Aviso de fim do suporte: em 7 de outubro de 2026, AWS o suporte para o. AWS IoT Greengrass Version 1 Depois de 7 de outubro de 2026, você não poderá mais acessar os AWS IoT Greengrass V1 recursos. Para obter mais informações, visite [Migrar de AWS IoT Greengrass Version 1](https://docs.aws.amazon.com/greengrass/v2/developerguide/migrate-from-v1.html).
As traduções são geradas por tradução automática. Em caso de conflito entre o conteúdo da tradução e da versão original em inglês, a versão em inglês prevalecerá.
# Conector de classificação de imagem do ML
**Atenção**
Esse conector passou para a * fase de vida útil estendida* e AWS IoT Greengrass não lançará atualizações que forneçam atributos, aprimoramentos para atributos existentes, patches de segurança ou correções de erros. Para obter mais informações, consulte [AWS IoT Greengrass Version 1 política de manutenção](maintenance-policy.md).
Os [conectores](connectors.md) ML Image Classification fornecem um serviço de inferência de aprendizado de máquina (ML) executado no AWS IoT Greengrass núcleo. Esse serviço de inferência local realiza a classificação de imagens usando um modelo treinado pelo algoritmo de classificação de imagens de SageMaker IA.
As funções Lambda definidas pelo usuário usam o Machine AWS IoT Greengrass Learning SDK para enviar solicitações de inferência ao serviço de inferência local. O serviço executa inferência localmente e retorna probabilidades de a imagem de entrada pertencer às categorias específicas.
AWS IoT Greengrass fornece as seguintes versões desse conector, que está disponível para várias plataformas.
------
#### [ Version 2 ]
| Conector | Descrição e ARN |
| --- | --- |
| Classificação de imagens ML Aarch64 JTX2 | Serviço de inferência de classificação de imagens para NVIDIA Jetson. TX2 Compatível com a aceleração de GPU. **ARN:** `arn:aws:greengrass:region::/connectors/ImageClassificationAarch64JTX2/versions/2` |
| Classificação de imagens do ML x86\$164 | Serviço de inferência de classificação de imagem para plataformas x86\$164. **ARN:** `arn:aws:greengrass:region::/connectors/ImageClassificationx86-64/versions/2` |
| Classificação de imagens de ML ARMv7 | Serviço de inferência de classificação de imagens para ARMv7 plataformas. **ARN:** `arn:aws:greengrass:region::/connectors/ImageClassificationARMv7/versions/2` |
------
#### [ Version 1 ]
| Conector | Descrição e ARN |
| --- | --- |
| Classificação de imagens ML Aarch64 JTX2 | Serviço de inferência de classificação de imagens para NVIDIA Jetson. TX2 Compatível com a aceleração de GPU. **ARN:** `arn:aws:greengrass:region::/connectors/ImageClassificationAarch64JTX2/versions/1` |
| Classificação de imagens do ML x86\$164 | Serviço de inferência de classificação de imagem para plataformas x86\$164. **ARN:** `arn:aws:greengrass:region::/connectors/ImageClassificationx86-64/versions/1` |
| Classificação de imagens do ML Armv7 | Serviço de inferência de classificação de imagem para plataformas Armv7. **ARN:** `arn:aws:greengrass:region::/connectors/ImageClassificationARMv7/versions/1` |
------
Para obter informações sobre alterações de versão, consulte o [Changelog](#image-classification-connector-changelog).
## Requisitos
Esses conectores têm os seguintes requisitos:
------
#### [ Version 2 ]
+ AWS IoT Greengrass Core Software v1.9.3 ou posterior.
+ [Python](https://www.python.org/), versão 3.7 ou 3.8, instalado no dispositivo de núcleo e adicionado à variável de ambiente PATH.
**nota**
Para usar o Python 3.8, execute o comando a seguir para criar um symblink da pasta de instalação padrão do Python 3.7 para os binários instalados do Python 3.8.
```
sudo ln -s path-to-python-3.8/python3.8 /usr/bin/python3.7
```
Isso configura seu dispositivo para atender ao requisito Python para AWS IoT Greengrass.
