Configurar El Almacén De Datos Del Proyecto En Amazon S3 - AWS DeepLens Guia

El archivo HeadPose_ResNet50_Tutorial.ipynb proporciona una plantilla de bloc de notas que sirve como
punto de partida para obtener información y explorar el entrenamiento de nuestro modelo. El archivo
preprocessingDataset_py2.py se puede utilizar tal y como está para preparar los datos de entrada para el
entrenamiento.
Puede descargar y descomprimir el archivo del proyecto GitHub comprimido en una unidad local. También
puede clonar el proyecto de GitHub. Para clonar el proyecto, abra una ventana de terminal y escriba el
siguiente comando de Git en un directorio de trabajo determinado:
git clone https://github.com/aws-samples/headpose-estimator-apache-mxnet
De forma predeterminada, la carpeta de proyecto descargada o clonada es headpose-estimator-
apache-mxnet-master. Utilizaremos este nombre de carpeta predeterminado para la carpeta del
proyecto a lo largo de este tutorial.
Al tener el proyecto de GitHub como una plantilla, estamos preparados para comenzar a crear nuestro
proyecto, configurando el almacén de datos del proyecto en S3 (p.
Configurar el almacén de datos del proyecto en Amazon S3
Para este proyecto, utilizaremos SageMaker para entrenar el modelo. Para ello, tenemos que preparar
un bucket de S3 y cuatro subcarpetas para almacenar los datos de entrada necesarios para el trabajo de
entrenamiento y los datos de salida que genera el trabajo de entrenamiento.
Crearemos un bucket de Amazon S3 y lo llamaremosdeeplens-sagemaker-models-<my-name>.
Escriba su nombre o ponga algún identificador en el marcador de posición
del bucket sea exclusivo. En este bucket, crearemos una carpeta headpose que contendrá los datos para
el entrenamiento del modelo específico para la detección de posiciones de cabeza.
A continuación, creamos las siguientes cuatro subcarpetas en la carpeta headpose:
• deeplens-sagemaker-models-<my-name>/headpose/TFartifacts: para almacenar los datos
de salida del entrenamiento, es decir, los artefactos del modelo entrenado.
• deeplens-sagemaker-models-<my-name>/headpose/customTFcodes
• deeplens-sagemaker-models-<my-name>/headpose/datasets: para almacenar los datos de
entrada para el entrenamiento, las imágenes preprocesadas con posiciones de cabeza conocidas.
• deeplens-sagemaker-models-<my-name>/headpose/testIMs
Siga los pasos que se indican a continuación para crear el bucket y las carpetas con la consola de Amazon
S3:
1. Abra la consola de Amazon S3 enhttps://console.aws.amazon.com/s3/home?region=us-east-1.
2. Si aún no existe el bucket de Amazon S3, elija+ Crear un buckety, a continuación, escribadeeplens-
sagemaker-models-<my-name>inNombre del bucketUtilice los valores predeterminados para el
resto de opciones y elijaCrear. Si ya existe, haga doble clic en el nombre de bucket existente para
elegir el bucket.
3. Seleccione + Create Folder (+ Crear carpeta), escriba headpose como nombre de la carpeta y luego
seleccione Save (Guardar).
4. Seleccione la carpeta headpose que acaba de crear y, a continuación, elija + Create folder (+
Crear carpeta) para crear las cuatro subcarpetas (denominadas TFartifacts, customTFcodes,
datasets y testIMs) bajo headpose, una por una.
AWS DeepLens Guía para desarrolladores
Crear y ejecutar el proyecto de
detección de posición de cabeza
96
96).
para que el nombre
<my-name>