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 detecção de objetos 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 Object Detection fornecem um serviço de inferência de aprendizado de máquina (ML) executado no AWS IoT Greengrass núcleo. Esse serviço de inferência local realiza a detecção de objetos usando um modelo de detecção de objetos compilado pelo compilador de aprendizado profundo SageMaker AI Neo. Dois tipos de modelos de detecção de objetos são compatíveis: Single Shot Multibox Detector (SSD) e You Only Look Once (YOLO) v3. Para obter mais informações, consulte [Requisitos do modelo de detecção de objetos](#obj-detection-connector-req-model). 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 realiza a inferência local em uma imagem de entrada e retorna uma lista de previsões para cada objeto detectado na imagem. Cada previsão contém uma categoria de objeto, uma pontuação de confiança de previsão e coordenadas de pixels que especificam uma caixa delimitadora em torno do objeto previsto. AWS IoT Greengrass fornece conectores de detecção de objetos de ML para várias plataformas: | Conector | Descrição e ARN | | --- | --- | | Detecção de objetos em ML Aarch64 JTX2 | Serviço de inferência de detecção de objetos para NVIDIA Jetson. TX2 Compatível com a aceleração de GPU. **ARN:** `arn:aws:greengrass:region::/connectors/ObjectDetectionAarch64JTX2/versions/1` | | Detecção de objetos do ML x86\$164 | Serviço de inferência de detecção de objetos para plataformas x86\$164. **ARN:** `arn:aws:greengrass:region::/connectors/ObjectDetectionx86-64/versions/1` | | Detecção de objetos de ML ARMv7 | Serviço de inferência de detecção de objetos para ARMv7 plataformas. **ARN:** `arn:aws:greengrass:region::/connectors/ObjectDetectionARMv7/versions/1` | ## Requisitos Esses conectores têm os seguintes requisitos: + 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 do tempo de execução de aprendizado profundo SageMaker AI Neo instalado no dispositivo principal. Para obter mais informações, consulte [Instalando dependências de tempo de execução do Neo deep learning no núcleo AWS IoT Greengrass](#obj-detection-connector-config). + Um [recurso de ML](ml-inference.md#ml-resources) no grupo do Greengrass. O recurso de ML deve fazer referência a um bucket do Amazon S3 que contém um modelo de detecção de objeto. Para obter mais informações, consulte [Origem de modelo do Amazon S3](ml-inference.md#s3-ml-resources). **nota** O modelo deve ser um tipo de modelo de detecção de objetos Single Shot Multibox Detector ou You Only Look Once v3. Ele deve ser compilado usando o compilador de aprendizado profundo SageMaker AI Neo. Para obter mais informações, consulte [Requisitos do modelo de detecção de objetos](#obj-detection-connector-req-model). + 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. + AWS IoT Greengrass O [Machine Learning SDK](lambda-functions.md#lambda-sdks-ml) v1.1.0 é necessário para interagir com esse conector. ### Requisitos do modelo de detecção de objetos Os conectores de detecção de objetos do ML oferecem suporte aos tipos de modelo de detecção de objetos Single Shot multibox Detector (SSD) e You Only Look Once (YOLO) v3. Você pode usar os componentes de detecção de objetos fornecidos pelo [GluonCV](https://gluon-cv.mxnet.io) para treinar o modelo com seu próprio conjunto de dados. Ou pode usar modelos pré-treinados do GluonCV Model Zoo: + [Modelo SSD pré-treinado](https://gluon-cv.mxnet.io/build/examples_detection/demo_ssd.html) + [Modelo YOLO v3 pré-treinado](https://gluon-cv.mxnet.io/build/examples_detection/demo_yolo.html) Seu modelo de detecção de objetos deve ser treinado com imagens de entrada 512 x 512. Os modelos pré-treinados do GluonCV Model Zoo já atendem a esse requisito. Modelos treinados de detecção de objetos devem ser compilados com o compilador de aprendizado profundo SageMaker AI Neo. Ao compilar, verifique se o hardware de destino corresponde ao hardware do seu dispositivo de núcleo do Greengrass. Para obter mais informações, consulte [ SageMaker AI Neo](https://docs.aws.amazon.com/sagemaker/latest/dg/neo.html) no *Amazon SageMaker AI Developer Guide*. O modelo compilado deve ser adicionado como um recurso de ML ([origem de modelo do Amazon S3](ml-inference.md#s3-ml-resources)) ao mesmo grupo do Greengrass que o conector. ## Parâmetros do conector Esses conectores fornecem os parâmetros a seguir. `MLModelDestinationPath` O caminho absoluto para o bucket do Amazon S3 que contém o modelo de ML compatível com Neo. Esse é o caminho de destino especificado para o recurso de modelo de ML. 