Questa versione precedente di AI Platform Training è ritirata e non sarà più disponibile su Google Cloud dopo il 31 gennaio 2025. Esegui la migrazione delle tue risorse all'addestramento personalizzato di Vertex AI per accedere a nuove funzionalità di machine learning non disponibili nella piattaforma AI.

Questa pagina è stata tradotta dall'API Cloud Translation.

Addestramento con l'impiego dell'algoritmo di rilevamento di oggetti immagine integrato

L'addestramento con algoritmi integrati in AI Platform Training ti consente di inviare il tuo set di dati e addestrare un modello senza scrivere alcun codice di addestramento. Questa pagina spiega come funziona l'algoritmo integrato di rilevamento degli oggetti immagine e come utilizzarlo.

Panoramica

L'algoritmo di rilevamento di oggetti immagine integrato utilizza i set di dati di addestramento e convalida per addestrare i modelli in modo continuo e poi genera l'output del SavedModel più accurato generato durante il job di addestramento. Puoi anche usare un iperparametro dell'ottimizzazione per ottenere la migliore accuratezza del modello. Il SavedModel esportato può essere utilizzato direttamente per la previsione, localmente o di cui è stato eseguito il deployment in AI Platform Prediction per il servizio di produzione.

Limitazioni

Gli algoritmi integrati nelle immagini supportano l'addestramento con CPU, GPU o TPU singole. Il SavedModel risultante è compatibile con la pubblicazione su CPU e GPU.

Le seguenti funzionalità non sono supportate per l'addestramento con l'algoritmo di rilevamento di oggetti immagine integrato:

Addestramento distribuito. Per eseguire un job di addestramento distribuito TensorFlow su AI Platform Training, devi creare un'applicazione di addestramento.
Addestramento multi-GPU. Gli algoritmi integrati utilizzano una sola GPU alla volta. Per usufruire appieno dell'addestramento con più GPU su una macchina, devi creare un'applicazione di addestramento. Trova ulteriori informazioni sui tipi di macchina.

Tipi di macchine supportati

I seguenti livelli di scalabilità e tipi di macchine di AI Platform Training sono supportati:

BASIC livello di scalabilità
Livello di scalabilità BASIC_TPU
Livello di scalabilità CUSTOM con uno qualsiasi dei tipi di macchine di Compute Engine supportata da AI Platform Training.
Livello di scalabilità CUSTOM con uno dei seguenti tipi di macchine legacy:
- standard
- large_model
- complex_model_s
- complex_model_m
- complex_model_l
- standard_gpu
- standard_p100
- standard_v100
- large_model_v100
- complex_model_m_gpu
- complex_model_l_gpu
- complex_model_m_p100
- complex_model_m_v100
- complex_model_l_v100
- TPU_V2 (8 core)

Autorizza Cloud TPU ad accedere al tuo progetto

Segui questi passaggi per autorizzare il nome dell'account di servizio Cloud TPU associati al tuo progetto Google Cloud:

Ottieni il nome del tuo account di servizio Cloud TPU chiamando projects.getConfig Esempio:

PROJECT_ID=PROJECT_ID

curl -H "Authorization: Bearer $(gcloud auth print-access-token)"  \
    https://ml.googleapis.com/v1/projects/$PROJECT_ID:getConfig

Salva il valore dei campi serviceAccountProject e tpuServiceAccount restituiti dall'API.

Inizializza l'account di servizio Cloud TPU:

curl -H "Authorization: Bearer $(gcloud auth print-access-token)"  \
  -H "Content-Type: application/json" -d '{}'  \
  https://serviceusage.googleapis.com/v1beta1/projects/<serviceAccountProject>/services/tpu.googleapis.com:generateServiceIdentity

Ora aggiungi l'account di servizio Cloud TPU come membro del progetto con il ruolo Agente di servizio Cloud ML. Completa i seguenti passaggi nella console Google Cloud o utilizzando il comando gcloud:

Console

Accedi alla console Google Cloud e scegli il progetto in cui utilizzi la TPU.
Scegli IAM e amministrazione > IAM.
Fai clic sul pulsante Aggiungi per aggiungere un membro al progetto.
Inserisci l'account di servizio TPU nella casella di testo Membri.
Fai clic sull'elenco a discesa Ruoli.
Abilita il ruolo Agente di servizio Cloud ML (Agenti di servizio > Agente di servizio Cloud ML).

