问如何使用经过训练的AWS模型进行实时目标检测

EN

用于实时对象检测的一种解决方案如下。

训练模型后，将模型上载到S3。您可以使用以下命令进行检查

$aws sagemaker list-training-jobs --region us-east-1

然后，您需要在亚马逊SageMaker端点上验证您训练过的模型。您可以使用以下命令来完成此操作：

object_detector = estimator.deploy(initial_instance_count = 1,                                 
instance_type = 'ml.g4dn.xlarge')

将模型附加到端点后，您将需要创建一个API，该API允许用户将输入传递到经过训练的模型以进行推理。您可以使用Serverless来完成此操作。使用Serverless，您可以创建一个模板，该模板将创建一个Lambda函数，如handler.py和serverless.yml，这些函数需要根据应用程序的操作方式进行配置。确保在serverless.yml中指定端点名称、SAGEMAKER_ENDPOINT_NAME和Resource: ${ssm:sagemakerarn}。这是需要传入的允许策略资源(AWS Systems Manager代理)参数。在您的lambda函数中，确保您调用了SageMaker端点。

在这里，您现在可以部署API以进行实时检测：

serverless deploy -v 

最后，您可以使用curl调用您的API。

有关详细的演练，请参阅here。

您尚未指定将在何处托管模型:在AWS上、移动设备或其他设备上。然而，一般的方法是，假设CNN处理图像，您的模型将一次消耗一帧。您尚未指定编程语言或库，因此以下是psuedocode中的一般过程：

while True:
    video_frame = get_next_rtsp_frame()
    detections = model.predict(video_frame)
    # There might be multiple objects detected, handle each one:
    for detected_object in detections:
        (x1, y1, x2, y2, score) = detected_object # bounding box
        # use the bounding box information, say to draw a box on the image

实时视频流需求的一个挑战是避免延迟，这取决于您的平台和您在循环中进行的处理类型。您可以跳过帧或不缓冲丢失的帧来解决此问题。