【TechBlog】Amazon SageMaker Neo + Jetson TX2 + AWS IoT Greengrassでエッジ推論システムを構築する

みなさまこんにちは。プロダクト開発本部の岸田です。

以前に「ハードウェア側に機械学習環境を立てて推論を行い、クラウドに結果を収集して分析状況を確認する」ユースケースをこちらの記事で考察しました。手軽にローカルデバイスとクラウドを連携するサービスとして有名なものが「AWS IoT Greengrass」ですよね。公式のドキュメントでもエッジ推論システムをAWS IoT Greengrassで構築するユースケースが紹介されています。

Perform machine learning inference

AWS IoT Greengrass Version 1 no longer receives feature updates, and will receive only security patches and bug fixes until June 30, 2023. For more information, see the AWS IoT Greengrass V1 maintenance policy.

https://docs.aws.amazon.com/greengrass/v1/developerguide/ml-inference.html

そこで上記を参考に、弊社の製品であるJetson TX2搭載のEDGEPLANT T1を利用して、AWSサービスを活用したエッジ推論システムをつくってみたいと思います！

この記事の対象読者
EDGEPLANT T1で手軽にエッジ推論を構築するメリット
今回のゴール
1. 構成イメージ
実際に構築してみる
1. モデルをAmazon SageMakerを用いてコンパイル
2. EDGEPLANT T1に機械学習環境を構築する
3. EDGEPLANT T1にAWS IoT Greengrassをインストールする
4. 推論を行うコードをLambdaとしてデプロイする
5. LambdaをGreengrss Groupに追加する
6. SageMakerでコンパイルしたモデルをGreengrass Groupに追加する
7. 推論実行用のローカルデバイスをGreengrass Groupに追加する
8. サブスクリプションを定義する
9. デプロイパッケージをテストする
10. IoT Analyticsにデータセットをためる
11. QuickSightでダッシュボードを作り結果を確認する
まとめ

続きは、弊社のテックブログからご覧ください！

Amazon SageMaker Neo + Jetson TX2 + AWS IoT Greengrassでエッジ推論システムを構築する - aptpod Tech Blog

みなさまこんにちは。プロダクト開発本部の岸田です。以前に「ハードウェア側に機械学習環境を立てて推論を行い、クラウドに結果を収集して分析状況を確認する」ユースケースをこちらの記事で考察しました。手軽にローカルデバイスとクラウドを連携するサービスとして有名なものが「AWS IoT Greengrass」ですよね。公式のドキュメントでもエッジ推論システムをAWS IoT Greengrassで構築するユースケースが紹介されています。そこで上記を参考に、弊社の製品であるJetson TX2搭載のEDGEP

https://tech.aptpod.co.jp/entry/2022/03/18/180000

株式会社アプトポッド's job postings

【TechBlog】Amazon SageMaker Neo + Jetson TX2 + AWS IoT Greengrassでエッジ推論システムを構築する

Junichiro Kousaki

株式会社アプトポッド / Business (Finance, HR etc.)

株式会社アプトポッド

アプトポッドは、IoTプラットフォームの自社開発やIoT関連ソリューションの販売により、製造業を中心にあらゆる産業のDXに貢献する研究開発型テックベンチャーです。大量の時系列データを収集・管理するIoTプラットフォームクラウド「intdash」や、自動車が吐き出す大量データをエッジで処理する車載コンピュータ「EDGEPLANT」、収集した時系列データをリアルタイムに可視化するWebダッシュボード「Visual M2M」などの自社企画製品の開発を行いつつ、これらを組み合わせたソリューションの提供や、受託開発を行っています。当社の強みは、当社が「ファストデータ」と呼ぶ膨⼤かつ高頻度な時系列データを⾼速に伝送、収集することです。自動車、ロボット、産業機械などの様々なデバイスをコネクテッド化し、遠隔データ収集、可視化、制御といった難易度の高いサービスを実現する高度なIoTプロダクトを開発しています。【プロダクト】 ■ intdash 自動車や産業機器と、遠隔地にある可視化ツールや操作端末とをインターネットを介してつなぎ、大量かつ短周期な高頻度データをリアルタイムに、双方向に伝送するためのIoTプラットフォームです。intdashを利用することで、遠隔監視や遠隔操縦、自動運転などIoTサービス実現の要となる、超低遅延な双方向伝送を実現します。 https://www.aptpod.co.jp/products/intdash/about-intdash/ ■ Visual M2M intdashを使用してクラウドに収集した膨大なセンサーデータを、リアルタイムに可視化・解析するWebベースのダッシュボードツールです。世の中にWebダッシュボードツールは複数ありますが、当社製品のようなリアルタイム性を備えたプロダクトは、リリースから数年が経った今でも現れていません。解析用途に応じて拡張が可能で、見た目のかっこよさにもとことんこだわった先進的なデザインのインターフェースが魅力です。 https://www.aptpod.co.jp/products/data-visualization/ ■ EDGEPLANT EDGEPLANTは、産業DXで必要となる堅牢かつ高性能な自社企画ハードウェアの総合ブランドです。高度なAI処理を実現する車載規格対応のGPU搭載エッジコンピュータ「EDGEPLANT T1」や、各種制御バス、センサーネットワークに接続するためのインターフェイス機器、専用カメラシステム（予定）などで構成されています。 https://www.aptpod.co.jp 【実例】 ■本田技研工業様マーシャル諸島共和国ソーラーEV共同実験プロジェクトマーシャル諸島共和国にて立ち上がった「ソーラー電気自動車（EV車）プロジェクト」に『Visual M2M』が採用された例です。車両のバッテリー状況、位置情報等各種データを記録するための装置を搭載し、クラウドサーバーへ上がったデータの運用状況を日本でモニタリングし、不具合があった際に迅速に対応する体制をつくりました。 https://www.aptpod.co.jp/casestudy/001/ ■路線バスを活⽤したAIによる⾃動⼯事現場検知システム大阪ガス様が独自に開発した工事現場検出用のAIモデルと判定ロジックを載せた弊社の車載エッジコンピュータ「EDGEPLANT T1」とカメラで走行中の道路撮像画像から工事現場要素を検出。検出された工事現場要素は位置情報と共にintdashクラウドに伝送されることで広域での工事箇所のリアルタイム自動監視を実現しています。 https://www.aptpod.co.jp/news/news/20210531daigas その他、自動車、建機/農機/重機、ロボティクス、スマートファクトリー、ヘルスケアなど、様々な業界の案件を多数抱えております！【研究開発】 ■ 独自ストリーミングプロトコル・双方向リアルタイムストリーミング・不安定なモバイル回線でもすべてのデータを欠損なく完全回収・すべてのデータに時刻情報を付与して時系列データとして管理・P2P伝送やエッジサーバーを組み合わせた低遅延化 ■ スケーラブルデータストア・1台につき毎秒数千〜数万点を超える大量データを確実かつ高速に永続化・独自の分散保持機構により、大規模運用に耐えうるスケーラビリティを確保 ■ メディアデータプロセッシング・モバイル回線経由での低遅延動画ストリーミング・複数カメラデバイスからの映像を合成伝送し省帯域化 ■ リアルタイムインテリジェンス・機械学習による動画ストリームのリアルタイム推論・リアルタイムストリームの監視と不正検出

Like Junichiro Kousaki's Story

Let Junichiro Kousaki's company know you're interested in their content

【TechBlog】Amazon SageMaker Neo + Jetson TX2 + AWS IoT Greengrassでエッジ推論システムを構築する

目次

株式会社アプトポッド

機械学習

Weekly ranking