gcloud

Imposta le variabili di ambiente contenenti l'ID progetto e Account di servizio Cloud TPU:

PROJECT_ID=PROJECT_ID
SVC_ACCOUNT=your-tpu-sa-123@your-tpu-sa.google.com.iam.gserviceaccount.com

Concedi il ruolo ml.serviceAgent al servizio Cloud TPU :

gcloud projects add-iam-policy-binding $PROJECT_ID \
    --member serviceAccount:$SVC_ACCOUNT --role roles/ml.serviceAgent

Per ulteriori dettagli sull'assegnazione dei ruoli agli account di servizio, consulta la documentazione IAM.

Formatta i dati di input per l'addestramento

L'algoritmo di rilevamento degli oggetti immagine integrato richiede la formattazione dei dati di input come tf.Examples, salvato nei file TFRecord. La struttura di dati tf.Example e il formato del file TFRecord sono entrambi progettati per una lettura efficiente dei dati con TensorFlow.

Il formato TFRecord è un formato semplice per archiviare una sequenza di record binari. In questo caso, tutti i record contengono rappresentazioni binarie delle immagini. Ogni immagine, insieme alle relative etichette di classe, è rappresentata come tf.Example. Puoi salvare molti tf.Example in un unico file TFRecord. Puoi anche suddividere un set di dati di grandi dimensioni in più file TFRecord.

Scopri di più su TFRecord e tf.Example.

Converti le immagini in TFRecord

Per convertire le immagini nel formato richiesto per ottenere le previsioni, segui la guida di TensorFlow Model Garden per la preparazione degli input per il rilevamento di oggetti.

Controlla le autorizzazioni del bucket Cloud Storage

Per archiviare i dati, utilizza un bucket Cloud Storage nello stesso progetto Google Cloud che utilizzi per eseguire i job di AI Platform Training. In caso contrario, concedi l'accesso ad AI Platform Training al bucket Cloud Storage in cui sono archiviati i tuoi dati.

Formato di input richiesto

Per eseguire l'addestramento con l'algoritmo di rilevamento degli oggetti immagine integrato, i dati immagine devono essere strutturati come tf.Example, che includono i seguenti campi:

image/encoded è l'immagine non elaborata codificata come stringa.
image/object/class/label è un elenco di etichette con numeri interi per l'immagine corrispondente (un'etichetta per casella).

L'insieme di etichette intere utilizzato per il set di dati deve essere una sequenza consecutiva che inizia da 1. Ad esempio, se il set di dati ha cinque classi, l'etichetta deve essere un numero intero compreso nell'intervallo [1, 5].
image/object/bbox/xmin è un elenco di coordinate x a sinistra normalizzate per il immagine corrispondente (una coordinata per riquadro). Ogni coordinata deve essere intervallo [0, 1].
image/object/bbox/xmax è un elenco di coordinate x normalizzate per il immagine corrispondente (una coordinata per riquadro). Ogni coordinata deve essere intervallo [0, 1].
image/object/bbox/ymin è un elenco di coordinate Y normalizzate per il immagine corrispondente (una coordinata per riquadro). Ogni coordinata deve trovarsi nell'intervallo [0, 1].
image/object/bbox/ymax è un elenco di coordinate y inferiori normalizzate per l'immagine corrispondente (una coordinata per casella). Ogni coordinata deve essere intervallo [0, 1].

L'esempio seguente mostra la struttura di un tf.Example per un'immagine contenente due riquadri di delimitazione. La prima casella ha l'etichetta 1, il suo angolo in alto a sinistra è alle coordinate normalizzate (0.1, 0.4) e il suo angolo in basso a destra è alle coordinate normalizzate (0.5, 0.8). La seconda casella è contrassegnata dall'etichetta 2, il suo angolo in alto a sinistra si trova alle coordinate normalizzate (0.3, 0.5) e il suo angolo in basso a destra si trova alle coordinate normalizzate (0.4, 0.7).