+ Dependências da MXNet estrutura Apache instalada no dispositivo principal. Para obter mais informações, consulte [Instalando MXNet dependências no núcleo AWS IoT Greengrass](#image-classification-connector-config).
+ Um [recurso de ML](ml-inference.md#ml-resources) no grupo Greengrass que faz referência a uma fonte de modelo de SageMaker IA. Esse modelo deve ser treinado pelo algoritmo de classificação de imagens de SageMaker IA. Para obter mais informações, consulte [Algoritmo de classificação de imagens](https://docs.aws.amazon.com/sagemaker/latest/dg/image-classification.html) no *Amazon SageMaker AI Developer Guide*.
+ O [conector de feedback do ML](ml-feedback-connector.md) adicionado ao grupo do Greengrass e configurado. Isso será necessário somente se você quiser usar o conector para fazer upload de dados de entrada do modelo e publicar previsões em um tópico MQTT.
+ A [função de grupo do Greengrass](group-role.md) configurada para permitir a ação `sagemaker:DescribeTrainingJob` no trabalho de treinamento de destino, conforme mostrado no seguinte exemplo de política do IAM.
------
#### [ JSON ]
****
```
{
"Version":"2012-10-17",
"Statement": [
{
"Effect": "Allow",
"Action": [
"sagemaker:DescribeTrainingJob"
],
"Resource": "arn:aws:sagemaker:us-east-1:123456789012:training-job/training-job-name"
}
]
}
```
------
Para o requisito de função de grupo, você deve configurar a função para conceder as permissões necessárias e certificar-se de que a função tenha sido adicionada ao grupo. Para acessar mais informações, consulte [Gerenciar a função de grupo do Greengrass (console)](group-role.md#manage-group-role-console) ou [Gerenciar a função de grupo do Greengrass (CLI)](group-role.md#manage-group-role-cli).
Você pode conceder acesso granular ou condicional aos recursos (por exemplo, usando um esquema de nomeação \$1 curinga). Se você alterar o trabalho de treinamento de destino no futuro, certifique-se de atualizar a função do grupo, conforme necessário.
+ AWS IoT Greengrass O [Machine Learning SDK](lambda-functions.md#lambda-sdks-ml) v1.1.0 é necessário para interagir com esse conector.
------
#### [ Version 1 ]
+ AWS IoT Greengrass Core Software v1.7 ou posterior.
+ [Python](https://www.python.org/) versão 2.7 instalado no dispositivo de núcleo e adicionado à variável de ambiente PATH.
+ Dependências da MXNet estrutura Apache instalada no dispositivo principal. Para obter mais informações, consulte [Instalando MXNet dependências no núcleo AWS IoT Greengrass](#image-classification-connector-config).
+ Um [recurso de ML](ml-inference.md#ml-resources) no grupo Greengrass que faz referência a uma fonte de modelo de SageMaker IA. Esse modelo deve ser treinado pelo algoritmo de classificação de imagens de SageMaker IA. Para obter mais informações, consulte [Algoritmo de classificação de imagens](https://docs.aws.amazon.com/sagemaker/latest/dg/image-classification.html) no *Amazon SageMaker AI Developer Guide*.
+ A [função de grupo do Greengrass](group-role.md) configurada para permitir a ação `sagemaker:DescribeTrainingJob` no trabalho de treinamento de destino, conforme mostrado no seguinte exemplo de política do IAM.
------
#### [ JSON ]
****
```
{
"Version":"2012-10-17",
"Statement": [
{
"Effect": "Allow",
"Action": [
"sagemaker:DescribeTrainingJob"
],
"Resource": "arn:aws:sagemaker:us-east-1:123456789012:training-job/training-job-name"
}
]
}
```
------
Para o requisito de função de grupo, você deve configurar a função para conceder as permissões necessárias e certificar-se de que a função tenha sido adicionada ao grupo. Para acessar mais informações, consulte [Gerenciar a função de grupo do Greengrass (console)](group-role.md#manage-group-role-console) ou [Gerenciar a função de grupo do Greengrass (CLI)](group-role.md#manage-group-role-cli).
Você pode conceder acesso granular ou condicional aos recursos (por exemplo, usando um esquema de nomeação \$1 curinga). Se você alterar o trabalho de treinamento de destino no futuro, certifique-se de atualizar a função do grupo, conforme necessário.
