本頁面說明如何使用 Google Cloud 控制台或 Vertex AI API，從圖片資料集訓練 AutoML 物件偵測模型。
訓練 AutoML 模型
Google Cloud 控制台
在 Google Cloud 控制台的 Vertex AI 專區中，前往「Datasets」頁面。
按一下要用來訓練模型的資料集名稱，開啟詳細資料頁面。
按一下「訓練新模型」。
選取「AutoML」AutoML做為訓練方法。
在「選擇模型的使用位置」部分，選擇模型主機位置：「雲端」、「邊緣」或 「Vertex AI Vision」。
按一下「繼續」。
輸入模型的名稱。
如要手動設定訓練資料的分割方式，請展開「進階選項」，然後選取資料分割選項。瞭解詳情。
按一下「開始訓練」。
模型訓練可能需要數小時，視資料大小和複雜度而定，以及您是否指定訓練預算。您可以關閉這個分頁，稍後再返回查看。模型訓練完成後，您會收到電子郵件通知。
API
選取下方分頁，查看適用於您語言或環境的說明：
REST
使用任何要求資料之前，請先替換以下項目：
- LOCATION：資料集所在區域，也是建立模型的區域。例如：
us-central1。 - PROJECT：您的專案 ID。
- TRAININGPIPELINE_DISPLAYNAME：必填。trainingPipeline 的顯示名稱。
- DATASET_ID：用於訓練的資料集 ID 號碼。
fractionSplit：選用。這是資料的其中一種機器學習用途分割選項。fractionSplit的值總和必須為 1。例如：-
{"trainingFraction": "0.7","validationFraction": "0.15","testFraction": "0.15"}
-
- MODEL_DISPLAYNAME*：上傳 (建立) 的模型顯示名稱 TrainingPipeline。
- MODEL_DESCRIPTION*：模型的說明。
- modelToUpload.labels*：任何一組鍵/值配對，用於整理模型。例如：
- "env": "prod"
- "tier": "backend"
- MODELTYPE†：要訓練的雲端託管模型類型。選項包括：
CLOUD_1- 最適合在 Google Cloud 中使用的模型，無法匯出。相較於上述 CLOUD_HIGH_ACCURACY_1 和 CLOUD_LOW_LATENCY_1 模型，預期這項模型會有更高的預測品質和更低的延遲。CLOUD_HIGH_ACCURACY_1- 最適合在 Google Cloud 中使用的模型，無法匯出。這個模型的延遲時間預計會較長，但預測品質也應高於其他雲端模型。CLOUD_LOW_LATENCY_1- 最適合在 Google Cloud 中使用的模型，無法匯出。這個模型預期延遲時間較短，但預測品質可能不如其他雲端模型。
- NODE_HOUR_BUDGET†：實際訓練費用會等於或低於這個值。如果是雲端模型，預算必須介於 20,000 至 900,000 毫節點小時 (含)。 預設值為 216,000，假設使用 9 個節點，這代表一個日曆天。
- PROJECT_NUMBER：系統自動為專案產生的專案編號
| * | 您在 trainingTaskDefinition 中指定的結構定義檔案說明，會說明這個欄位的使用方式。 |
| † | 您在 trainingTaskDefinition 中指定的結構定義檔案會宣告並說明這個欄位。 |
HTTP 方法和網址：
POST https://LOCATION-aiplatform.googleapis.com/v1/projects/PROJECT/locations/LOCATION/trainingPipelines
JSON 要求主體：
{
"displayName": "TRAININGPIPELINE_DISPLAYNAME",
"inputDataConfig": {
"datasetId": "DATASET_ID",
"fractionSplit": {
"trainingFraction": "DECIMAL",
"validationFraction": "DECIMAL",
"testFraction": "DECIMAL"
}
},
"modelToUpload": {
"displayName": "MODEL_DISPLAYNAME",
"description": "MODEL_DESCRIPTION",
"labels": {
"KEY": "VALUE"
}
},
"trainingTaskDefinition": "gs://google-cloud-aiplatform/schema/trainingjob/definition/automl_image_object_detection_1.0.0.yaml",
"trainingTaskInputs": {
"modelType": ["MODELTYPE"],
