はじめに

メールアドレスの登録だけで無償で利用できる enebular (https://www.enebular.com/) ですが、今回有償版の機能を利用できる機会をいただいたので、その「事始め」を記事に残しておこうと思います。

無償版と有償版（エンタープライズプラン）との違い

有償版はProject単位で有効化されるようです。同じアカウントで作成したProjectでも無償版Projectではグレーアウトされているメニュー項目がありますが、有償版Projectでは全て選択できるようになります。

無償版Project
有償版Project

Devices、Licenses、Action Historyの機能は以前、enebular スターターキットをいただいた際に試したことがあったので、今回はFilesとAI modelsを試してみることにします。

enebular Files

ドキュメントには「Files では有償デバイスにファイルをデプロイすることが出来ます。」と記載されています。enebular-agent (ver 2.3.0)以上が必要です。
https://docs.enebular.com/ja/Files/Introduction.html

DeviceへDeploy操作をした後、Raspberry PiにログインするとDeployしたファイルが保存されていることを確認できます。

# enebularアカウントで確認
$ ls ~/enebular-runtime-agent/ports/awsiot/assets/
201911.png

こちらは特に迷うことはありませんでした。

enebular AI models と AI node

ドキュメントには「AI Models とは、機械学習・ディープラーニングのモデルをエッジデバイスにデプロイできる機能です。」と記載されています。enebular-agent (ver 2.7.0)以上が必要です。
https://docs.enebular.com/ja/AIModels/Introduction.html

こちらは最初ドキュメントを読んでも良く分からず、ソースコードを見たり試行錯誤しながらようやくイメージが掴めました。

動作イメージ

Node-REDフロー上のenebular AI nodeはHTTP REST経由でdocker上で動作しているAI modelへ問い合わせをします。enebular上で登録したAI modelはdocker hubからダウンロードしたdocker image (Python実行環境)で動作します。docker imageはあらかじめいくつか用意されています(GPUリソースを利用できるNVIDIA Jetson TX2用のDocker Imageも用意されている！）が、自分で用意することも可能です。

enebular上から選択するDocker Image
Docker Hub上に登録されているDocker Image

今回はRaspberry Pi上で動作を確認することにしました。

enebularへのAI modelの登録

まず簡単に動作を確認するため下記のtest2.pyファイルを用意しzipで圧縮します。Node-REDフロー上のenebular AI nodeからは、このhandler関数が呼ばれます。

test2.py

def handler(img):
  return img

$ zip -r test2.zip test2.py

test2.zipファイルをenebularに登録します。

Docker Imageは「Rpi 3B image for Keras v2.2.4 with Tensorflow v1.14 and Python3」を選択します。
Languageは「Python3」を選択します。
Content Typeは「Json」を選択します。
Max Ram (in MB)は「128」とします。
Coresは「1」とします。

Handler Function #1は「handler」とします。

Node-REDフローからenebular AI nodeの実行

enebular AI nodeのプロパティでAI ModelとHandler Functionを選択します。

Node-REDフローのinjectノードのボタンを押してdebugノードにタイムスタンプが表示されれば正常に動作しています。

Raspberry Piにログインして動作を確認します。

# enebularアカウントで確認
$ docker image ls
REPOSITORY                     TAG                 IMAGE ID            CREATED             SIZE
enebulardevelopers/rpi-keras   latest              c41cfd6ab451        5 weeks ago         1.22GB

$ docker container ls
CONTAINER ID        IMAGE                                 COMMAND                  CREATED             STATUS              PORTS                      NAMES
cc4a2b5ec73a        enebulardevelopers/rpi-keras:latest   "/usr/bin/entry.sh /…"   About an hour ago   Up About an hour    0.0.0.0:49153->49153/tcp   beautiful_khorana

# enebularアカウントで確認
$ pwd
/home/enebular/enebular-runtime-agent/ports/awsiot/ai-models/.mount/U0HFL2-V
$ ls
__pycache__  test2.py  wrapper.py

wrapper.py

from flask import Flask, abort, jsonify, request, Response
import json
import test2

app = Flask(__name__)

@app.route('/vCPrWwtz', methods=["POST"])
def handler1():
    r = request
    data = json.loads(r.data.decode("utf-8"))
    predict = test2.handler(data) 
    return Response(response=json.dumps(predict), status=200, mimetype="application/json")

if __name__ == '__main__':
    app.run(host='0.0.0.0',port=49153, debug=True)

enebular AI models、AI node 事始め