Google Cloud コンソールの Model Garden は、Google の所有するモデルやアセットおよび厳選された OSS のモデルやアセットの検出、テスト、カスタマイズ、デプロイに役立つ ML モデル ライブラリです。
次のトピックでは、Model Garden で利用可能な AI モデルの概要と使用方法について説明します。
モデルを探す
使用可能な Vertex AI とオープンソースの基盤、チューニング可能なモデル、タスク固有のモデルのリストについては、Google Cloud コンソールの [Model Garden] ページをご覧ください。
Model Garden で利用可能なモデルのカテゴリは次のとおりです。
| カテゴリ | 説明 |
|---|---|
| 基盤モデル | Vertex AI Studio、Vertex AI API、Vertex AI SDK for Python を使用して、特定のタスクに合わせてチューニングまたはカスタマイズできる事前トレーニング済みのマルチタスクの大規模モデル。 |
| ファインチューニング可能なモデル | カスタムのノートブックまたはパイプラインを使用してファインチューニングできるモデルです。 |
| タスク固有のソリューション | これらの構築済みモデルのほとんどは直ちに使用を開始できます。多くモデルは、独自のデータを使用してカスタマイズできます。 |
[フィルタ] ペインでモデルをフィルタするには、次のように指定します。
- モダリティ: モデルに必要なモダリティ（データ型）をクリックします。
- タスク: モデルに実行させるタスクをクリックします。
- 特徴: モデルに必要な特徴をクリックします。
各モデルの詳細を確認するには、モデルカードをクリックします。
Model Garden で利用可能なモデル
Model Garden では、Google の自社モデルの検索や、オープンソース モデルの選択が可能です。
Google の自社モデルのリスト
次の表に、Model Garden で利用できる Google の自社モデルを示します。
| モデル名 | モダリティ | 説明 | クイックスタート |
|---|---|---|---|
| Gemini 1.5 Flash | 言語、音声、ビジョン | 最も高速で費用対効果の高い Gemini マルチモーダル モデル。大量のタスクや、レイテンシを重視する低価格のアプリケーション向けに構築されています。Gemini 1.5 Flash はレスポンスが速いため、チャット アシスタントやオンデマンド コンテンツ生成アプリケーションの作成に適しています。 | モデルカード |
| Gemini 1.5 Pro | 言語、音声、ビジョン | テキスト レスポンスまたはコード レスポンス用のテキスト プロンプトまたはチャット プロンプトでの画像、音声、動画、PDF ファイルの追加をサポートするマルチモーダル モデル。 | モデルカード |
| Gemini 1.0 Pro | 言語 | 自然言語タスク、マルチターン テキストとコードチャット、コード生成を処理するように設計されています。 | モデルカード |
| Gemini 1.0 Pro Vision | 言語、ビジョン | テキスト レスポンスまたはコード レスポンス用のテキスト プロンプトまたはチャット プロンプトでの画像、動画、PDF ファイルの追加をサポートするマルチモーダル モデル。 | モデルカード |
| テキスト用 PaLM 2 | 言語 | 自然言語による指示に対応できるようファインチューニングされていて、さまざまな言語タスクに適しています。 | モデルカード |
| チャット用 PaLM 2 | 言語 | 自然な会話ができるようファインチューニングされています。このモデルは、独自の chatbot アプリケーションを構築してカスタマイズするために使用します。 | モデルカード |
| コード補完用の Codey | 言語 | コード プロンプトに基づいてコードを生成します。コードの提案やコードのバグを最小限に抑えるうえで有効です。 | モデルカード |
| コード生成用の Codey | 言語 | 自然言語の入力に基づいてコードを生成します。関数、クラス、単体テストなどの記述に適しています。 | モデルカード |
| コードチャット用の Codey | 言語 | 自然な会話を通じてコード関連のサポートを受けることができます。API やサポートされている言語の構文などに関する質問に適しています。 | モデルカード |
| テキストのエンベディング | 言語 | テキストデータを ML アルゴリズム（特に大規模なモデル）で処理できる数値ベクトルに変換します。 | モデルカード |
| 画像生成用の Imagen | ビジョン | テキスト プロンプトを使用して、高品質な画像を大規模に作成、編集できます。 | モデルカード |
| Vertex 画像セグメンテーション（プレビュー） | ビジョン | テキスト プロンプトを使用するか、フリーハンド機能で描画して画像をセグメント化します。画像セグメンテーションを使用すると、オブジェクトの検出、画像の背景の削除、画像の前景のセグメンテーションなどを行うことができます。 | モデルカード |
| キャプションと VQA 用の Imagen | 言語 | 指定された画像に関連する説明を生成します。 | モデルカード |