{
    'image/encoded': '<encoded image data>',
    'image/object/class/label': [1, 2],
    'image/object/bbox/xmin': [0.1, 0.3],
    'image/object/bbox/xmax': [0.5, 0.4],
    'image/object/bbox/ymin': [0.4, 0.5],
    'image/object/bbox/ymax': [0.8, 0.7]
}

Questo formato tf.Example segue lo stesso utilizzato nello script di rilevamento oggetti TFRecord.

Ottenere il miglior SavedModel come output

Al termine del job di addestramento, AI Platform Training scrive un SavedModel di TensorFlow in il bucket Cloud Storage specificato come jobDir al momento dell'invio il job. Il SavedModel è scritto in jobDir/model. Ad esempio, se invii il job a gs://your-bucket-name/your-job-dir, AI Platform Training scrive il modello SavedModel in gs://your-bucket-name/your-job-dir/model.

Se hai attivato l'ottimizzazione degli iperparametri, AI Platform Training restituisce il modello salvato di TensorFlow con la massima accuratezza raggiunta durante il processo di addestramento. Ad esempio, se hai inviato un job di addestramento con 2500 passaggi di addestramento e l'accuratezza è stata massima a 2000 passaggi, ottieni un SavedModel di TensorFlow salvato da quel determinato punto.

Ogni prova di AI Platform Training scrive il modello TensorFlow SavedModel con la massima precisione nella propria directory all'interno del bucket Cloud Storage. Per un esempio, gs://your-bucket-name/your-job-dir/model/trial_{trial_id}.

La firma del SavedModel di output è:

signature_def['serving_default']:
  The given SavedModel SignatureDef contains the following input(s):
    inputs['encoded_image'] tensor_info:
        dtype: DT_STRING
        shape: (-1)
        name: encoded_image_string_tensor:0
    inputs['key'] tensor_info:
        dtype: DT_STRING
        shape: (-1)
        name: key:0
  The given SavedModel SignatureDef contains the following output(s):
    outputs['detection_boxes'] tensor_info:
        dtype: DT_FLOAT
        shape: (-1, 100, 4)
        name: detection_boxes:0
    outputs['detection_classes'] tensor_info:
        dtype: DT_FLOAT
        shape: (-1, 100)
        name: detection_classes:0
    outputs['detection_scores'] tensor_info:
        dtype: DT_FLOAT
        shape: (-1, 100)
        name: detection_scores:0
    outputs['key'] tensor_info:
        dtype: DT_STRING
        shape: (-1)
        name: Identity:0
    outputs['num_detections'] tensor_info:
        dtype: DT_FLOAT
        shape: (-1)
        name: num_detections:0
  Method name is: tensorflow/serving/predict

Input:

encoded_image: byte dell'immagine non elaborati (non decodificati). È lo stesso valore diimage/encoded memorizzato in tf.Example.
key: l'identificatore del valore di stringa dell'input di previsione. Questo valore è trasmesso all'output key. Nelle previsioni batch, questo aiuta a mappare l'output della previsione all'input.

Output:

num_detections: il numero di riquadri di delimitazione rilevati.
detection_boxes: un elenco di coordinate relative (valore in [0,1]) ([ymin, xmin, ymax, xmax]) delle caselle delimitanti di rilevamento.
detection_classes: un elenco di etichette di classi (interi) previste per ogni riquadro di rilevamento in detection_boxes.
detection_scores: un elenco di scores per ogni casella di rilevamento in detection_boxes.
key: la chiave di output.

Di seguito è riportato un esempio di output di previsione:

{u'detection_classes': [1.0, 3.0, 3.0, ...],
u'key': u'test_key',
u'num_detections': 100.0,
u'detection_scores': [0.24401935935020447, 0.19375669956207275, 0.18359294533729553, ...]]}

Configurazioni di esempio

Se invii un job utilizzando gcloud, devi creare un file config.yaml per il tipo di macchina e le specifiche di ottimizzazione degli iperparametri. Se utilizzi nella console Google Cloud, non devi creare questo file. Scopri come inviare un job di addestramento.

