一个曲折的电话相片进去,一个干净的正牌相片出来——没有GPU,没有人上传时没有运行.
它运行在最大的Lambda AWS的销售上,最大的不够.
导言 这是系列第3篇关于图像处理管道的文章.
在前两篇文章中,我们浏览了整个图像处理管道,该管道处理AWS Builder Cards图像:从匿名照片到已出版的一页: 一个事件驱动的 AI, AWS 上的图像处理管道, 以及Lambda 容器中运行的图像分类模型, 它过滤出上传的图像, 只过滤有效的 AWS 构建器卡片图像 : 这是有效卡片吗?
羊肉达容器中的零镜头图像分类模型"今日"的文章是关于视觉分解模型,它同样运行在羊肉达容器中,但作用是处理被过滤的图像——去掉背景,直取并收割.
具体关于这部分: 问题在于有人拍下一张AWS Builder Card 躺在桌子上,然后上传到我的收藏中。
到达的不是一张牌——是一张牌的"相".
倾斜和一些背景围绕它。
一个Lambda在之前就已经看过了, 一个小型的、以集装箱为基础的Lambda, 它过滤为有效的 AWS 构建卡。
见此篇以取更入.
现在我们必须清理这张照片(直取、收割、去掉背景), 那个羔羊回答问题: 照片上的卡片到底在哪里?
两只羊肉的配合很简单:在将图像放入S3并被作为有效图像过滤后,会超过并开始处理图像.
我能在集装箱里运行它吗?
要处理上面描述的图像,我需要一个图像分割模型.
一个像素按像素排列 说: "卡,背景,卡,背景..." 我需要它运行起来,在一个羊肉容器里面 原因与AWS,便宜,没有服务器。
要找到合适的模式来完成我需要知道的问题的答案, 就像Lambda运行:需要多少CPU和内存?
体重从何而来.
推论是什么?
推论 在这种情况下,这是最容易回答的。
它运行在一个小图书馆后面 一个叫做, 这意味着没有和没有训练框架 在图像的任何地方。
其他两个得到一个部分 每一个更进一步, 问题1是 故事在哪里: 我选择的模型 勉强适合。
Lambda还将vCPU与记忆联系起来,这样数字就可以决定这个东西运行的速度,而不只是它是否存活.
因此,这是一篇关于记忆,法案, 以及模型停止说话后发生的几何学的文章。
在我们开始之前,有一件事, 所以它不会埋伏你以后: 这个羊肉会有两个模型。
找到那张卡片 就在最后,一个视觉模型读取了完成的图像的文本.
但让我们从头开始 模型 作为图像分割模型,我决定去 与,加载通过。
利特语也是记忆问题的答案.
记忆故事,还记得它工作在我的机器mememe 从前篇文章?
这是我真正挣到的 我在当地的工作就是模特儿 不错(在我的机器上),所以我把它运走。
我从未做过的 就是看着它在工作时吃着多少记忆 我在4GB记忆器开始装货 第一对引用给我看问题: 于是我走到了极限 10GB的记忆。
效果很好,但根据: 这是美妙的97%的最大容器容量。
所以它仍然有效, 但我测试了125 MB的图像,它坠毁。
没有12GB可以逃脱,没有更大的实例类型,没有旗帜可以要求更多.
以标准 < 20 MB 图像 97% 的内存是没有问题的.
因为我买不起更多的记忆,所以我需要更少的记忆。
答案是同一家庭的更轻的模型:设置 4GB + Dies at - 使用 10GB + 工作,但高峰为 10GB + 中位峰,以及 res