| マルチモーダルのエンベディング | ビジョン | 画像に基づいてベクトルを生成します。このベクトルは、画像分類や画像検索などのダウンストリーム タスクに使用できます。 | モデルカード |
| Chirp | 音声 | 1 つのモデルで 20 億を超えるパラメータを持ち、100 を超える言語で音声文字変換が可能なユニバーサル音声モデルのバージョン。 | モデルカード |
Model Garden のオープンソース チューニングまたはサービス提供レシピを含むモデルのリスト
次の表に、Model Garden でオープンソースのチューニングまたはレシピの提供をサポートする OSS モデルを示します。
| モデル名 | モダリティ | 説明 | クイックスタート |
|---|---|---|---|
| Flux | ビジョン | テキストの説明から高品質の画像を生成する 120 億のパラメータ修正フロー トランスフォーマー モデル。 | モデルカード |
| プロンプト ガード | 言語 | ジェイルブレイク手法と間接インジェクションから LLM 入力を保護します。 | モデルカード |
| Llama 3.2 | 言語 | 1B と 3B の事前トレーニング済みで指示用にチューニングされた生成モデルである、多言語大規模言語モデルのコレクション。 | モデルカード |
| Llama 3.2-Vision | 言語、ビジョン | 11B と 90B の事前トレーニング済みで指示用にチューニングされた画像推論生成モデルである、マルチモーダル大規模言語モデルのコレクション。これらのモデルは、画像認識、画像推論、キャプション、画像に関する一般的な質問への回答用に最適化されています。 | モデルカード |
| Llama Guard 3 | 言語 | コンテンツの安全性分類用にファインチューニングされた Llama-3.1-8B 事前トレーニング済みモデル。 | モデルカード |
| Qwen2 | 言語 | 大規模言語モデルの基盤モデルシリーズである Qwen2 をデプロイします。 | Colab モデルカード |
| Phi-3 | 言語 | 大規模言語モデルの基盤モデルシリーズである Phi-3 をデプロイします。 | Colab モデルカード |
| E5 | 言語 | E5（テキスト エンベディング モデル シリーズ）をデプロイします。 | Colab モデルカード |
| Instant ID | 言語、ビジョン | Instant ID をデプロイします。これは、ID を保持するテキストから画像の生成モデルです。 | Colab モデルカード |
| Llama 3 | 言語 | Vertex AI で Meta の Llama 3 モデル（8B、70B、405B）を使用して、モデルの探索と構築を行います。 | モデルカード |
| Gemma 2 | 言語 | Google の Gemini モデルの作成に使用された研究成果とテクノロジーから構築されたオープン ウェイト モデル（9B、27B）。 | モデルカード |
| Gemma | 言語 | Google の Gemini モデルの作成に使用された研究成果とテクノロジーから構築されたオープン ウェイト モデル（2B、7B）。 | モデルカード |
| CodeGemma | 言語 | コードの生成と補完用に設計されたオープン ウェイト モデル（2B、7B）。Google の Gemini モデルの作成に使用された研究成果とテクノロジーから構築されています。 | モデルカード |
| PaliGemma | 言語 | 画像キャプション タスク、画像に関する質問応答タスク用に設計されたオープン ウェイトの 3B モデル。Google の Gemini モデルの作成に使用された研究成果とテクノロジーから構築されています。 | モデルカード |
| Vicuna v1.5 | 言語 | LLama2 からテキスト生成のためにファインチューニングされた基盤モデルである Vicuna v1.5 シリーズモデルをデプロイします。 | モデルカード |
| NLLB | 言語 | 多言語翻訳用の NLLB シリーズモデルをデプロイします。 | モデルカード Colab |
| Mistral-7B | 言語 | テキスト生成の基盤モデルである Mistral-7B をデプロイします。 | モデルカード |
| BioGPT | 言語 | 生物医学分野向けのテキスト生成モデル BioGPT をデプロイします。 | モデルカード Colab |
| BiomedCLIP | 言語、ビジョン | 生物医学分野向けのマルチモーダル基盤モデルである BiomedCLIP をデプロイします。 | モデルカード Colab |
| ImageBind | 言語、ビジョン、 音声 |
マルチモーダル エンベディングの基盤モデルである ImageBind をデプロイします。 | モデルカード Colab |
| DITO | 言語、ビジョン | DITO（オープンな語彙オブジェクト検出タスクのためのマルチモーダル基盤モデル）をファインチューニングしてデプロイします。 | モデルカード Colab |
| OWL-ViT v2 | 言語、ビジョン | OWL-ViT v2（オープン語彙オブジェクト検出タスク用のマルチモーダル基盤モデル）をデプロイします。 | モデルカード Colab |