+ AWS IoT Greengrass O [Machine Learning SDK](lambda-functions.md#lambda-sdks-ml) v1.0.0 ou posterior é necessário para interagir com esse conector.
------
## Parâmetros do conector
Esses conectores fornecem os parâmetros a seguir.
------
#### [ Version 2 ]
`MLModelDestinationPath`
O caminho local absoluto do recurso do ML dentro do ambiente do Lambda. Esse é o caminho de destino especificado para o recurso de ML.
Se você criou o recurso de ML no console, este é o caminho local.
Nome de exibição no AWS IoT console: **caminho de destino do modelo**
Obrigatório: `true`
Digite: `string`
Padrão válido: `.+`
`MLModelResourceId`
O ID do recurso de ML que faz referência ao modelo de origem.
Nome de exibição no AWS IoT console: recurso **ARN do SageMaker job**
Obrigatório: `true`
Digite: `string`
Padrão válido: `[a-zA-Z0-9:_-]+`
`MLModelSageMakerJobArn`
O ARN do trabalho de treinamento de SageMaker IA que representa a fonte do modelo de SageMaker IA. O modelo deve ser treinado pelo algoritmo de classificação de imagens de SageMaker IA.
Nome de exibição no AWS IoT console: **SageMaker job ARN**
Obrigatório: `true`
Digite: `string`
Padrão válido: `^arn:aws:sagemaker:[a-zA-Z0-9-]+:[0-9]+:training-job/[a-zA-Z0-9][a-zA-Z0-9-]+$`
`LocalInferenceServiceName`
O nome para o serviço de inferência local. As funções Lambda definidas pelo usuário invocam o serviço passando o nome para a função do SDK `invoke_inference_service` do Machine AWS IoT Greengrass Learning. Para ver um exemplo, consulte [Exemplo de uso](#image-classification-connector-usage).
Nome de exibição no AWS IoT console: nome do **serviço de inferência local**
Obrigatório: `true`
Digite: `string`
Padrão válido: `[a-zA-Z0-9][a-zA-Z0-9-]{1,62}`
`LocalInferenceServiceTimeoutSeconds`
O tempo (em segundos) até que a solicitação de inferência seja encerrada. O valor mínimo é 1.
Nome de exibição no AWS IoT console: **Tempo limite (segundo)**
Obrigatório: `true`
Digite: `string`
Padrão válido: `[1-9][0-9]*`
`LocalInferenceServiceMemoryLimitKB`
A quantidade de memória (em KB) que o serviço tem acesso. O valor mínimo é 1.
Nome de exibição no AWS IoT console: **limite de memória (KB)**
Obrigatório: `true`
Digite: `string`
Padrão válido: `[1-9][0-9]*`
`GPUAcceleration`
O contexto de computação CPU ou GPU (acelerada). Essa propriedade se aplica somente ao JTX2 conector ML Image Classification Aarch64.
Nome de exibição no AWS IoT console: aceleração de **GPU**
Obrigatório: `true`
Digite: `string`
Valores válidos: `CPU` ou `GPU`
`MLFeedbackConnectorConfigId`
O ID da configuração de feedback a ser usada para fazer upload dos dados de entrada do modelo. Ele deve corresponder ao ID de uma configuração de feedback definida para o [conector ML Feedback](ml-feedback-connector.md).
Esse parâmetro é necessário somente se você quiser usar o conector ML Feedback para fazer upload de dados de entrada do modelo e publicar previsões em um tópico MQTT.
Nome de exibição no AWS IoT console: **ID de configuração do conector ML Feedback**
Obrigatório: `false`
Digite: `string`
Padrão válido: `^$|^[a-zA-Z0-9][a-zA-Z0-9-]{1,62}$`
------
#### [ Version 1 ]
`MLModelDestinationPath`
O caminho local absoluto do recurso do ML dentro do ambiente do Lambda. Esse é o caminho de destino especificado para o recurso de ML.
Se você criou o recurso de ML no console, este é o caminho local.
Nome de exibição no AWS IoT console: **caminho de destino do modelo**
Obrigatório: `true`
Digite: `string`
Padrão válido: `.+`
`MLModelResourceId`
O ID do recurso de ML que faz referência ao modelo de origem.