Il file config.yaml di esempio seguente mostra come allocare le risorse TPU per il tuo job di addestramento:

cat << EOF > config.yaml
trainingInput:
  scaleTier: CUSTOM
  masterType: n1-standard-16
  masterConfig:
    imageUri: gcr.io/cloud-ml-algos/image_object_detection:latest
    acceleratorConfig:
      type: NVIDIA_TESLA_P100
      count: 1
  workerType:  cloud_tpu
  workerConfig:
    imageUri: gcr.io/cloud-ml-algos/image_object_detection:latest
    tpuTfVersion: 1.14
    acceleratorConfig:
      type: TPU_V2
      count: 8
  workerCount: 1
EOF

Quindi, utilizza il file config.yaml per inviare un job di addestramento.

Configurazione dell'ottimizzazione degli iperparametri

Per utilizzare l'ottimizzazione degli iperparametri, includi la relativa configurazione nello stesso file config.yaml della configurazione della macchina.

Puoi trovare brevi spiegazioni di ciascun iperparametro nella console Google Cloud e una spiegazione più completa nel riferimento per l'algoritmo di rilevamento di oggetti immagine integrato.

Il file config.yaml di esempio seguente mostra come allocare le risorse TPU per il job di addestramento e include la configurazione dell'ottimizzazione degli iperparametri:

cat << EOF > config.yaml
trainingInput:
  # Use a cluster with many workers and a few parameter servers.
  scaleTier: CUSTOM
  masterType: n1-standard-16
  masterConfig:
    imageUri: gcr.io/cloud-ml-algos/image_object_detection:latest
    acceleratorConfig:
      type: NVIDIA_TESLA_P100
      count: 1
  workerType:  cloud_tpu
  workerConfig:
    imageUri: gcr.io/cloud-ml-algos/image_object_detection:latest
    acceleratorConfig:
      type: TPU_V2
      count: 8
  workerCount: 1
  # The following are hyperparameter configs.
  hyperparameters:
   goal: MAXIMIZE
   hyperparameterMetricTag: "AP"
   maxTrials: 6
   maxParallelTrials: 3
   enableTrialEarlyStopping: True
   params:
   - parameterName: initial_learning_rate
     type: DOUBLE
     minValue: 0.001
     maxValue: 0.1
     scaleType: UNIT_LOG_SCALE
EOF

Invia un job di addestramento per il rilevamento di oggetti immagine

Questa sezione spiega come inviare un job di addestramento utilizzando l'algoritmo di rilevamento di oggetti immagine integrato.

Console

Seleziona l'algoritmo

Vai alla pagina dei job di addestramento su AI Platform nella console Google Cloud:

Pagina dei job di AI Platform Training
Fai clic sul pulsante Nuovo job di addestramento. Dalle opzioni visualizzate di seguito, fai clic su Addestramento con algoritmi integrati.
Nella pagina Crea un nuovo job di addestramento, seleziona rilevamento di oggetti immagine e fai clic su Avanti.

Seleziona i dati di addestramento e convalida

Nel menu a discesa in Dati di addestramento, specifica se utilizzi un singolo file o più file:
- Per un singolo file, lascia selezionata l'opzione "Utilizza un unico file in un bucket GCS".
- Per più file, seleziona "Usa più file archiviati in una directory di Cloud Storage".
In Percorso directory, fai clic su Sfoglia. Nel riquadro a destra, fai clic sul nome del bucket in cui hai caricato i dati di addestramento e vai al file.

Se selezioni più file, inserisci i caratteri jolly in Nome carattere jolly. Il "Percorso GCS completo" viene visualizzato sotto per verificare che il percorso sia corretto.
Nella casella a discesa in Dati di convalida, specifica se utilizzi uno o più file:
- Per un singolo file, lascia "Utilizza singolo file in un bucket GCS" selezionato.
- Per più file, seleziona "Usa più file archiviati in una directory di Cloud Storage".
In Percorso directory, fai clic su Sfoglia. Nel riquadro a destra, fai clic sul nome del bucket in cui hai caricato i dati di addestramento e vai al file.

Se selezioni più file, inserisci i caratteri jolly in Nome carattere jolly. Di seguito viene visualizzato il "Percorso GCS completo" per aiutarti a verificare che il percorso sia corretto.
In Directory di output, inserisci il percorso del bucket Cloud Storage in cui vuoi che AI Platform Training archivi gli output un lavoro di addestramento lungo. Puoi compilare direttamente il percorso del bucket Cloud Storage, o fai clic sul pulsante Sfoglia per selezionarla.

