Amazon web services 如何利用训练好的AWS模型进行实时目标检测

使用AWS SageMaker成功培训对象检测模型后，如何使用此模型在RTSP视频上执行实时对象检测？

您尚未指定模型的宿主位置：AWS、移动设备或其他设备。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，这取决于您的平台以及您在循环中所做的处理。您可以跳过帧或不缓冲丢失的帧来解决此问题。

一种实时对象检测解决方案如下

训练模型后，将模型上载到S3。您可以使用

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

然后，您需要在Amazon SageMaker端点上创建经过培训的模型。您可以使用以下方法执行此操作：

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

将模型附加到端点后，需要创建一个API，允许用户将输入传递到经过训练的模型进行推理。您可以使用。使用Serverless，您可以创建一个模板，将Lambda函数创建为

handler.py

和Serverless.yml，需要根据应用程序的运行方式进行配置。确保在

serverless.yml

中指定端点名称，

SAGEMAKER\u endpoint\u name

以及

Resource:${ssm:sagemakern}

。这是需要传入的允许策略资源（AWS Systems Manager代理）参数。在lambda函数中，确保调用SageMaker端点

现在，您可以在此部署API进行实时检测：

serverless deploy -v 

最后，可以使用curl调用API

有关详细的漫游，请参见