Nome de exibição no AWS IoT console: recurso **ARN do SageMaker job**
Obrigatório: `true`
Digite: `string`
Padrão válido: `[a-zA-Z0-9:_-]+`
`MLModelSageMakerJobArn`
O ARN do trabalho de treinamento de SageMaker IA que representa a fonte do modelo de SageMaker IA. O modelo deve ser treinado pelo algoritmo de classificação de imagens de SageMaker IA.
Nome de exibição no AWS IoT console: **SageMaker job ARN**
Obrigatório: `true`
Digite: `string`
Padrão válido: `^arn:aws:sagemaker:[a-zA-Z0-9-]+:[0-9]+:training-job/[a-zA-Z0-9][a-zA-Z0-9-]+$`
`LocalInferenceServiceName`
O nome para o serviço de inferência local. As funções Lambda definidas pelo usuário invocam o serviço passando o nome para a função do SDK `invoke_inference_service` do Machine AWS IoT Greengrass Learning. Para ver um exemplo, consulte [Exemplo de uso](#image-classification-connector-usage).
Nome de exibição no AWS IoT console: nome do **serviço de inferência local**
Obrigatório: `true`
Digite: `string`
Padrão válido: `[a-zA-Z0-9][a-zA-Z0-9-]{1,62}`
`LocalInferenceServiceTimeoutSeconds`
O tempo (em segundos) até que a solicitação de inferência seja encerrada. O valor mínimo é 1.
Nome de exibição no AWS IoT console: **Tempo limite (segundo)**
Obrigatório: `true`
Digite: `string`
Padrão válido: `[1-9][0-9]*`
`LocalInferenceServiceMemoryLimitKB`
A quantidade de memória (em KB) que o serviço tem acesso. O valor mínimo é 1.
Nome de exibição no AWS IoT console: **limite de memória (KB)**
Obrigatório: `true`
Digite: `string`
Padrão válido: `[1-9][0-9]*`
`GPUAcceleration`
O contexto de computação CPU ou GPU (acelerada). Essa propriedade se aplica somente ao JTX2 conector ML Image Classification Aarch64.
Nome de exibição no AWS IoT console: aceleração de **GPU**
Obrigatório: `true`
Digite: `string`
Valores válidos: `CPU` ou `GPU`
------
### Exemplo de criação de conector (AWS CLI)
Os seguintes comandos da CLI criam um `ConnectorDefinition` com uma versão inicial que contém um conector de classificação de imagem do ML.
**Exemplo: instância de CPU**
Este exemplo cria uma instância do conector Armv7l de classificação de imagem do ML.
```
aws greengrass create-connector-definition --name MyGreengrassConnectors --initial-version '{
"Connectors": [
{
"Id": "MyImageClassificationConnector",
"ConnectorArn": "arn:aws:greengrass:region::/connectors/ImageClassificationARMv7/versions/2",
"Parameters": {
"MLModelDestinationPath": "/path-to-model",
"MLModelResourceId": "my-ml-resource",
"MLModelSageMakerJobArn": "arn:aws:sagemaker:us-west-2:123456789012:training-job:MyImageClassifier",
"LocalInferenceServiceName": "imageClassification",
"LocalInferenceServiceTimeoutSeconds": "10",
"LocalInferenceServiceMemoryLimitKB": "500000",
"MLFeedbackConnectorConfigId": "MyConfig0"
}
}
]
}'
```
**Exemplo: instância de GPU**
Este exemplo cria uma instância do JTX2 conector ML Image Classification Aarch64, que suporta aceleração de GPU em uma placa NVIDIA Jetson. TX2
```
aws greengrass create-connector-definition --name MyGreengrassConnectors --initial-version '{
"Connectors": [
{
"Id": "MyImageClassificationConnector",
"ConnectorArn": "arn:aws:greengrass:region::/connectors/ImageClassificationAarch64JTX2/versions/2",
"Parameters": {
"MLModelDestinationPath": "/path-to-model",
"MLModelResourceId": "my-ml-resource",
"MLModelSageMakerJobArn": "arn:aws:sagemaker:us-west-2:123456789012:training-job:MyImageClassifier",
"LocalInferenceServiceName": "imageClassification",
"LocalInferenceServiceTimeoutSeconds": "10",
"LocalInferenceServiceMemoryLimitKB": "500000",
"GPUAcceleration": "GPU",
"MLFeedbackConnectorConfigId": "MyConfig0"
}
}
]
}'
```
**nota**
A função do Lambda nesses conectores tem um ciclo de vida [longo](lambda-functions.md#lambda-lifecycle).
