Model Garden nella console Google Cloud è una libreria di modelli ML che consente di scoprire, testare, personalizzare ed eseguire il deployment di modelli e asset OSS di proprietà di Google e selezionati.
Gli argomenti seguenti introducono i modelli AI disponibili in Model Garden e come utilizzarli.
Esplora i modelli
Per visualizzare l'elenco dei modelli di base Vertex AI e open source, ottimizzabili e specifici per le attività disponibili, vai alla pagina di Model Garden nella console Google Cloud.
Le categorie di modelli disponibili in Model Garden sono:
| Categoria | Descrizione |
|---|---|
| Modelli di base | Modelli di grandi dimensioni multitasking preaddestrati che possono essere ottimizzati o personalizzati per attività specifiche utilizzando Vertex AI Studio, l'API Vertex AI e l'SDK Vertex AI per Python. |
| Modelli ottimizzabili | Modelli che puoi ottimizzare utilizzando un blocco note o una pipeline personalizzati. |
| Soluzioni specifiche per le attività | La maggior parte di questi modelli predefiniti è pronta per l'uso. Molti possono essere personalizzati utilizzando i tuoi dati. |
Per filtrare i modelli nel riquadro dei filtri, specifica quanto segue:
- Modalità: fai clic sulle modalità (tipi di dati) che vuoi includere nel modello.
- Attività: fai clic sull'attività che vuoi venga eseguita dal modello.
- Funzionalità: fai clic sulle caratteristiche che vuoi includere nel modello.
Per saperne di più su ciascun modello, fai clic sulla relativa scheda.
Modelli disponibili in Model Garden
Puoi trovare i modelli proprietari di Google e selezionare modelli open source in Model Garden.
Elenco dei modelli proprietari di Google
La seguente tabella elenca i modelli proprietari di Google disponibili in Model Garden:
| Nome modello | Modalità | Descrizione | Guide rapide |
|---|---|---|---|
| Gemini 1.0 Pro | Lingua | Progettato per gestire attività con linguaggio naturale, chat di testo e codice in più passaggi e generazione di codice. | Scheda del modello |
| Gemini 1.0 Pro Vision | Lingua, visione | Modello multimodale che supporta l'aggiunta di immagini e video in prompt di testo o chat per una risposta di testo o codice. | Scheda del modello |
| PaLM 2 per il testo | Lingua | È ottimizzato per seguire le istruzioni del linguaggio naturale ed è adatto a una varietà di attività relative alle lingue. | Scheda del modello |
| PaLM 2 per la chat | Lingua | Ottimizzato per condurre conversazioni naturali. Usa questo modello per creare e personalizzare la tua applicazione chatbot. | Scheda del modello |
| Codey per il completamento del codice | Lingua | Genera codice in base a richieste di codice. Ideale per suggerimenti di codice e riduzione al minimo dei bug nel codice. | Scheda del modello |
| Codey per la generazione del codice | Lingua | Genera codice basato su input in linguaggio naturale. Ideale per scrivere funzioni, corsi, test delle unità e altro ancora. | Scheda del modello |
| Codey per la chat di codice | Lingua | Ricevi assistenza relativa al codice tramite conversazioni naturali. Ideale per domande su un'API, sintassi in una lingua supportata e altro ancora. | Scheda del modello |
| Incorporamenti per il testo | Lingua | Converte i dati testuali in vettori numerici che possono essere elaborati dagli algoritmi di machine learning, in particolare i modelli di grandi dimensioni. | Scheda del modello |
| Imagen per la generazione di immagini | Visione artificiale | Crea o modifica immagini di livello professionale su larga scala utilizzando i prompt di testo. | Scheda del modello |
| Imagen per sottotitoli e VQA | Lingua | Genera una descrizione pertinente per una determinata immagine. | Scheda del modello |