Per mantenere tutto in ordine, crea una nuova directory all'interno del bucket Cloud Storage per questo job di addestramento. Puoi farlo all'interno Riquadro Sfoglia.

Fai clic su Avanti.

Impostare gli argomenti dell'algoritmo

Ogni argomento specifico dell'algoritmo mostra un valore predefinito per i job di addestramento senza ottimizzazione degli iperparametri. Se attivi l'ottimizzazione degli iperparametri su un argomento dell'algoritmo, devi specificarne il valore minimo e massimo.

Per scoprire di più su tutti gli argomenti dell'algoritmo, segui i link in alla console Google Cloud e consulta le Riferimento per il rilevamento di oggetti immagine integrati per ulteriori dettagli.

Invia il job

Nella scheda Impostazioni job:

Inserisci un ID job univoco.
Inserisci un'regione disponibile (ad es. "us-central1").
Per selezionare i tipi di macchine, seleziona "PERSONALIZZATO" per il livello di scalabilità. Una sezione per fornire la specifica del cluster personalizzato vengono visualizzati i video.
1. Seleziona un tipo di macchina disponibile per Tipo master.
2. Se vuoi utilizzare le TPU, imposta Tipo di worker su cloud_tpu. Il conteggio dei worker è impostato su 1 per impostazione predefinita.

Fai clic su Fine per inviare il job di addestramento.

gcloud

Imposta le variabili di ambiente per il job:

PROJECT_ID="YOUR_PROJECT_ID"
BUCKET_NAME="YOUR_BUCKET_NAME"

# Specify the same region where your data is stored
REGION="YOUR_REGION"

gcloud config set project $PROJECT_ID
gcloud config set compute/region $REGION

# Set Cloud Storage paths to your training and validation data
# Include a wildcard if you select multiple files.
TRAINING_DATA_PATH="gs://${BUCKET_NAME}/YOUR_DATA_DIRECTORY/train-*.tfrecord"
VALIDATION_DATA_PATH="gs://${BUCKET_NAME}/YOUR_DATA_DIRECTORY/eval-*.tfrecord"

# Specify the Docker container for your built-in algorithm selection
IMAGE_URI="gcr.io/cloud-ml-algos/image_object_detection:latest"

# Variables for constructing descriptive names for JOB_ID and JOB_DIR
DATASET_NAME="coco"
ALGORITHM="object_detection"
MODEL_NAME="${DATASET_NAME}_${ALGORITHM}"
DATE="$(date '+%Y%m%d_%H%M%S')"

# Specify an ID for this job
JOB_ID="${MODEL_NAME}_${DATE}"

# Specify the directory where you want your training outputs to be stored
JOB_DIR="gs://${BUCKET_NAME}/algorithm_training/${JOB_ID}"

Invia il job:

gcloud ai-platform jobs submit training $JOB_ID \
  --region=$REGION \
  --config=config.yaml \
  --job-dir=$JOB_DIR \
  -- \
  --training_data_path=$TRAINING_DATA_PATH \
  --validation_data_path=$VALIDATION_DATA_PATH \
  --train_batch_size=64 \
  --num_eval_images=500 \
  --train_steps_per_eval=2000 \
  --max_steps=22500 \
  --num_classes=90 \
  --warmup_steps=500 \
  --initial_learning_rate=0.08 \
  --fpn_type="nasfpn" \
  --aug_scale_min=0.8 \
  --aug_scale_max=1.2

Dopo che il job è stato inviato correttamente, puoi visualizzare i log utilizzando i seguenti comandi gcloud:
```
gcloud ai-platform jobs describe $JOB_ID
gcloud ai-platform jobs stream-logs $JOB_ID
```

Passaggi successivi

Scopri come utilizzare il tuo set di dati con lo script di rilevamento degli oggetti TFRecord.
Fai riferimento alla documentazione di riferimento sul rilevamento di oggetti nelle immagini integrato per scoprire tutti i diversi parametri.

Indietro

Introduzione all'algoritmo di rilevamento di oggetti immagine

Avanti

Riferimento per l'algoritmo di rilevamento di oggetti immagine