No AWS IoT Greengrass console, você pode adicionar um conector na página **Conectores** do grupo. Para obter mais informações, consulte [Conceitos básicos de conectores do Greengrass (console)](connectors-console.md).
## Dados de entrada
Esses conectores aceitam um arquivo de imagem como entrada. Os arquivos de imagem de entrada devem estar no formato `jpeg` ou `png`. Para obter mais informações, consulte [Exemplo de uso](#image-classification-connector-usage).
Esses conectores não aceitam mensagens MQTT como dados de entrada.
## Dados de saída
Esses conectores retornam uma previsão formatada para o objeto identificado na imagem de entrada:
```
[0.3,0.1,0.04,...]
```
A previsão contém uma lista de valores que correspondem às categorias usadas no conjunto de dados de treinamento durante o treinamento do modelo. Cada valor representa a probabilidade de a imagem ficar na categoria correspondente. A categoria com a probabilidade mais alta é a previsão dominante.
Esses conectores não publicam mensagens MQTT como dados de saída.
## Exemplo de uso
O exemplo de função do Lambda a seguir usa o [SDK AWS IoT Greengrass de Machine Learning](lambda-functions.md#lambda-sdks-ml) para interagir com um conector de classificação de imagem do ML.
**nota**
Você pode baixar o SDK na página de downloads do [AWS IoT Greengrass SDK de Machine Learning](what-is-gg.md#gg-ml-sdk-download).
O exemplo inicializa um cliente do SDK e de forma síncrona chama a função `invoke_inference_service` do SDK para invocar o serviço de inferência local. Ela passa o tipo de algoritmo, o nome do serviço, o tipo de imagem e o conteúdo da imagem. Em seguida, o exemplo analisa a resposta do serviço para obter os resultados de probabilidade (previsões).
------
#### [ Python 3.7 ]
```
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='image-classification',
ServiceName='imageClassification',
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))
# The connector output is in the format: [0.3,0.1,0.04,...]
# Remove the '[' and ']' at the beginning and end.
predictions = predictions[1:-1]
count = len(predictions.split(','))
predictions_arr = np.fromstring(predictions, count=count, sep=',')
# Perform business logic that relies on the predictions_arr, which is an array
# of probabilities.
# Schedule the infer() function to run again in one second.
Timer(1, infer).start()
return
infer()
def function_handler(event, context):
return
```
------
#### [ Python 2.7 ]
```
import logging
from threading import Timer
import numpy
import greengrass_machine_learning_sdk as gg_ml
# The inference input image.
with open("/test_img/test.jpg", "rb") as f:
content = f.read()
client = gg_ml.client("inference")
def infer():
logging.info("Invoking Greengrass ML Inference service")
try:
resp = client.invoke_inference_service(
AlgoType="image-classification",
ServiceName="imageClassification",
ContentType="image/jpeg",
Body=content,
)
except gg_ml.GreengrassInferenceException as e:
logging.info('Inference exception %s("%s")', e.__class__.__name__, e)
return
except gg_ml.GreengrassDependencyException as e:
logging.info('Dependency exception %s("%s")', e.__class__.__name__, e)
return
logging.info("Response: %s", resp)
predictions = resp["Body"].read()
logging.info("Predictions: %s", predictions)
# The connector output is in the format: [0.3,0.1,0.04,...]
# Remove the '[' and ']' at the beginning and end.
predictions = predictions[1:-1]
predictions_arr = numpy.fromstring(predictions, sep=",")
logging.info("Split into %s predictions.", len(predictions_arr))
# Perform business logic that relies on predictions_arr, which is an array
# of probabilities.
# Schedule the infer() function to run again in one second.
Timer(1, infer).start()
infer()
# In this example, the required AWS Lambda handler is never called.
def function_handler(event, context):
return
```
------
A `invoke_inference_service` função no SDK do AWS IoT Greengrass Machine Learning aceita os seguintes argumentos.
