論を実行し、イメージで検出された各オブジェクトの予測のリストを返します。各予測には、オブジェクトカテゴリ、予測の信頼スコア、および予測されたオブジェクトの周囲の境界ボックスを指定するピクセル座標が含まれます。 AWS IoT Greengrass は、複数のプラットフォーム用の ML オブジェクト検出コネクタを提供します。 | コネクタ | 説明と ARN | | --- | --- | | ML オブジェクト検出 Aarch64 JTX2 | NVIDIA Jetson TX2 のオブジェクト検出推論サービス。GPU アクセラレーションをサポートします。 **ARN:** `arn:aws:greengrass:region::/connectors/ObjectDetectionAarch64JTX2/versions/1` | | ML オブジェクト検出 x86\$164 | x86\$164 プラットフォームのオブジェクト検出推論サービス。 **ARN:** `arn:aws:greengrass:region::/connectors/ObjectDetectionx86-64/versions/1` | | ML オブジェクト検出 ARMv7 | ARMv7 プラットフォームのオブジェクト検出推論サービス。 **ARN:** `arn:aws:greengrass:region::/connectors/ObjectDetectionARMv7/versions/1` | ## 要件 これらのコネクタには以下の要件があります。 + AWS IoT Greengrass Core ソフトウェア v1.9.3 以降。 + [Python](https://www.python.org/) バージョン 3.7 または 3.8 が Core デバイスにインストールされ、PATH 環境変数に追加されている。 **注記** Python 3.8 を使用するには、次のコマンドを実行して、Python 3.7 のデフォルトのインストールフォルダからインストール済みの Python 3.8 バイナリへのシンボリックリンクを作成します。 ``` sudo ln -s path-to-python-3.8/python3.8 /usr/bin/python3.7 ``` これにより、 AWS IoT Greengrassの Python 要件を満たすようにデバイスが設定されます。 + コアデバイスにインストールされた SageMaker AI Neo 深層学習ランタイムの依存関係。詳細については、「[AWS IoT Greengrass コアへの Neo 深層学習ランタイム依存関係のインストール](#obj-detection-connector-config)」を参照してください。 + Greengrass グループの [ML リソース](ml-inference.md#ml-resources)。ML リソースは、オブジェクト検出モデルを含む Amazon S3 バケットを参照する必要があります。詳細については、「[Amazon S3 のモデルソース](ml-inference.md#s3-ml-resources)」を参照してください。 **注記** このモデルは、Single Shot Multibox Detector または You Only Look Once v3 オブジェクト検出モデルタイプである必要があります。SageMaker AI Neo 深層学習コンパイラを使用してコンパイルする必要があります。詳細については、「[オブジェクト検出モデルの要件](#obj-detection-connector-req-model)」を参照してください。 + [ML フィードバックコネクタ](ml-feedback-connector.md)が Greengrass グループに追加され、設定されている。これは、コネクタを使用してモデル入力データをアップロードし、予測を MQTT トピックに発行する場合にのみ必要です。 + このコネクタを操作するには、[AWS IoT Greengrass Machine Learning SDK](lambda-functions.md#lambda-sdks-ml) v1.1.0 が必要です。 ### オブジェクト検出モデルの要件 ML オブジェクト検出コネクタは、Single Shot multibox Detector (SSD) および You Only Look Once (YOLO) v3 オブジェクト検出モデルタイプをサポートします。[GluonCV](https://gluon-cv.mxnet.io) が提供するオブジェクト検出コンポーネントを使用して、独自のデータセットでモデルをトレーニングできます。または、GluonCV Model Zoo から事前にトレーニングされたモデルを使用できます。 + [トレーニング済みの SSD モデル](https://gluon-cv.mxnet.io/build/examples_detection/demo_ssd.html) + [トレーニング済みの YOLO v3 モデル](https://gluon-cv.mxnet.io/build/examples_detection/demo_yolo.html) オブジェクト検出モデルは、512 x 512 の入力イメージを使用してトレーニングする必要があります。GluonCV Model Zoo の事前トレーニング済みモデルは、すでにこの要件を満たしています。 トレーニングされたオブジェクト検出モデルは、SageMaker AI Neo 深層学習コンパイラでコンパイルする必要があります。コンパイルするときは、ターゲットハードウェアが Greengrass コアデバイスのハードウェアと一致していることを確認します。詳細については、「Amazon [ SageMaker AI デベロッパーガイド」の「SageMaker AI Neo](https://docs.aws.amazon.com/sagemaker/latest/dg/neo.html)」を参照してください。 *Amazon SageMaker * コンパイルされたモデルは、コネクタと同じ Greengrass グループに ML リソース ([Amazon S3 モデルソース](ml-inference.md#s3-ml-resources)) として追加する必要があります。 ## コネクタパラメータ これらのコネクタでは、以下のパラメータを使用できます。 `MLModelDestinationPath` Neo 互換 ML モデルを含む Amazon S3 バケットへの絶対パス。これは、ML モデルリソースに指定されたターゲットパスです。 AWS IoT コンソールの表示名: **モデル送信先パス** 必須: `true` 型: `string` 有効なパターン: `.+` `MLModelResourceId` ソースモデルを参照する ML リソースの ID。 AWS IoT コンソールの表示名: **Greengrass グループ ML リソース** 必須: `true` 型: `S3MachineLearningModelResource` 有効なパターン: `^[a-zA-Z0-9:_-]+$` `LocalInferenceServiceName` ローカル推論サービスの名前。ユーザー定義の Lambda 関数は、 AWS IoT Greengrass Machine Learning SDK の `invoke_inference_service`関数に名前を渡すことでサービスを呼び出します。例については、[使用例](#obj-detection-connector-usage)を参照してください。 AWS IoT コンソールでの名前の表示: **ローカル推論サービス名** 必須: `true` 型: `string` 有効なパターン: `^[a-zA-Z0-9][a-zA-Z0-9-]{1,62}$` `LocalInferenceServiceTimeoutSeconds` 推論リクエストが終了するまでの時間 (秒単位)。最小値は 1 です。デフォルト値は 10 です。 AWS IoT コンソールの表示名: **タイムアウト (秒）** 必須: `true` 型: `string` 有効なパターン: `^[1-9][0-9]*$` `LocalInferenceServiceMemoryLimitKB` サービスがアクセスできるメモリの量 (KB 単位)。最小値は 1 です。 AWS IoT コンソールの表示名: **メモリ制限** 必須: `true` 型: `string` 有効なパターン: `^[1-9][0-9]*$` `GPUAcceleration` CPU または GPU (アクセラレーション) コンピューティングの場合。このプロパティは ML イメージ分類 Aarch64 JTX2 コネクタにのみ適用されます。 AWS IoT コンソールの表示名: **GPU アクセラレーション** 必須: `true` 型: `string` 有効な値: `CPU` または `GPU` `MLFeedbackConnectorConfigId` モデル入力データのアップロードに使用するフィードバック設定の ID。これは、[ML フィードバックコネクタ](ml-feedback-connector.md)に定義されたフィードバック設定の ID と一致する必要があります。 この パラメータは、ML フィードバックコネクタを使用してモデル入力データをアップロードし、予測を MQTT トピックに発行する場合にのみ必要です。 AWS IoT コンソールの表示名: **ML フィードバックコネクタ設定 ID** 必須: `false` 型: `string` 有効なパターン: `^$|^[a-zA-Z0-9][a-zA-Z0-9-]{1,62}$` ### サンプルコネクタを作成する (AWS CLI) 以下の CLI コマンドは、ML オブジェクト検出コネクタを含む初期バージョンで `ConnectorDefinition` を作成します。この例では、ML オブジェクト検出 ARMv7l コネクタのインスタンスを作成します。 ``` aws greengrass create-connector-definition --name MyGreengrassConnectors --initial-version '{ "Connectors": [ { "Id": "MyObjectDetectionConnector", "ConnectorArn": "arn:aws:greengrass:region::/connectors/ObjectDetectionARMv7/versions/1", "Parameters": { "MLModelDestinationPath": "/path-to-model", "MLModelResourceId": "my-ml-resource", "LocalInferenceServiceName": "objectDetection", "LocalInferenceServiceTimeoutSeconds": "10", "LocalInferenceServiceMemoryLimitKB": "500000", "MLFeedbackConnectorConfigId" : "object-detector-random-sampling" } } ] }' ``` **注記** これらのコネクタの Lambda 関数には、[存続期間の長い](lambda-functions.md#lambda-lifecycle)ライフサイクルがあります。 AWS IoT Greengrass コンソールでは、グループのコネクタページから**コネクタ**を追加できます。詳細については、「[Greengrass コネクタの開始方法 (コンソール)](connectors-console.md)」を参照してください。 ## 入力データ これらのコネクタは、イメージファイルを入力として受け入れます。入力イメージファイルは `jpeg` または `png` 形式である必要があります。詳細については、「[使用例](#obj-detection-connector-usage)」を参照してください。 これらのコネクタは MQTT メッセージを入力データとして受け入れません。 ## 出力データ これらのコネクタは、入力イメージで識別されたオブジェクトのフォーマットされた予測結果のリストを返します。 ``` { "prediction": [ [ 14, 0.9384938478469849, 0.37763649225234985, 0.5110225081443787, 0.6697432398796082, 0.8544386029243469 ], [ 14, 0.8859519958496094, 0, 0.43536216020584106, 0.3314110040664673, 0.9538808465003967 ], [ 12, 0.04128098487854004, 0.5976729989051819, 0.5747185945510864, 0.704264223575592, 0.857937216758728 ], ... ] } ``` リストの各予測は角括弧で囲まれ、6 つの値が含まれます。 + 最初の値は、識別されたオブジェクトの予測されるオブジェクトカテゴリを表します。オブジェクトカテゴリと対応する値は、Neo 深層学習コンパイラでオブジェクト検出機械学習モデルをトレーニングするときに決定されます。 + 2 番目の値は、オブジェクトカテゴリ予測の信頼スコアです。これは、予測が正しい確率を表します。 + 最後の 4 つの値は、イメージの予測オブジェクト周囲の境界ボックスを表すピクセルディメンションに対応しています。 これらのコネクタは MQTT メッセージを出力データとして公開しません。 ## 使用例 次の Lambda 関数の例は、[AWS IoT Greengrass Machine Learning SDK](lambda-functions.md#lambda-sdks-ml) を使用して、ML オブジェクト検出コネクタと対話します。 **注記** この SDK は、[AWS IoT Greengrass Machine Learning SDK](what-is-gg.md#gg-ml-sdk-download) のダウンロードページからダウンロードできます。 この例では、SDK クライアントを初期化し、SDK の `invoke_inference_service` 関数の同期呼び出しにより、ローカル推論サービスを呼び出します。次に、アルゴリズムタイプ、サービス名、イメージタイプ、イメージコンテンツを渡します。その後、サービスのレスポンスを解析して、確率の結果 (予測) を取得します。 ``` import logging from threading import Timer import numpy as np import greengrass_machine_learning_sdk as ml # We assume the inference input image is provided as a local file # to this inference client Lambda function. with open('/test_img/test.jpg', 'rb') as f: content = bytearray(f.read()) client = ml.client('inference') def infer(): logging.info('invoking Greengrass ML Inference service') try: resp = client.invoke_inference_service( AlgoType='object-detection', ServiceName='objectDetection', ContentType='image/jpeg', Body=content ) except ml.GreengrassInferenceException as e: logging.info('inference exception {}("{}")'.format(e.__class__.__name__, e)) return except ml.GreengrassDependencyException as e: logging.info('dependency exception {}("{}")'.format(e.__class__.__name__, e)) return logging.info('resp: {}'.format(resp)) predictions = resp['Body'].read().decode("utf-8") logging.info('predictions: {}'.format(predictions)) predictions = eval(predictions) # Perform business logic that relies on the predictions. # Schedule the infer() function to run again in ten second. Timer(10, infer).start() return infer() def function_handler(event, context): return ``` Machine AWS IoT Greengrass Machine Learning SDK の `invoke_inference_service`関数は、次の引数を受け入れます。 | 引数 | 説明 | | --- | --- | | `AlgoType` | 推論に使用するアルゴリズムタイプの名前。現在は、`object-detection` のみがサポートされます。 必須: `true` 型: `string` 有効な値: `object-detection` | | `ServiceName` | ローカル推論サービスの名前。コネクタを設定したときに `LocalInferenceServiceName` パラメータに指定した名前を使用します。 必須: `true` 型: `string` | | `ContentType` | 入力イメージの MIME タイプ。 