# 3.2 Jumpstart with notebook
1. 시작을 위해 [Sagemaker Studio Console](https://us-east-1.console.aws.amazon.com/sagemaker/home?region=us-east-1#/studio-landing) 이동하여, 기존 사용자에 있는 Open Studio 버튼을 클릭하십시오.
## Object Detection model 배포하기
2. 왼쪽의 SageMaker Jumpstart 버튼을 누른 후 아래로 스크롤을 하여 Vision Models 항목에서 아래의 모델을 선택합니다.
`Vision models`\
`Object Detection`\
`Frcnn Resnet 50 Fpn`\
`Dataset : COCO2017`\
`Fine-tunable : Yes`\
`Source : PyTorch Hub`
3. 스크롤을 내려 open notebook 버튼을 눌러 노트북 인스턴스를 실행시킵니다.\
해당 노트북에 포함되어 있는 내용은, LAB2 에서 진행 했던 것과 유사하게 Jumpstart에 포함되어 있는 Pre-trained 된 모델을 배포하여 추론에 활용할 수 있는 내용입니다
4. 노트북 셀에서 1.Set Up 부분 부터, 2.5Display model predictions 까지 차례대로 실행시킵니다.
5. 2.1 부분에서는 학습에 쓰일 모델을 선택하게 됩니다.
6. 2.2 부분에서는 엔드포인트 이름과 인퍼런스에 쓰일 인스턴스 설정과 더불어 Sagemaker API를 통해 모델을 배포하게 됩니다. 해당작업은 5분정도 소요됩니다.
7. 2.3 부분에서는 인퍼런스를 위한 이미지 샘플을 다운로드합니다.
2.4 부분에서는 엔드포인트를 쿼리하고, 이미지에 나타낼 예측값들을 정의하게 됩니다.
8. 2.5 에서는 예측값을 나타낼 부분들을 시각화 하여 나타내게 됩니다.
9. 추론이 완료된 이미지를 통해, Vase(꽃병, 99%)와 Chair(의자, 98%)의 추론이 완료된 것을 확인 할 수 있습니다.
10. 2.6부분의 Endpoint 삭제를 통해, 만들어진 모델과 엔드포인트를 삭제하겠습니다.
다음 페이지에서는 커스텀 데이터를 통해 Fine-tuning을 진행하고, 추론을 진행해 보도록 하겠습니다.\
(기존의 노트북 인스턴스에 이어 진행 예정으로, 노트북 인스턴스는 그대로 사용 부탁드립니다.)
---
# Agent Instructions: Querying This Documentation
If you need additional information that is not directly available in this page, you can query the documentation dynamically by asking a question.
Perform an HTTP GET request on the current page URL with the `ask` query parameter:
```
GET https://cheolmin-ki.gitbook.io/sagemaker-image-workshop/lab3.-object-detction-with-low-code/3.2-jumpstart-with-notebook.md?ask=
```
The question should be specific, self-contained, and written in natural language.
The response will contain a direct answer to the question and relevant excerpts and sources from the documentation.
Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.