| Argumento | Description |
| --- | --- |
| `AlgoType` | O nome do tipo de algoritmo a ser usado para inferência. No momento, só há compatibilidade com `image-classification`. Obrigatório: `true` Digite: `string` Valores válidos: `image-classification` |
| `ServiceName` | O nome do serviço de inferência local. Use o nome que você especificou para o parâmetro `LocalInferenceServiceName` quando você configurou o conector. Obrigatório: `true` Digite: `string` |
| `ContentType` | O tipo de mime da imagem de entrada. Obrigatório: `true` Digite: `string` Valores válidos: `image/jpeg, image/png` |
| `Body` | O conteúdo do arquivo de imagem de entrada. Obrigatório: `true` Digite: `binary` |
## Instalando MXNet dependências no núcleo AWS IoT Greengrass
Para usar um conector ML Image Classification, você deve instalar as dependências da MXNet estrutura Apache no dispositivo principal. Os conectores usam a estrutura para fornecer o modelo de ML.
**nota**
Esses conectores são fornecidos com uma MXNet biblioteca pré-compilada, portanto, você não precisa instalar a MXNet estrutura no dispositivo principal.
AWS IoT Greengrass fornece scripts para instalar as dependências das seguintes plataformas e dispositivos comuns (ou para usar como referência para instalá-los). Se você estiver usando uma plataforma ou dispositivo diferente, consulte a [MXNet documentação](https://mxnet.apache.org/) da sua configuração.
Antes de instalar as MXNet dependências, verifique se as [bibliotecas do sistema](#image-classification-connector-logging) necessárias (com as versões mínimas especificadas) estão presentes no dispositivo.
------
#### [ NVIDIA Jetson TX2 ]
1. Instale CUDA Toolkit 9.0 e cuDNN 7.0. Você pode seguir as instruções em [Configurar outros dispositivos](setup-filter.other.md) no tutorial Conceitos básicos.
1. Habilite repositórios universe para que o conector possa instalar softwares livres mantidos pela comunidade. Para obter mais informações, consulte [ Repositórios/Ubuntu](https://help.ubuntu.com/community/Repositories/Ubuntu) na documentação do Ubuntu.
1. Abra o arquivo `/etc/apt/sources.list`.
1. Certifique-se de que as seguintes linhas permaneçam sem comentário.
```
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. Salve uma cópia do script de instalação a seguir em um arquivo denominado `nvidiajtx2.sh` no dispositivo de núcleo.
------
#### [ Python 3.7 ]
```
#!/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.'
```
**nota**
Se o [OpenCV](https://github.com/opencv/opencv) não for instalado com êxito usando esse script, você poderá tentar compilar a partir do código-fonte. Para obter mais informações, consulte [ Instalação no Linux](https://docs.opencv.org/4.1.0/d7/d9f/tutorial_linux_install.html) na documentação do OpenCV ou consulte outros recursos online da sua plataforma.
------
#### [ Python 2.7 ]
```
#!/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 python-dev
echo 'Install latest pip...'
wget https://bootstrap.pypa.io/get-pip.py
python get-pip.py
rm get-pip.py
pip install numpy==1.15.0 scipy
echo 'Dependency installation/upgrade complete.'
```
------
1. A partir do diretório em que você salvou o arquivo, execute o seguinte comando:
```
sudo nvidiajtx2.sh
```
------
#### [ x86\$164 (Ubuntu or Amazon Linux) ]
1. Salve uma cópia do script de instalação a seguir em um arquivo denominado `x86_64.sh` no dispositivo de núcleo.
------
#### [ Python 3.7 ]
```
#!/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: $release"
exit 1
fi
python3.7 -m pip install --upgrade pip
python3.7 -m pip install numpy==1.15.0
python3.7 -m pip install opencv-python || echo 'Error: Unable to install OpenCV with pip on this platform. Try building the latest OpenCV from source (https://github.com/opencv/opencv).'
echo 'Dependency installation/upgrade complete.'
