Label Studio ML Backend

Label Studio ML backend to SDK, które pozwala opakować twój kod uczenia maszynowego i przekształcić go w serwer internetowy. Serwer ten może być połączony z działającą instancją Label Studio w celu automatyzacji zadań etykietowania.

Jak uruchomić

To jest kontener pomocniczy, nie musisz wchodzić z nim w bezpośrednią interakcję. Wszystkie operacje są obsługiwane przez Label Studio. Ważne jest, aby uruchomić go z GPU, ponieważ jest on używany do inferencji.

cgc compute create -n auto-yolo -c 2 -m 8 autolabel-yolo -g 1 -gt a5000 -d label_studio_url=<LABEL_STUDIO_URL> -d label_studio_api_key=<LABEL_STUDIO_API_KEY>

Parametery

• name - auto-yolo to tylko przykładowa nazwa, możesz użyć dowolnej nazwy. Jest ona używana do połączenia backendu ML z Label Studio w ustawieniach projektu.
• label_studio_url - URL do twojej instancji Label Studio (http://<nazwa_label_studio>:8080). Jeśli jeszcze nie posiadasz działającej instancji, uruchom ją przed utworzeniem backendu. Pamiętaj, że pracujesz w zamkniętym środowisku z prywatną siecią. Aby poprawnie skonfigurować backend, użyj http://<nazwa-label-studio>:8080 (np. http://label-studio:8080) zamiast publicznego URL.
• label_studio_api_key - Klucz API do twojej instancji Label Studio, możesz go wygenerować w interfejsie webowym Label Studio. Więcej informacji znajdziesz tutaj

Domyślny port to 9090 - będziesz używać ML Backend wewnętrznie, więc prawidłowy URL, który musi być podany w projekcie label studio to
http://auto-yolo:9090

Dodaj własny model do ML Backend

Aby załadować własny model do backendu, wykonaj następujące kroki:

1. Utwórz wolumen - Najpierw utwórz wolumen, w którym będzie przechowywany Twój model. Jeśli odpowiedni wolumen już istnieje, możesz pominąć ten krok.
2. Załaduj własny model - Przenieś lub skopiuj plik modelu do utworzonego wolumenu. Lub zamontuj ten wolumen do ML Backend i Jupyter Notebook.
3. Zamontuj wolumen - do Twojego kontenera ML Backend, aby aplikacja miała dostęp do Twojego modelu. Na przykład:

cgc volume mount <nazwa_wolumenu_z_modelem> -t auto-yolo

wskazówka

Jeśli chcesz możesz zamontować ten sam wolumen, którego używasz do przechowywania swojego datasetu i modeli. Dzięki temu nie musisz tworzyć nowego wolumenu tylko dla modelu.

Co więcej, jeśli Twój wolumen jest zamontowany do ML Backend-u i Jupyter Notebook, możesz wytrenować swoje modele i następnie natychmiast użyć ich w Label Studio bez konieczności przenoszenia.

Gdy wolumen zostanie zamontowany, ML backend będzie miał dostęp do przechowywanych w nim modeli. Możesz przechowywać wiele modeli w tym samym wolumenie. Aby upewnić się, że ML Backend wie, którego modelu użyć, musisz odpowiednio skonfigurować środowisko projektu: 4. Skonfiguruj model w swoim projekcie.

Po wykonaniu tych kroków powinieneś być w stanie zobaczyć predykcje na swoim zbiorze danych.

Jak używać

Aby dowiedzieć się więcej o tym, jak używać ML backendu, przejdź do Label Studio ML Backend