| FaceStylizer（Mediapipe） | ビジョン | 人の顔の画像を新しいスタイルに変換する生成パイプライン。 | モデルカード Colab |
| Llama 2 | 言語 | Meta の Llama 2 基盤モデル（7B、13B、70B）をファインチューニングして Vertex AI にデプロイします。 | モデルカード |
| Code Llama | 言語 | Meta の Code Llama 基盤モデル（7B、13B、34B）を Vertex AI にデプロイします。 | モデルカード |
| Falcon-instruct | 言語 | PEFT を使用して Falcon-instruct のモデル（7B、40B）をファインチューニングしてデプロイします。 | Colab モデルカード |
| OpenLLaMA | 言語 | PEFT を使用して OpenLLaMA モデル（3B、7B、13B）をファインチューニングしてデプロイします。 | Colab モデルカード |
| T5-FLAN | 言語 | T5-FLAN（ベース、小、大）をファインチューニングしてデプロイします。 | モデルカード（ファインチューニング パイプラインを含む） |
| BERT | 言語 | PEFT を使用して BERT をファインチューニングしてデプロイします。 | Colab モデルカード |
| BART-large-cnn | 言語 | 双方向（BERT-like）のエンコーダと自己回帰（GPT-like）デコーダを備えた Transformer Encoder-Encoder（seq2seq）モデルである BART をデプロイします。 | Colab モデルカード |
| RoBERTa-large | 言語 | PEFT を使用して RoBERTa-large をファインチューニングしてデプロイします。 | Colab モデルカード |
| XLM-RoBERTa-large | 言語 | PEFT を使用して XLM-RoBERTa-large（RoBERTa の多言語バージョン）をファインチューニングしてデプロイします。 | Colab モデルカード |
| Dolly-v2-7b | 言語 | Dolly-v2-7b（69 億個のパラメータを備えた指示実行型大規模言語モデル）をデプロイします。 | Colab モデルカード |
| Stable Diffusion XL v1.0 | 言語、ビジョン | テキストからの画像の生成をサポートする Stable Diffusion XL v1.0 をデプロイします。 | Colab モデルカード |
| Stable Diffusion XL Lightning | 言語、ビジョン | Stable Diffusion XL Lightning（テキストから画像の生成モデル）をデプロイします。 | Colab モデルカード |
| Stable Diffusion v2.1 | 言語、ビジョン | Dreambooth を使用して Stable Diffusion v2.1（テキストから画像の生成をサポート）のファインチューニングとデプロイを行います。 | Colab モデルカード |
| Stable Diffusion 4x アップスケーラー | 言語、ビジョン | Stable Diffusion 4x アップスケーラー（テキスト条件の画像スーパー解像度をサポート）をデプロイします。 | Colab モデルカード |
| InstructPix2Pix | 言語、ビジョン | InstructPix2Pix（テキスト プロンプトを使用した画像の編集をサポート）をデプロイします。 | Colab モデルカード |
| Stable Diffusion Inpainting | 言語、ビジョン | Stable Diffusion Inpainting（テキスト プロンプトを使用してマスクされた画像の描画をサポート）をファインチューニングしてデプロイします。 | Colab モデルカード |
| SAM | 言語、ビジョン | Segment Anything（ゼロショット画像セグメンテーションをサポート）をデプロイします。 | Colab モデルカード |
| Text-to-video（ModelScope） | 言語、ビジョン | ModelScope の text-to-video（テキストから動画の生成をサポート）をデプロイします。 | Colab モデルカード |
| Pic2Word Composed Image Retrieval | 言語、ビジョン | Pic2Word（マルチモーダルな合成画像の取得をサポート）をデプロイします。 | Colab モデルカード |
| BLIP2 | 言語、ビジョン | BLIP2（画像のキャプションと視覚的な質問応答をサポート）をデプロイします。 | Colab モデルカード |
| Open-CLIP | 言語、ビジョン | Open-CLIP（ゼロショット分類をサポート）をファインチューニングしてデプロイします。 | Colab モデルカード |
| F-VLM | 言語、ビジョン | F-VLM（オープン語彙画像オブジェクト検出をサポート）をデプロイします。 | Colab モデルカード |
