from PyAnnote.audio import Pipeline

def model_fn(model_dir):
# Load the model from the specified model directory
model = Pipeline.from_pretrained(
"PyAnnote/speaker-diarization-3.1",
use_auth_token="Replace-with-the-Hugging-face-auth-token")
return model

with open("model/code/requirements.txt", "w") as f:
    f.write("transformers==4.25.1n")
    f.write("boto3n")
    f.write("PyAnnote.audion")
    f.write("soundfilen")
    f.write("librosan")
    f.write("onnxruntimen")
    f.write("wgetn")
    f.write("pandas")

!tar zcvf model.tar.gz *

import sagemaker
import boto3

sess = sagemaker.Session()

sagemaker_session_bucket = None
if sagemaker_session_bucket is None and sess is not None:
    sagemaker_session_bucket = sess.default_bucket()

try:
    role = sagemaker.get_execution_role()
except ValueError:
    iam = boto3.client("iam")
    role = iam.get_role(RoleName="sagemaker_execution_role")["Role"]["Arn"]

sess = sagemaker.Session(default_bucket=sagemaker_session_bucket)

print(f"sagemaker role arn: {role}")
print(f"sagemaker bucket: {sess.default_bucket()}")
print(f"sagemaker session region: {sess.boto_region_name}")

s3_location = f"s3://{sagemaker_session_bucket}/whisper/model/model.tar.gz"
!aws s3 cp model.tar.gz $s3_location

from sagemaker.huggingface.model import HuggingFaceModel
from sagemaker.async_inference.async_inference_config import AsyncInferenceConfig
from sagemaker.s3 import s3_path_join
from sagemaker.utils import name_from_base

async_endpoint_name = name_from_base("custom-asyc")

# create Hugging Face Model Class
huggingface_model = HuggingFaceModel(
    model_data=s3_location,  # path to your model and script
    role=role,  # iam role with permissions to create an Endpoint
    transformers_version="4.17",  # transformers version used
    pytorch_version="1.10",  # pytorch version used
    py_version="py38",  # python version used
)

# create async endpoint configuration
async_config = AsyncInferenceConfig(
    output_path=s3_path_join(
        "s3://", sagemaker_session_bucket, "async_inference/output"
    ),  # Where our results will be stored
    # Add nofitication SNS if needed
    notification_config={
        # "SuccessTopic": "PUT YOUR SUCCESS SNS TOPIC ARN",
        # "ErrorTopic": "PUT YOUR ERROR SNS TOPIC ARN",
    },  #  Notification configuration
)

env = {"MODEL_SERVER_WORKERS": "2"}

# deploy the endpoint endpoint
async_predictor = huggingface_model.deploy(
    initial_instance_count=1,
    instance_type="ml.xx",
    async_inference_config=async_config,
    endpoint_name=async_endpoint_name,
    env=env,
)

# Replace with a path to audio object in S3
from sagemaker.async_inference import WaiterConfig
res = async_predictor.predict_async(data=data)
print(f"Response output path: {res.output_path}")
print("Start Polling to get response:")

config = WaiterConfig(
  max_attempts=10, #  number of attempts
  delay=10#  time in seconds to wait between attempts
  )
res.get_result(config)
#import waiterconfig

[0.9762308998, 8.9049235993, "SPEAKER_01"]

[9.533106961, 12.1646859083, "SPEAKER_01"]

[13.1324278438, 13.9303904924, "SPEAKER_00"]

[14.3548387097, 26.1884550085, "SPEAKER_00"]

[27.2410865874, 28.2258064516, "SPEAKER_01"]

[28.3446519525, 31.298811545, "SPEAKER_01"]

# Common class representing application autoscaling for SageMaker 
client = boto3.client('application-autoscaling') 

# This is the format in which application autoscaling references the endpoint
resource_id='endpoint/' + <endpoint_name> + '/variant/' + <'variant1'> 

# Define and register your endpoint variant
response = client.register_scalable_target(
    ServiceNamespace='sagemaker', 
    ResourceId=resource_id,
    ScalableDimension='sagemaker:variant:DesiredInstanceCount', # The number of EC2 instances for your Amazon SageMaker model endpoint variant.
    MinCapacity=0,
    MaxCapacity=5
)