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 de ML do **grupo Greengrass** Obrigatório: `true` Digite: `S3MachineLearningModelResource` Padrão válido: `^[a-zA-Z0-9:_-]+$` `LocalInferenceServiceName` O nome para o serviço de inferência local. As funções Lambda definidas pelo usuário invocam o serviço passando o nome para a função do SDK `invoke_inference_service` do Machine AWS IoT Greengrass Learning. Para obter um exemplo, consulte [Exemplo de uso](#obj-detection-connector-usage). Nome de exibição no AWS IoT console: nome do **serviço de inferência local** Obrigatório: `true` Digite: `string` Padrão válido: `^[a-zA-Z0-9][a-zA-Z0-9-]{1,62}$` `LocalInferenceServiceTimeoutSeconds` O tempo (em segundos) até que a solicitação de inferência seja encerrada. O valor mínimo é 1. O valor padrão é 10. Nome de exibição no AWS IoT console: **Tempo limite (segundo)** Obrigatório: `true` Digite: `string` Padrão válido: `^[1-9][0-9]*$` `LocalInferenceServiceMemoryLimitKB` A quantidade de memória (em KB) que o serviço tem acesso. O valor mínimo é 1. Nome de exibição no AWS IoT console: **limite de memória** Obrigatório: `true` Digite: `string` Padrão válido: `^[1-9][0-9]*$` `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: `^$|^[a-zA-Z0-9][a-zA-Z0-9-]{1,62}$` ### Exemplo de criação de conector (AWS CLI) O seguinte comando da CLI cria um `ConnectorDefinition` com uma versão inicial que contém um conector de detecção de objeto do ML. Este exemplo cria uma instância do ARMv7l conector ML Object Detection. ``` 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" } } ] }' ``` **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](#obj-detection-connector-usage). Esses conectores não aceitam mensagens MQTT como dados de entrada. ## Dados de saída Esses conectores retornam uma lista formatada de resultados de previsão para os objetos identificados na imagem de entrada: ``` { "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 ], ... ] } ``` Cada previsão na lista está contida entre colchetes e contém seis valores: + O primeiro valor representa a categoria de objeto prevista para o objeto identificado. As categorias de objetos e seus valores correspondentes são determinados ao treinar seu modelo de machine learning de detecção de objetos no compilador de aprendizado profundo do Neo. + O segundo valor é a pontuação de confiança para a previsão da categoria de objeto. Isso representa a probabilidade de a previsão estar correta. + Os últimos quatro valores correspondem às dimensões de pixels que representam uma caixa delimitadora em torno do objeto previsto na imagem. 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 detecção de objetos do ML. **nota** Você pode baixar o SDK na página de downloads do ‭[‬SDK AWS IoT Greengrass 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). ``` 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 ``` A `invoke_inference_service` função no AWS IoT Greengrass Machine Learning SDK aceita os seguintes argumentos. | Argumento | Descrição | | --- | --- | | `AlgoType` | O nome do tipo de algoritmo a ser usado para inferência. No momento, só há compatibilidade com `object-detection`. Obrigatório: `true` Digite: `string` Valores válidos: `object-detection` | | `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 dependências de tempo de execução do Neo deep learning no núcleo AWS IoT Greengrass Os conectores ML Object Detection são fornecidos com o SageMaker AI Neo deep learning runtime (DLR). Os conectores usam o runtime para atender ao modelo de ML. Para usar esses conectores, você deve instalar as dependências do DLR no dispositivo de núcleo. Antes de instalar as dependências do DLR, certifique-se de que as [bibliotecas do sistema](#obj-detection-connector-logging) necessárias (com as versões mínimas especificadas) estejam 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. ``` #!/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. 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. ``` #!/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. 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. ``` #!/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. 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 detecção de objetos do ML. **Bibliotecas do sistema necessárias** As guias a seguir listam as bibliotecas do sistema necessárias para cada conector de detecção de objetos do ML. ------ #### [ ML Object Detection 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 | | libnvinfer.so.4 | não aplicável | | libnvrm\$1gpu.so | não aplicável | | libnvrm.so | não aplicável | | libnvidia-fatbinaryloader.so.28.2.1 | não aplicável | | libnvos.so | não aplicável | | 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 ] | 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 Object Detection 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 efêmera. O symblink desaparece após a reinicialização. Consulte o manual de distribuição do seu sistema operacional para saber como criar o link automaticamente na reinicialização. | ## Licenças Os conectores de detecção de objetos 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 Learning Runtime](https://github.com/neo-ai/neo-ai-dlr)/Licença Apache 2.0 + [six](https://github.com/benjaminp/six)/MIT 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). ## 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 detecção de objetos](https://docs.aws.amazon.com/sagemaker/latest/dg/object-detection.html) no *Amazon SageMaker AI Developer Guide*