| Incorporamenti per multimodale | Visione artificiale | Genera vettori basati su immagini, che possono essere utilizzati per attività downstream come la classificazione e la ricerca di immagini. | Scheda del modello |
| Sec-PaLM2 | Lingua | Preaddestrato su una serie di attività specifiche per la sicurezza, come intelligence sulle minacce, operazioni di sicurezza e analisi dei malware. | Scheda del modello |
| Cicalino | Parlato | Una versione di un Universal Speech Model con oltre 2 miliardi di parametri e in grado di eseguire trascrizioni in oltre 100 lingue all'interno di un singolo modello. | Scheda del modello |
Elenco di modelli con ottimizzazione open source o ricette di pubblicazione in Model Garden
Nella tabella seguente sono elencati i modelli OSS che supportano l'ottimizzazione o la pubblicazione di ricette open source in Model Garden:
| Nome modello | Modalità | Descrizione | Guida rapida |
|---|---|---|---|
| Gemma | Lingua | Modelli a peso aperto (2B, 7B) basati sulla stessa ricerca e tecnologia utilizzati per creare i modelli Gemini di Google. | Scheda del modello |
| Vicuna v1.5 | Lingua | Esegui il deployment dei modelli della serie Vicuna v1.5, che sono modelli di base perfezionati da LLama2 per la generazione di testo. | Scheda del modello |
| NLLB | Lingua | Esegui il deployment dei modelli della serie LLB per la traduzione in più lingue. | Scheda del modello Colab |
| Mistral-7B | Lingua | Esegui il deployment di Mistral-7B, un modello di base per la generazione di testo. | Scheda del modello Colab |
| BioGPT | Lingua | Esegui il deployment di BioGPT, un modello testuale generativo per il dominio biomedico. | Scheda del modello Colab |
| BiomedCLIP | Lingua, visione | Esegui il deployment di BiomedCLIP, un modello di base multimodale per il dominio biomedico. | Scheda del modello Colab |
| ImageBind | Lingua, visione artificiale, audio |
Esegui il deployment di ImageBind, un modello di base per l'incorporamento multimodale. | Scheda del modello Colab |
| DITO | Lingua, visione | Perfeziona ed esegui il deployment di DITO, un modello di base multimodale per attività di rilevamento di oggetti vocabolari aperti. | Scheda del modello Colab |
| OWL-ViT v2 | Lingua, visione | Esegui il deployment di OWL-ViT v2, un modello di base multimodale per attività aperte di rilevamento di oggetti del vocabolario. | Scheda del modello Colab |
| FaceStylizer (Mediapipe) | Visione artificiale | Una pipeline generativa per trasformare le immagini dei volti umani in un nuovo stile. | Scheda del modello Colab |
| Llama 2 | Lingua | Perfeziona ed esegui il deployment dei modelli di base Llama 2 di Meta (7B, 13B, 70B) su Vertex AI. | Scheda del modello |
| Code Llama | Lingua | Esegui il deployment dei modelli di base Code Llama di Meta (7B, 13B, 34B) su Vertex AI. | Scheda del modello |
| Istruttore di falcon | Lingua | Perfeziona ed esegui il deployment dei modelli Falcon-instruct (7B, 40B) utilizzando PEFT. | Colab Scheda del modello |
| OpenLLaMA | Lingua | Perfeziona ed esegui il deployment di modelli OpenLLaMA (3B, 7B, 13B) tramite PEFT. | Colab Scheda del modello |
| T5-FLAN | Lingua | Ottimizzare e implementare T5-FLAN (base, piccolo, grande). | Scheda del modello (pipeline di ottimizzazione inclusa) |
| BERT | Lingua | Perfeziona ed esegui il deployment di BERT tramite PEFT. | Colab Scheda del modello |
| BART-large-cnn | Lingua | Esegui il deployment di BART, un modello encoder-encoder (seq2seq) con trasformatore bidirezionale (simile a BERT) e un decoder autoregressivo (simile a GPT). | Colab Scheda del modello |