| tfhub / EfficientNetV2 | ビジョン | EfficientNetV2 画像分類モデルの TensorFlow Vision 実装をファインチューニングしてデプロイします。 | Colab モデルカード |
| EfficientNetV2（TIMM） | ビジョン | EfficientNetV2 画像分類モデルの PyTorch 実装をファインチューニングしてデプロイします。 | Colab モデルカード |
| Proprietary / EfficientNetV2 | ビジョン | EfficientNetV2 画像分類モデルの Google 独自のチェックポイントをファインチューニングしてデプロイします。 | Colab モデルカード |
| EfficientNetLite（MediaPipe） | ビジョン | MediaPipe モデルメーカーを使用して EfficientNetLite 画像分類モデルをファインチューニングします。 | Colab モデルカード |
| tfvision / vit | ビジョン | ViT 画像分類モデルの TensorFlow Vision 実装をファインチューニングしてデプロイします。 | Colab モデルカード |
| ViT（TIMM） | ビジョン | ViT 画像分類モデルの PyTorch 実装をファインチューニングしてデプロイします。 | Colab モデルカード |
| Proprietary / ViT | ビジョン | ViT 画像分類モデルの Google 独自のチェックポイントをファインチューニングしてデプロイします。 | Colab モデルカード |
| Proprietary / MaxViT | ビジョン | MaxViT ハイブリッド（CNN + ViT）画像分類モデルの Google 独自のチェックポイントをファインチューニングしてデプロイします。 | Colab モデルカード |
| ViT（JAX） | ビジョン | ViT 画像分類モデルの JAX 実装をファインチューニングしてデプロイします。 | Colab モデルカード |
| tfvision / SpineNet | ビジョン | SpineNet オブジェクト検出モデルの Tensorflow Vision 実装をファインチューニングしてデプロイします。 | Colab モデルカード |
| Proprietary / Spinenet | ビジョン | Spinenet オブジェクト検出モデルの Google 独自のチェックポイントをファインチューニングしてデプロイします。 | Colab モデルカード |
| tfvision / YOLO | ビジョン | YOLO の 1 ステージ オブジェクト検出モデルの TensorFlow Vision 実装をファインチューニングしてデプロイします。 | Colab モデルカード |
| Proprietary / YOLO | ビジョン | YOLO の 1 ステージ オブジェクト検出モデルの Google 独自のチェックポイントをファインチューニングしてデプロイします。 | Colab モデルカード |
| YOLOv8（Keras） | ビジョン | オブジェクト検出用の YOLOv8 モデルの Keras 実装をファインチューニングしてデプロイします。 | Colab モデルカード |
| tfvision / YOLOv7 | ビジョン | オブジェクト検出用の YOLOv7 モデルをファインチューニングしてデプロイします。 | Colab モデルカード |
| ByteTrack Video Object Tracking | ビジョン | ByteTrack トラッカーを使用して、動画オブジェクト トラッキングのバッチ予測を実行します。 | Colab モデルカード |
| ResNeSt（TIMM） | ビジョン | ResNeSt 画像分類モデルの PyTorch 実装をファインチューニングしてデプロイします。 | Colab モデルカード |
| ConvNeXt（TIMM） | ビジョン | ConvNeXt（Vision Transformers の設計にヒントを得た画像分類の純粋な畳み込みモデル）のファインチューニングとデプロイを行います。 | Colab モデルカード |
| CspNet（TIMM） | ビジョン | CSPNet（クロスステージ部分ネットワーク）画像分類モデルをファインチューニングしてデプロイします。 | Colab モデルカード |
| Inception（TIMM） | ビジョン | Inception 画像分類モデルをファインチューニングしてデプロイします。 | Colab モデルカード |
| DeepLabv3+（チェックポイントを使用） | ビジョン | セマンティック画像セグメンテーション用に DeepLab-v3 Plus モデルをファインチューニングしてデプロイします。 | Colab モデルカード |
| Faster R-CNN（Detectron2） | ビジョン | 画像オブジェクト検出の Faster R-CNN モデルの Detectron2 実装をファインチューニングしてデプロイします。 | Colab モデルカード |
| RetinaNet（Detectron2） | ビジョン | 画像オブジェクト検出用に RetinaNet モデルの Detectron2 実装をファインチューニングしてデプロイします。 | Colab モデルカード |