必須: `true` 型: `string` 有効な値: `image/jpeg, image/png` | | `Body` | 入力イメージファイルの内容。 必須: `true` 型: `binary` | ## AWS IoT Greengrass コアへの Neo 深層学習ランタイム依存関係のインストール ML オブジェクト検出コネクタは、SageMaker AI Neo 深層学習ランタイム (DLR) にバンドルされています。コネクタは、ランタイムを使用して ML モデルを提供します。これらのコネクタを使用するには、コアデバイスに DLR の依存関係をインストールする必要があります。 DLR の依存関係をインストールする前に、必要な[システムライブラリ](#obj-detection-connector-logging) (指定された最小バージョン) がデバイスに存在することを確認してください。 ------ #### [ NVIDIA Jetson TX2 ] 1. CUDA Toolkit 9.0 と cuDNN 7.0 をインストールします。開始方法チュートリアルの「[他のデバイスの設定](setup-filter.other.md)」の手順に従うことができます。 1. コネクタでコミュニティ管理のオープンなソフトウェアをインストールできるように、ユニバースリポジトリを有効にします。詳細については、Ubuntu ドキュメントの [ Repositories/Ubuntu](https://help.ubuntu.com/community/Repositories/Ubuntu) を参照してください。 1. `/etc/apt/sources.list` ファイルを開きます。 1. 以下の行のコメントが解除されていることを確認してください。 ``` deb http://ports.ubuntu.com/ubuntu-ports/ xenial universe deb-src http://ports.ubuntu.com/ubuntu-ports/ xenial universe deb http://ports.ubuntu.com/ubuntu-ports/ xenial-updates universe deb-src http://ports.ubuntu.com/ubuntu-ports/ xenial-updates universe ``` 1. 以下のインストールスクリプトのコピーを Core デバイス上の `nvidiajtx2.sh` というファイルに保存します。 ``` #!/bin/bash set -e echo "Installing dependencies on the system..." echo 'Assuming that universe repos are enabled and checking dependencies...' apt-get -y update apt-get -y dist-upgrade apt-get install -y liblapack3 libopenblas-dev liblapack-dev libatlas-base-dev apt-get install -y python3.7 python3.7-dev python3.7 -m pip install --upgrade pip python3.7 -m pip install numpy==1.15.0 python3.7 -m pip install opencv-python || echo 'Error: Unable to install OpenCV with pip on this platform. Try building the latest OpenCV from source (https://github.com/opencv/opencv).' echo 'Dependency installation/upgrade complete.' ``` **注記** [OpenCV](https://github.com/opencv/opencv) がこのスクリプトを使用して正常にインストールしない場合、ソースからビルドしてみることができます。詳細については、OpenCV ドキュメントの「[Linux でのインストール](https://docs.opencv.org/4.1.0/d7/d9f/tutorial_linux_install.html)」、またはお使いのプラットフォーム用の他のオンラインリソースを参照してください。 1. ファイルを保存したディレクトリから、次のコマンドを実行します。 ``` sudo nvidiajtx2.sh ``` ------ #### [ x86\$164 (Ubuntu or Amazon Linux) ] 1. 以下のインストールスクリプトのコピーを Core デバイス上の `x86_64.sh` というファイルに保存します。 ``` #!/bin/bash set -e echo "Installing dependencies on the system..." release=$(awk -F= '/^NAME/{print $2}' /etc/os-release) if [ "$release" == '"Ubuntu"' ]; then # Ubuntu. Supports EC2 and DeepLens. DeepLens has all the dependencies installed, so # this is mostly to prepare dependencies on Ubuntu EC2 instance. apt-get -y update apt-get -y dist-upgrade apt-get install -y libgfortran3 libsm6 libxext6 libxrender1 apt-get install -y python3.7 python3.7-dev elif [ "$release" == '"Amazon Linux"' ]; then # Amazon Linux. Expect python to be installed already