| RoBERTa-large | Lingua | Perfeziona ed esegui il deployment di RoBERTa-large mediante PEFT. | Colab Scheda del modello |
| XLM-RoBERTa-large | Lingua | Perfeziona ed esegui il deployment di XLM-RoBERTa-large (una versione multilingue di RoBERTa) utilizzando PEFT. | Colab Scheda del modello |
| Carrello-v2-7b | Lingua | Esegui il deployment di Dolly-v2-7b, un modello linguistico di grandi dimensioni che segue le istruzioni e con 6,9 miliardi di parametri. | Colab Scheda del modello |
| Stabile Diffusion XL v1.0 | Lingua, visione | Esegui il deployment di Stable Diffusion XL v1.0, che supporta la generazione da testo a immagine. | Colab Scheda del modello |
| Stable Diffusion v2.1 | Lingua, visione | Ottimizza e distribuisci Stable Diffusion v2.1 (supporta la generazione da testo a immagine) utilizzando Dreambooth. | Colab Scheda del modello |
| Perfezionatore di diffusione stabile 4x | Lingua, visione | Esegui il deployment dell'opzione di scaletta Stable Diffusion 4x, che supporta la superrisoluzione delle immagini condizionate dal testo. | Colab Scheda del modello |
| InstructPix2Pix | Lingua, visione | Esegui il deployment di InstructPix2Pix, che supporta la modifica delle immagini utilizzando un prompt di testo. | Colab Scheda del modello |
| Inpainting per diffusione stabile | Lingua, visione | Ottimizza ed esegui il deployment di Stable Diffusion Inpainting, che supporta l'inpainting di un'immagine mascherata utilizzando un prompt di testo. | Colab Scheda del modello |
| SAM | Lingua, visione | Esegui il deployment di Segment Anything, che supporta la segmentazione delle immagini zero-shot. | Colab Scheda del modello |
| Da testo a video (ModelScope) | Lingua, visione | Esegui il deployment da testo a video di ModelScope, che supporta la generazione da testo a video. | Colab Scheda del modello |
| Zero-shot da testo a video | Lingua, visione | Implementazione di generatori da testo a video di Stable Diffusion che supportano la generazione da testo a video zero-shot. | Colab Scheda del modello |
| Recupero di immagini create in Pic2Word | Lingua, visione | Esegui il deployment di Pic2Word, che supporta il recupero di immagini composto da immagini multimodali. | Colab Scheda del modello |
| BLIP2 | Lingua, visione | Distribuisci BLIP2, che supporta le didascalie delle immagini e la risposta a domande visive. | Colab Scheda del modello |
| Apri-CLIP | Lingua, visione | Ottimizzare ed eseguire il deployment di Open-CLIP, che supporta la classificazione zero-shot. | Colab Scheda del modello |
| F-VLM | Lingua, visione | Esegui il deployment di F-VLM, che supporta il rilevamento di oggetti immagine aperti. | Colab Scheda del modello |
| tfhub/EfficientNetV2 | Visione artificiale | Perfeziona ed esegui il deployment dell'implementazione Tensorflow Vision del modello di classificazione delle immagini EfficientNetV2. | Colab Scheda del modello |
| TIMM (EfficientNetV2) | Visione artificiale | Perfeziona ed esegui il deployment dell'implementazione PyTorch del modello di classificazione delle immagini EfficientNetV2. | Colab Scheda del modello |
| Proprietario/EfficientNetV2 | Visione artificiale | Perfeziona ed esegui il deployment del checkpoint di proprietà di Google del modello di classificazione delle immagini EfficientNetV2. | Colab Scheda del modello |
| EfficientNetLite (MediaPipe) | Visione artificiale | Perfeziona il modello di classificazione delle immagini EfficientNetLite tramite il creatore di modelli MediaPipe. | Colab Scheda del modello |
| tfvision/vit | Visione artificiale | Perfeziona ed esegui il deployment dell'implementazione di TensorFlow Vision del modello di classificazione delle immagini ViT. | Colab Scheda del modello |