"budgetMilliNodeHours": NODE_HOUR_BUDGET
}
}
如要傳送要求，請選擇以下其中一個選項：
curl
將要求主體儲存在名為 request.json 的檔案中，然後執行下列指令：
curl -X POST \
-H "Authorization: Bearer $(gcloud auth print-access-token)" \
-H "Content-Type: application/json; charset=utf-8" \
-d @request.json \
"https://LOCATION-aiplatform.googleapis.com/v1/projects/PROJECT/locations/LOCATION/trainingPipelines"
PowerShell
將要求主體儲存在名為 request.json 的檔案中，然後執行下列指令：
$cred = gcloud auth print-access-token
$headers = @{ "Authorization" = "Bearer $cred" }
Invoke-WebRequest `
-Method POST `
-Headers $headers `
-ContentType: "application/json; charset=utf-8" `
-InFile request.json `
-Uri "https://LOCATION-aiplatform.googleapis.com/v1/projects/PROJECT/locations/LOCATION/trainingPipelines" | Select-Object -Expand Content
回覆內容會包含規格資訊和 TRAININGPIPELINE_ID。
Java
在試用這個範例之前，請先按照Java使用用戶端程式庫的 Vertex AI 快速入門中的操作說明進行設定。 詳情請參閱 Vertex AI Java API 參考說明文件。
如要向 Vertex AI 進行驗證，請設定應用程式預設憑證。 詳情請參閱「為本機開發環境設定驗證」。
Node.js
在試用這個範例之前，請先按照Node.js使用用戶端程式庫的 Vertex AI 快速入門中的操作說明進行設定。 詳情請參閱 Vertex AI Node.js API 參考說明文件。
如要向 Vertex AI 進行驗證，請設定應用程式預設憑證。 詳情請參閱「為本機開發環境設定驗證」。
Python
如要瞭解如何安裝或更新 Python 適用的 Vertex AI SDK，請參閱「安裝 Python 適用的 Vertex AI SDK」。 詳情請參閱 Python API 參考說明文件。
使用 REST 控制資料分割
您可以控制訓練資料在訓練、驗證和測試集之間的分割方式。使用 Vertex AI API 時，請使用 Split 物件判斷資料分割。Split 物件可以做為其中一種物件類型，納入 InputConfig 物件中，每種物件類型都提供不同的訓練資料分割方式。你只能選取一種方法。
-
FractionSplit：- TRAINING_FRACTION：用於訓練集的訓練資料比例。
- VALIDATION_FRACTION：用於驗證集的訓練資料比例。不適用於影片資料。
- TEST_FRACTION：用於測試集的訓練資料比例。
如果指定了任何分數，就必須指定所有分數。分數加總必須為 1.0。分數的預設值會因資料類型而異。瞭解詳情。
"fractionSplit": { "trainingFraction": TRAINING_FRACTION, "validationFraction": VALIDATION_FRACTION, "testFraction": TEST_FRACTION }, -
FilterSplit： - TRAINING_FILTER：符合這項篩選條件的資料項目會用於訓練集。
- VALIDATION_FILTER：符合這項篩選條件的資料項目會用於驗證集。影片資料必須為「-」。
- TEST_FILTER：符合這項篩選條件的資料項目會用於測試集。
這些篩選器可與 ml_use 標籤搭配使用，也可以與您套用至資料的任何標籤搭配使用。進一步瞭解如何使用 ml-use 標籤和其他標籤篩選資料。
以下範例說明如何搭配 ml_use 標籤使用 filterSplit 物件，並納入驗證集：
"filterSplit": {
"trainingFilter": "labels.aiplatform.googleapis.com/ml_use=training",
"validationFilter": "labels.aiplatform.googleapis.com/ml_use=validation",
"testFilter": "labels.aiplatform.googleapis.com/ml_use=test"
}