yum -y update yum -y upgrade yum install -y compat-gcc-48-libgfortran libSM libXrender libXext else echo "OS Release not supported: $release" exit 1 fi python3.7 -m pip install --upgrade pip python3.7 -m pip install numpy==1.15.0 python3.7 -m pip install opencv-python || echo 'Error: Unable to install OpenCV with pip on this platform. Try building the latest OpenCV from source (https://github.com/opencv/opencv).' echo 'Dependency installation/upgrade complete.' ``` **注記** [OpenCV](https://github.com/opencv/opencv) がこのスクリプトを使用して正常にインストールしない場合、ソースからビルドしてみることができます。詳細については、OpenCV ドキュメントの「[Linux でのインストール](https://docs.opencv.org/4.1.0/d7/d9f/tutorial_linux_install.html)」、またはお使いのプラットフォーム用の他のオンラインリソースを参照してください。 1. ファイルを保存したディレクトリから、次のコマンドを実行します。 ``` sudo x86_64.sh ``` ------ #### [ ARMv7 (Raspberry Pi) ] 1. 以下のインストールスクリプトのコピーを Core デバイス上の `armv7l.sh` というファイルに保存します。 ``` #!/bin/bash set -e echo "Installing dependencies on the system..." apt-get update apt-get -y upgrade apt-get install -y liblapack3 libopenblas-dev liblapack-dev apt-get install -y python3.7 python3.7-dev python3.7 -m pip install --upgrade pip python3.7 -m pip install numpy==1.15.0 python3.7 -m pip install opencv-python || echo 'Error: Unable to install OpenCV with pip on this platform. Try building the latest OpenCV from source (https://github.com/opencv/opencv).' echo 'Dependency installation/upgrade complete.' ``` **注記** [OpenCV](https://github.com/opencv/opencv) がこのスクリプトを使用して正常にインストールしない場合、ソースからビルドしてみることができます。詳細については、OpenCV ドキュメントの「[Linux でのインストール](https://docs.opencv.org/4.1.0/d7/d9f/tutorial_linux_install.html)」、またはお使いのプラットフォーム用の他のオンラインリソースを参照してください。 1. ファイルを保存したディレクトリから、次のコマンドを実行します。 ``` sudo bash armv7l.sh ``` **注記** Raspberry Pi では、`pip` を使用して機械学習の依存関係をインストールすると、メモリを大量に消費し、デバイスがメモリ不足になって応答しなくなる可能性があります。回避策として、スワップサイズを一時的に増やすことができます。`/etc/dphys-swapfile` で、`CONF_SWAPSIZE` 変数の値を増やし、次のコマンドを実行して `dphys-swapfile` を再起動します。 ``` /etc/init.d/dphys-swapfile restart ``` ------ ## ログ記録とトラブルシューティング グループ設定に応じて、イベントログとエラーログは、CloudWatch ログ、ローカルファイルシステム、またはその両方に書き込まれます。このコネクタのログにはプレフィックス `LocalInferenceServiceName` が使用されます。コネクタが予期しない動作を示した場合は、コネクタのログを確認します。このログには、通常、ML ライブラリの依存関係の不足やコネクタの起動失敗の原因など、デバッグに役立つ情報が含まれています。 AWS IoT Greengrass グループがローカルログを書き込むように設定されている場合、コネクタはログファイルを に書き込みます`greengrass-root/ggc/var/log/user/region/aws/`。Greengrass のログ記録の詳細については、「[AWS IoT Greengrass ログによるモニタリング](greengrass-logs-overview.md)」を参照してください。 ML オブジェクト検出コネクタの問題のトラブルシューティングには、以下の情報が役立ちます。 **必須のシステムライブラリ** 以下の各タブは、ML オブジェクト検出コネクタごとに必要なシステムライブラリを一覧表示します。 ------ #### [ ML Object Detection Aarch64 JTX2 ] | ライブラリ | 最小バージョン | | --- | --- | | ld-linux-aarch64.so.1 | GLIBC\$12.17 | | libc.so.6 | GLIBC\$12.17 | | libcublas.so.9.0 | 該当なし | | libcudart.so.9.0 | 該当なし | | libcudnn.so.7 | 該当なし | | libcufft.so.9.0 | 該当なし | | libcurand.so.9.0 | 該当なし | | libcusolver.so.9.0 | 該当なし | | libgcc\$1s.so.1 | GCC\$14.2.0 | | libgomp.so.1 | GOMP\$14.0、OMP\$11.0 | | libm.so.6 | GLIBC\$12.23 | | libnvinfer.so.4 | 該当なし | | libnvrm\$1gpu.so | 該当なし | | libnvrm.so | 該当なし | | libnvidia-fatbinaryloader.so.28.2.1 | 該当なし | | libnvos.so | 該当なし | | libpthread.so.0 | GLIBC\$12.17 | | librt.so.1 | GLIBC\$12.17 | | libstdc\$1\$1.so.6 | GLIBCXX\$13.4.21、CXXABI\$11.3.8 | ------ #### [ ML Object Detection x86\$164 ] | ライブラリ | 最小バージョン | | --- | --- | | ld-linux-x86-64.so.2 | GCC\$14.0.0 | | libc.so.6 | GLIBC\$12.4 | | libgfortran.so.3 | GFORTRAN\$11.0 | | libm.so.6 | GLIBC\$12.23 | | libpthread.so.0 | GLIBC\$12.2.5 | | librt.so.1 | GLIBC\$12.2.5 | | libstdc\$1\$1.so.6 | CXXABI\$11.3.8、GLIBCXX\$13.4.21 | ------ #### [ ML Object Detection ARMv7 ] | ライブラリ | 最小バージョン | | --- | --- | | ld-linux-armhf.so.3 | GLIBC\$12.4 | | libc.so.6 | GLIBC\$12.7 | | libgcc\$1s.so.1 | GCC\$14.0.0 | | libgfortran.so.3 | GFORTRAN\$11.0 | | libm.so.6 | GLIBC\$12.4 | | libpthread.so.0 | GLIBC\$12.4 | | librt.so.1 | GLIBC\$12.4 | | libstdc\$1\$1.so.6 | CXXABI\$11.3.8、CXXABI\$1ARM\$11.3.3、GLIBCXX\$13.4.20 | ------ **問題点** | 症状 | ソリューション | | --- | --- | | Raspberry Pi で、次のエラーメッセージがログに記録される。カメラは使用していない。`Failed to initialize libdc1394` | 次のコマンドを実行してドライバーを無効にします。 
sudo ln /dev/null /dev/raw1394
このオペレーションはエフェメラルです。再起動すると、シンボリックリンクが消えます。再起動時にリンクを自動的に作成する方法については、OS ディストリビューションのマニュアルを参照してください。 | ## ライセンス ML オブジェクト検出コネクタには、以下のサードパーティーのソフトウェアおよびライセンスが含まれています。 + [AWS SDK for Python (Boto3)](https://pypi.org/project/boto3/)/Apache License 2.0 + [botocore](https://pypi.org/project/botocore/)/Apache License 2.0 + [dateutil](https://pypi.org/project/python-dateutil/1.4/)/PSF ライセンス + [docutils](https://pypi.org/project/docutils/)/BSD ライセンス、GNU 一般パブリックライセンス (GPL)、Python Software Foundation ライセンス、パブリックドメイン + [jmespath](https://pypi.org/project/jmespath/)/MIT ライセンス + [s3transfer](https://pypi.org/project/s3transfer/)/Apache License 2.0 + [urllib3](https://pypi.org/project/urllib3/)/MIT ライセンス + [深層学習ランタイム](https://github.com/neo-ai/neo-ai-dlr)/Apache License 2.0 + [six](https://github.com/benjaminp/six)/MIT このコネクタは、[Greengrass Core ソフトウェアライセンス契約](https://greengrass-release-license.s3.us-west-2.amazonaws.com/greengrass-license-v1.pdf)に従ってリリースされます。 ## 関連情報 + [Greengrass コネクタを使用したサービスおよびプロトコルとの統合](connectors.md) + [Greengrass コネクタの開始方法 (コンソール)](connectors-console.md) + [Greengrass コネクタの開始方法 (CLI)](connectors-cli.md) + [機械学習の推論を実行する](ml-inference.md) + *Amazon SageMaker AI デベロッパーガイド*の[オブジェクト検出アルゴリズム](https://docs.aws.amazon.com/sagemaker/latest/dg/object-detection.html)