https://github.com/rogeriols/eml_3.1_model_serving_com_mlserver
https://github.com/rogeriols/eml_3.1_model_serving_com_mlserver
Last synced: 5 months ago
JSON representation
- Host: GitHub
- URL: https://github.com/rogeriols/eml_3.1_model_serving_com_mlserver
- Owner: RogerioLS
- License: mit
- Created: 2024-06-19T00:34:37.000Z (about 2 years ago)
- Default Branch: main
- Last Pushed: 2024-06-19T20:41:50.000Z (about 2 years ago)
- Last Synced: 2025-02-13T14:53:35.094Z (over 1 year ago)
- Language: Makefile
- Size: 28.3 KB
- Stars: 0
- Watchers: 1
- Forks: 0
- Open Issues: 0
-
Metadata Files:
- Readme: README.md
- License: LICENSE
Awesome Lists containing this project
README
### *Projeto de Classificação de Flores Iris com MLServer*
Este projeto demonstra como treinar um modelo de classificação utilizando o conjunto de dados Iris e servir esse modelo usando o MLServer. O modelo treinado é um classificador RandomForestClassifier do scikit-learn, e é servido através do MLServer para inferência.
Pré-requisitos
Docker instalado na máquina local
Conhecimento básico de linha de comando
Passos para Execução
1. Clonar o Repositório
Clone este repositório para sua máquina local:
```
git clone https://github.com/seu-usuario/iris-classification-mlserver.git
cd iris-classification-mlserver
```
2. Treinar o Modelo
Dentro do diretório do projeto, execute o script de treinamento para treinar o modelo e gerar o arquivo .pkl:
```
python train_model.py
```
Este script utiliza o conjunto de dados Iris, treina um RandomForestClassifier e salva o modelo treinado como model/iris-model/iris_model.pkl.
3. Construir e Executar o Contêiner Docker
Utilize o Makefile fornecido para construir e executar o contêiner Docker que servirá o modelo:
````
make build
make run
````
O comando make build construirá a imagem Docker com base no Dockerfile fornecido. O comando make run iniciará o contêiner Docker em segundo plano.
4. Verificar o Status do Contêiner
Verifique se o contêiner está em execução e sem erros. Você pode verificar o status usando o seguinte comando:
````
make
````
Certifique-se de que o contêiner iris-model está listado e em execução.
5. Executar Solicitações de Inferência
Você pode enviar solicitações de inferência para o modelo servido pelo MLServer usando qualquer cliente HTTP. Aqui está um exemplo simples usando curl:
```
python send_prediction.py
```
6. Parar e Limpar o Ambiente
Para parar o contêiner e limpar o ambiente:
````
make clean
````