यदि आप समापन बिंदु को हटाना चाहते हैं, तो निम्नलिखित कोड का उपयोग करें:

async_predictor.delete_endpoint(async_endpoint_name)

अतुल्यकालिक समापन बिंदु परिनियोजन के लाभ

यह समाधान निम्नलिखित लाभ प्रदान करता है:

• समाधान कुशलतापूर्वक एकाधिक या बड़ी ऑडियो फ़ाइलों को संभाल सकता है।
• यह उदाहरण प्रदर्शन के लिए एकल उदाहरण का उपयोग करता है। यदि आप सैकड़ों या हजारों वीडियो के लिए इस समाधान का उपयोग करना चाहते हैं और कई उदाहरणों पर प्रक्रिया करने के लिए एक अतुल्यकालिक समापन बिंदु का उपयोग करना चाहते हैं, तो आप एक का उपयोग कर सकते हैं ऑटो स्केलिंग नीति, जो बड़ी संख्या में स्रोत दस्तावेज़ों के लिए डिज़ाइन किया गया है। ऑटो स्केलिंग आपके कार्यभार में परिवर्तन के जवाब में मॉडल के लिए प्रावधानित उदाहरणों की संख्या को गतिशील रूप से समायोजित करती है।
• समाधान संसाधनों का अनुकूलन करता है और लंबे समय से चल रहे कार्यों को वास्तविक समय के अनुमान से अलग करके सिस्टम लोड को कम करता है।

निष्कर्ष

इस पोस्ट में, हमने पायथन स्क्रिप्ट का उपयोग करके सेजमेकर पर हगिंग फेस के स्पीकर डायराइजेशन मॉडल को तैनात करने का एक सीधा तरीका प्रदान किया है। एसिंक्रोनस एंडपॉइंट का उपयोग एक सेवा के रूप में डायराइजेशन भविष्यवाणियां देने के लिए एक कुशल और स्केलेबल साधन प्रदान करता है, जो समवर्ती अनुरोधों को निर्बाध रूप से समायोजित करता है।

अपने ऑडियो प्रोजेक्ट के लिए एसिंक्रोनस स्पीकर डायराइज़ेशन के साथ आज ही शुरुआत करें। यदि आपके पास अपने स्वयं के एसिंक्रोनस डायराइजेशन एंडपॉइंट को चालू करने और चलाने के बारे में कोई प्रश्न हैं, तो टिप्पणियों में संपर्क करें।

लेखक के बारे में

संजय तिवारी एक विशेषज्ञ समाधान आर्किटेक्ट एआई/एमएल है जो व्यावसायिक आवश्यकताओं को परिभाषित करने, विशिष्ट उपयोग के मामलों के आसपास एल300 सत्र प्रदान करने और स्केलेबल, विश्वसनीय और प्रदर्शन करने योग्य एआई/एमएल अनुप्रयोगों और सेवाओं को डिजाइन करने के लिए रणनीतिक ग्राहकों के साथ काम करने में अपना समय बिताता है। उन्होंने एआई/एमएल संचालित अमेज़ॅन सेजमेकर सेवा को लॉन्च करने और स्केल करने में मदद की है और अमेज़ॅन एआई सेवाओं का उपयोग करके अवधारणा के कई प्रमाण लागू किए हैं। उन्होंने डिजिटल परिवर्तन यात्रा के एक भाग के रूप में उन्नत एनालिटिक्स प्लेटफ़ॉर्म भी विकसित किया है।

किरण चल्लापल्ली AWS सार्वजनिक क्षेत्र के साथ एक गहन तकनीकी व्यवसाय डेवलपर है। उनके पास एआई/एमएल में 8 साल से अधिक का अनुभव और समग्र सॉफ्टवेयर विकास और बिक्री का 23 साल का अनुभव है। किरण भारत भर में सार्वजनिक क्षेत्र के व्यवसायों को क्लाउड-आधारित समाधानों का पता लगाने और सह-निर्माण में मदद करती है जो एआई, एमएल और जेनरेटिव एआई का उपयोग करते हैं - जिसमें बड़े भाषा मॉडल-प्रौद्योगिकियां शामिल हैं।