| Mask R-CNN（Detectron2） | ビジョン | 画像オブジェクト検出とセグメンテーションのための Mask R-CNN モデルの Detectron2 実装をファインチューニングしてデプロイします。 | Colab モデルカード |
| ControlNet | ビジョン | ControlNet のテキストからの画像の生成モデルをファインチューニングしてデプロイします。 | Colab モデルカード |
| MobileNet（TIMM） | ビジョン | MobileNet 画像分類モデルの PyTorch 実装をファインチューニングしてデプロイします。 | Colab モデルカード |
| MobileNetV2（MediaPipe）Image Classification | ビジョン | MediaPipe モデルメーカーを使用して MobileNetV2 画像分類モデルをファインチューニングします。 | Colab モデルカード |
| MobileNetV2（MediaPipe）Object Detection | ビジョン | MediaPipe モデルメーカーを使用して MobileNetV2 オブジェクト検出モデルをファインチューニングします。 | Colab モデルカード |
| MobileNet-MultiHW-AVG（MediaPipe） | ビジョン | MediaPipe モデルメーカーを使用して MobileNet-MultiHW-AVG オブジェクト検出モデルをファインチューニングします。 | Colab モデルカード |
| DeiT | ビジョン | 画像分類用の DeiT（Data-efficient Image Transformers）モデルをファインチューニングしてデプロイします。 | Colab モデルカード |
| BEiT | ビジョン | 画像分類用の BEiT（Bidirectional Encoder representation from Image Transformers）モデルをファインチューニングしてデプロイします。 | Colab モデルカード |
| Hand Gesture Recognition（MediaPipe） | ビジョン | MediaPipe を使用して、デバイス上で Hand Gesture Recognition モデルをファインチューニングしてデプロイします。 | Colab モデルカード |
| Average Word Embedding Classifier（MediaPipe） | ビジョン | MediaPipe を使用して Average Word Embedding Classifier モデルをデバイス上でファインチューニングしてデプロイします。 | Colab モデルカード |
| MobileBERT Classifier（MediaPipe） | ビジョン | MediaPipe を使用して、デバイス上で MobileBERT Classifier モデルをファインチューニングし、デプロイします。 | Colab モデルカード |
| MoViNet Video Clip Classification | 動画 | MoViNet の動画クリップ分類モデルをファインチューニングしてデプロイします。 | Colab モデルカード |
| MoViNet Video Action Recognition | 動画 | 動作認識推論用の MoViNet モデルをファインチューニングしてデプロイします。 | Colab モデルカード |
| Stable Diffusion XL LCM | ビジョン | このモデルは Latent Consistency Model（LCM）を使用します。デプロイすると、より少ないステップで迅速かつ高品質の画像を作成できるため、潜在拡散モデルにおけるテキストから画像の生成が強化されます。 | Colab モデルカード |
| LLaVA 1.5 | ビジョン、言語 | LLaVA 1.5 モデルをデプロイします。 | Colab モデルカード |
| Pytorch-ZipNeRF | ビジョン、動画 | Pytorch-ZipNeRF モデルをトレーニングします。このモデルは、Pytorch フレームワークの ZipNeRF アルゴリズムの最先端の実装であり、2D 画像から効率的かつ正確に 3D を再構成するように設計されています。 | Colab モデルカード |
| Mixtral | 言語 | Mistral AI が開発した Mixture of Experts（MoE）大規模言語モデル（LLM）である Mixtral モデルをデプロイします。 | モデルカード |
| Llama 2（量子化） | 言語 | Meta の Llama 2 モデルの量子化バージョンをファインチューニングしてデプロイします。 | Colab モデルカード |
| LaMa（Large Mask Inpainting） | ビジョン | Fast Fourier Convolution（FFC）、High Receptive Field Perceptual Loss、Large Training Masks を使用する LaMa をデプロイします。これにより、解像度の高い画像修復を行います。 | Colab モデルカード |