```
**nota**
Se o [OpenCV](https://github.com/opencv/opencv) não for instalado com êxito usando esse script, você poderá tentar compilar a partir do código-fonte. Para obter mais informações, consulte [ Instalação no Linux](https://docs.opencv.org/4.1.0/d7/d9f/tutorial_linux_install.html) na documentação do OpenCV ou consulte outros recursos online da sua plataforma.
------
#### [ Python 2.7 ]
```
#!/bin/bash
set -e
echo "Installing dependencies on the system..."
release=$(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 python-dev python-pip
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 python-pip
else
echo "OS Release not supported: $release"
exit 1
fi
pip install numpy==1.15.0 scipy opencv-python
echo 'Dependency installation/upgrade complete.'
```
------
1. A partir do diretório em que você salvou o arquivo, execute o seguinte comando:
```
sudo x86_64.sh
```
------
#### [ Armv7 (Raspberry Pi) ]
1. Salve uma cópia do script de instalação a seguir em um arquivo denominado `armv7l.sh` no dispositivo de núcleo.
------
#### [ Python 3.7 ]
```
#!/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.'
```
**nota**
Se o [OpenCV](https://github.com/opencv/opencv) não for instalado com êxito usando esse script, você poderá tentar compilar a partir do código-fonte. Para obter mais informações, consulte [ Instalação no Linux](https://docs.opencv.org/4.1.0/d7/d9f/tutorial_linux_install.html) na documentação do OpenCV ou consulte outros recursos online da sua plataforma.
------
#### [ Python 2.7 ]
```
#!/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 python-dev
# python-opencv depends on python-numpy. The latest version in the APT repository is python-numpy-1.8.2
# This script installs python-numpy first so that python-opencv can be installed, and then install the latest
# numpy-1.15.x with pip
apt-get install -y python-numpy python-opencv
dpkg --remove --force-depends python-numpy
echo 'Install latest pip...'
wget https://bootstrap.pypa.io/get-pip.py
python get-pip.py
rm get-pip.py
pip install --upgrade numpy==1.15.0 picamera scipy
echo 'Dependency installation/upgrade complete.'
```
------
1. A partir do diretório em que você salvou o arquivo, execute o seguinte comando:
```
sudo bash armv7l.sh
```
**nota**
Em um Raspberry Pi, usar o `pip` para instalar dependências de machine learning é uma operação com uso intensivo de memória que pode fazer com que o dispositivo fique sem memória e deixe de responder. Como alternativa, você pode aumentar temporariamente o tamanho da permuta:
Em `/etc/dphys-swapfile`, aumente o valor da variável `CONF_SWAPSIZE` e, em seguida, execute o seguinte comando para reiniciar `dphys-swapfile`.
```
/etc/init.d/dphys-swapfile restart
```
------
## Registro em log e solução de problemas
Dependendo das configurações do seu grupo, os registros de eventos e erros são gravados CloudWatch nos Registros, no sistema de arquivos local ou em ambos. Os logs desse conector usam o prefixo `LocalInferenceServiceName`. Se o conector se comportar de forma inesperada, verifique os logs do conector. Normalmente, eles contêm informações úteis de depuração, como uma dependência de biblioteca de ML ausente ou a causa de uma falha de startup do conector.
Se o AWS IoT Greengrass grupo estiver configurado para gravar registros locais, o conector grava arquivos de log em`greengrass-root/ggc/var/log/user/region/aws/`. Para obter mais informações sobre o registro em log do Greengrass, consulte [Monitoramento com AWS IoT Greengrass registros](greengrass-logs-overview.md).
Use as informações a seguir para ajudar a solucionar os problemas com os conectores de classificação de imagem do ML.
**Bibliotecas do sistema necessárias**
As guias a seguir listam as bibliotecas do sistema necessárias para cada conector de classificação de imagem do ML.