| AutoGluon | 表形式 | AutoGluon を使用すると、表形式データ用の高精度 ML モデルとディープ ラーニング モデルをトレーニングしてデプロイできます。 | Colab モデルカード |
| MaMMUT | 言語、ビジョン | マルチモーダル タスク（Visual Question Answering、画像テキスト検索、テキスト画像検索、マルチモーダル エンベディングの生成など）用のビジョン エンコーダとテキスト デコーダのアーキテクチャ。 | Colab モデルカード |
Model Garden で利用できるパートナー モデルのリスト
一部のパートナー モデルは、Vertex AI Model Garden でマネージド API（Model as a Service）として提供されます。次の表に、Model Garden で Google パートナーから入手可能なモデルを示します。
| モデル名 | モダリティ | 説明 | クイックスタート |
|---|---|---|---|
| Anthropic Claude 3.5 Sonnet | 言語 | Anthropic の最も強力な AI モデルであり、Anthropic Claude 3 Sonnet の速度とコストを維持します。 | モデルカード |
| Anthropic Claude 3 Opus | 言語 | Anthropic で 2 番目に優れた AI モデルで、非常に複雑なタスクで優れたパフォーマンスを発揮します。 | モデルカード |
| Anthropic Claude 3 Haiku | 言語 | Anthropic の最も高速でコンパクトなビジョンとテキストモデル。シンプルなクエリに対して迅速なレスポンスを返します。人間のやり取りを模倣した AI 体験を目的とします。 | モデルカード |
| Anthropic Claude 3 Sonnet | 言語 | パフォーマンスと速度のバランスをとりながらエンタープライズ ワークロードを処理するビジョンとテキストモデル。低コストで大規模に AI をデプロイできるように設計されています。 | モデルカード |
| Jamba 1.5 Large（プレビュー） | 言語 | AI21 Labs の Jamba 1.5 Large は、同サイズクラスの他のモデルと比較して、優れた品質のレスポンス、高いスループット、競争力のある価格を実現するように設計されています。 | モデルカード |
| Jamba 1.5 Mini（プレビュー） | 言語 | AI21 Labs の Jamba 1.5 Mini は、品質、スループット、低コストのバランスが取れています。 | モデルカード |
| Llama 3.2（プレビュー） | 言語、ビジョン | チャートやグラフの分析、画像キャプションなど、画像推論をサポートできる中規模の 90B マルチモーダル モデル。 | モデルカード |
| Llama 3.1（プレビュー） | 言語 | 多言語の会話のユースケース用に最適化された多言語 LLM のコレクション。一般的な業界ベンチマークでは、利用可能なオープンソース チャットモデルやクローズド チャットモデルの多くを上回るパフォーマンスを発揮します。 | モデルカード |
| Mistral Large（2407） | 言語 | Mistral Large（2407）は、Mistral AI のテキスト生成用フラグシップ モデルです。最上位の推論機能を備え、テキストの理解、変換、コード生成などの複雑な多言語タスクに使用できます。 | モデルカード |
| Mistral Nemo | 言語 | Mistral AI の最も費用対効果に優れた独自モデルです。Mistral Nemo の低レイテンシ ワークロードと、分類、カスタマー サポート、テキスト生成など、一括で実行できる簡単なタスクを使用します。 | モデルカード |
| Codestral | コード | コード生成用に特別に設計され、最適化された生成モデル。Codestral を使用して、高度な AI アプリケーションを設計できます。 | モデルカード |
モデルカードの使用方法
モデルカードをクリックして、関連付けられているモデルを使用します。たとえば、モデルカードをクリックして、プロンプトのテスト、モデルのチューニング、アプリケーションの作成、コードサンプルの表示を行うことができます。
モデルカードに関連付けられたモデルの使用方法を確認するには、次のいずれかのタブをクリックします。
プロンプトをテストする
Vertex AI PaLM API モデルカードを使用してプロンプトをテストします。
Google Cloud コンソールの [Model Garden] ページに移動します。
テストするサポート対象のモデルを見つけて、[詳細を表示] をクリックします。
[プロンプト設計を開く] をクリックします。
[Prompt design] ページが表示されます。
[Prompt] に、テストするプロンプトを入力します。
省略可: モデル パラメータを構成します。
[送信] をクリックします。
モデルをチューニングする
サポートされているモデルをチューニングするには、Vertex AI Pipelines またはノートブックを使用します。
パイプラインを使用してチューニングする
BERT モデルと T5-FLAN モデルは、パイプラインを使用したモデルのチューニングをサポートしています。
Google Cloud コンソールの [Model Garden] ページに移動します。
[モデルを検索] で [BERT] または [T5-FLAN] と入力し、虫メガネをクリックして検索します。
[T5-FLAN] または [BERT] モデルカードで [詳細を表示] をクリックします。
[ファインチューニング パイプラインを開く] をクリックします。
[Vertex AI Pipelines] ページが表示されます。
チューニングを開始するには、[実行を作成] をクリックします。
ノートブックでチューニングする
ほとんどのオープンソース基盤モデルとファインチューニング可能なモデルのモデルカードは、ノートブックでのチューニングをサポートしています。
Google Cloud コンソールの [Model Garden] ページに移動します。
チューニングするサポートされているモデルを見つけて、[詳細を表示] をクリックします。
[ノートブックを開く] をクリックします。
モデルをデプロイする
Stable Diffusion などのモデルカードからモデルをデプロイできます。モデルをデプロイするときに、Compute Engine の予約を使用するように選択できます。詳細については、予測で予約を使用するをご覧ください。
Google Cloud コンソールの [Model Garden] ページに移動します。
デプロイするサポート対象モデルを見つけて、そのモデルカードをクリックします。
[デプロイ] をクリックして、[モデルのデプロイ] ペインを開きます。
[モデルのデプロイ] ペインで、デプロイの詳細を指定します。
- 生成されたモデル名とエンドポイント名を使用するか、変更します。
- モデル エンドポイントを作成するロケーションを選択します。
- デプロイの各ノードに使用するマシンタイプを選択します。
Compute Engine の予約を使用するには、[デプロイの設定] セクションで [詳細] を選択します。
[予約タイプ] フィールドで予約タイプを選択します。予約は、指定したマシンの仕様に一致している必要があります。
- 作成済みの予約を自動的に使用する: Vertex AI は、一致するプロパティを持つ許可された予約を自動的に選択します。自動的に選択された予約に容量がない場合、Vertex AI は Google Cloud の一般リソースプールを使用します。
- Select specific reservations: Vertex AI は特定の予約を使用します。選択した予約に容量がない場合は、エラーがスローされます。
- 使用しない（デフォルト）: Vertex AI は、Google Cloud の一般リソースプールを使用します。この値は、予約を指定しない場合と同じ効果があります。
[デプロイ] をクリックします。
コードサンプルを表示する
タスク固有のソリューション モデルのほとんどのモデルカードには、コピーしてテストできるコードサンプルが含まれています。
Google Cloud コンソールの [Model Garden] ページに移動します。
コードサンプルを表示するサポート対象モデルを見つけて、[ドキュメント] タブをクリックします。
ページがスクロールすると、サンプルコードが埋め込まれたドキュメント セクションが表示されます。
ビジョンアプリを作成する
該当するコンピュータ ビジョン モデルのモデルカードは、ビジョン アプリケーションの作成をサポートします。
Google Cloud コンソールの [Model Garden] ページに移動します。
[タスク固有のソリューション] セクションで、ビジョン アプリケーションの作成に使用するビジョンモデルを探し、[詳細を表示] をクリックします。
[アプリを構築] をクリックします。
Vertex AI Vision が表示されます。
[アプリケーション名] にアプリケーションの名前を入力し、[続行] をクリックします。
お支払いプランを選択し、[作成] をクリックします。
Vertex AI Vision Studio が表示され、コンピュータ ビジョン アプリケーションの作成を続行できます。
料金
Model Garden のオープンソース モデルの場合、課金は Vertex AI での次の使用量に対して行われます。
- モデルのチューニング: 使用されたコンピューティング リソースに対して、カスタム トレーニングと同じレートで課金されます。カスタム トレーニングの料金をご覧ください。
- モデルのデプロイ: モデルをエンドポイントにデプロイするために使用されたコンピューティング リソースに対して課金されます。予測の料金をご覧ください。
- Colab Enterprise: Colab Enterprise の料金をご覧ください。
特定のモデルへのアクセスを制御する
Model Garden 組織のポリシーを組織、フォルダ、またはプロジェクト レベルで設定して、Model Garden の特定のモデルへのアクセスを制御できます。たとえば、精査された特定のモデルへのアクセスを許可し、他のモデルへのアクセスを拒否できます。
次のステップ
- 責任ある AI のベスト プラクティスと Vertex AI の安全フィルタについて学習する。
- Vertex AI での生成 AI について学習する。
- 基盤モデルのチューニング方法を学習する。