------
#### [ ML Image Classification Aarch64 JTX2 ]
| Biblioteca | Versão mínima |
| --- | --- |
| ld-linux-aarch64.so.1 | GLIBC\$12.17 |
| libc.so.6 | GLIBC\$12.17 |
| libcublas.so.9.0 | não aplicável |
| libcudart.so.9.0 | não aplicável |
| libcudnn.so.7 | não aplicável |
| libcufft.so.9.0 | não aplicável |
| libcurand.so.9.0 | não aplicável |
| libcusolver.so.9.0 | não aplicável |
| libgcc\$1s.so.1 | GCC\$14.2.0 |
| libgomp.so.1 | GOMP\$14.0, OMP\$11.0 |
| libm.so.6 | GLIBC\$12.23 |
| 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 Image Classification x86\$164 ]
| Biblioteca | Versão mínima |
| --- | --- |
| 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 Image Classification Armv7 ]
| Biblioteca | Versão mínima |
| --- | --- |
| 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 |
------
**Problemas**
| Sintomas | Solução |
| --- | --- |
| Em um Raspberry Pi, a mensagem de erro a seguir será registrada em log e você não está usando a câmera: `Failed to initialize libdc1394` | Execute o comando a seguir para desabilitar o driver: sudo ln /dev/null /dev/raw1394
Essa operação é temporária e o symblink desaparecerá após a reinicialização. Consulte o manual de distribuição do seu sistema operacional para saber como criar automaticamente o link na reinicialização. |
## Licenças
Os conector de classificação de imagem do ML incluem o seguinte licenciamento/software de terceiros:
+ [AWS SDK para Python (Boto3)](https://pypi.org/project/boto3/)/Licença Apache 2.0
+ [botocore](https://pypi.org/project/botocore/)/Licença Apache 2.0
+ [dateutil](https://pypi.org/project/python-dateutil/1.4/)/Licença PSF
+ [docutils](https://pypi.org/project/docutils/)/Licença BSD, GNU Licença pública geral (GPL), Licença Python Software Foundation, Domínio público
+ [jmespath](https://pypi.org/project/jmespath/)/Licença MIT
+ [s3transfer](https://pypi.org/project/s3transfer/)/Licença Apache 2.0
+ [urllib3](https://pypi.org/project/urllib3/)/Licença MIT
+ [Deep Neural Network Library (DNNL)](https://github.com/intel/mkl-dnn)/Licença Apache 2.0
+ [OpenMP\$1 Runtime Library](https://software.intel.com/content/www/us/en/develop/documentation/cpp-compiler-developer-guide-and-reference/top/optimization-and-programming-guide/openmp-support/openmp-library-support/openmp-run-time-library-routines.html)/Consulte o [licenciamento da Intel OpenMP Runtime Library](#openmp-license).
+ [mxnet](https://pypi.org/project/mxnet/)/Licença Apache 2.0
+ [six](https://github.com/benjaminp/six)/MIT
**Licenciamento da Intel OpenMP Runtime Library**. O runtime Intel® OpenMP\$1 tem licença dupla, com uma licença comercial (COM) como parte dos produtos Intel® Parallel Studio XE Suite e uma licença de código aberto (OSS) BSD.
Esse conector é liberado de acordo com o [Contrato de licença de software do Greengrass Core](https://greengrass-release-license.s3.us-west-2.amazonaws.com/greengrass-license-v1.pdf).
## Changelog
A tabela a seguir descreve as alterações em cada versão do conector.
| Versão | Alterações |
| --- | --- |
| 2 | Foi adicionado o `MLFeedbackConnectorConfigId` parâmetro para suportar o uso do [conector ML Feedback](ml-feedback-connector.md) para carregar dados de entrada do modelo, publicar previsões em um tópico do MQTT e publicar métricas na Amazon. CloudWatch |
| 1 | Versão inicial. |
Um grupo do Greengrass só pode conter uma versão do conector por vez. Para obter informações sobre como fazer upgrade de uma versão do conector, consulte [Atualizar a versões do conector](connectors.md#upgrade-connector-versions).
## Consulte também
+ [Integrar a serviços e protocolos usando conectores do Greengrass](connectors.md)
+ [Conceitos básicos de conectores do Greengrass (console)](connectors-console.md)
+ [Conceitos básicos de conectores do Greengrass (CLI)](connectors-cli.md)
+ [Executar a inferência de machine learning](ml-inference.md)
+ [Algoritmo de classificação de imagens](https://docs.aws.amazon.com/sagemaker/latest/dg/image-classification.html) no *Amazon SageMaker AI Developer Guide*