| ViT (TIMM) | Visione artificiale | Perfeziona ed esegui il deployment dell'implementazione PyTorch del modello di classificazione delle immagini ViT. | Colab Scheda del modello |
| Proprietario/ViT | Visione artificiale | Perfeziona ed esegui il deployment del checkpoint di proprietà di Google del modello di classificazione delle immagini ViT. | Colab Scheda del modello |
| Proprietario/MaxViT | Visione artificiale | Perfeziona ed esegui il deployment del checkpoint di proprietà di Google del modello di classificazione delle immagini ibrido (CNN + ViT) MaxViT. | Colab Scheda del modello |
| ViT (JAX) | Visione artificiale | Perfezionare ed eseguire il deployment dell'implementazione JAX del modello di classificazione delle immagini ViT. | Colab Scheda del modello |
| tfvision/SpineNet | Visione artificiale | Perfeziona ed esegui il deployment dell'implementazione Tensorflow Vision del modello di rilevamento degli oggetti SpineNet. | Colab Scheda del modello |
| Proprietario/Spinenet | Visione artificiale | Perfeziona ed esegui il deployment del checkpoint di proprietà di Google del modello di rilevamento degli oggetti SpineNet. | Colab Scheda del modello |
| tfvision/YOLO | Visione artificiale | Perfeziona ed esegui il deployment dell'implementazione di TensorFlow Vision del modello di rilevamento degli oggetti a una fase di YOLO. | Colab Scheda del modello |
| Proprietario/YOLO | Visione artificiale | Metti a punto ed esegui il deployment del checkpoint di proprietà di Google del modello di rilevamento degli oggetti a una fase di YOLO. | Colab Scheda del modello |
| YOLOv8 (Keras) | Visione artificiale | Ottimizzare ed eseguire il deployment dell'implementazione Keras del modello YOLOv8 per il rilevamento degli oggetti. | Colab Scheda del modello |
| tfvision/YOLOv7 | Visione artificiale | Perfeziona ed esegui il deployment del modello YOLOv7 per il rilevamento di oggetti. | Colab Scheda del modello |
| Monitoraggio oggetti video ByteTrack | Visione artificiale | Esegui la previsione batch per il monitoraggio degli oggetti video utilizzando il tracker ByteTrack. | Colab Scheda del modello |
| ResNeSt (TIMM) | Visione artificiale | Perfeziona ed esegui il deployment dell'implementazione PyTorch del modello di classificazione delle immagini ResNeSt. | Colab Scheda del modello |
| ConvNeXt (TIMM) | Visione artificiale | Perfeziona ed esegui il deployment di ConvNeXt, un modello convoluzionale puro per la classificazione delle immagini ispirato al design di Vision Transformers. | Colab Scheda del modello |
| CspNet (TIMM) | Visione artificiale | Perfeziona ed esegui il deployment del modello di classificazione delle immagini CSPNet (Cross Stage Partial Network). | Colab Scheda del modello |
| Inception (TIMM) | Visione artificiale | Perfeziona ed esegui il deployment del modello di classificazione delle immagini Inception. | Colab Scheda del modello |
| DeepLabv3+ (con checkpoint) | Visione artificiale | Perfeziona ed esegui il deployment del modello DeepLab-v3 Plus per la segmentazione semantica delle immagini. | Colab Scheda del modello |
| R-CNN più veloce (Detectron2) | Visione artificiale | Ottimizza ed esegui il deployment dell'implementazione Detectron2 del modello R-CNN più veloce per il rilevamento di oggetti immagine. | Colab Scheda del modello |
| RetinaNet (Detectron2) | Visione artificiale | Ottimizzare e implementare l'implementazione Detectron2 del modello RetinaNet per il rilevamento di oggetti immagine. | Colab Scheda del modello |
| Maschera R-CNN (Detectron2) | Visione artificiale | Ottimizzare e implementare l'implementazione Detectron2 del modello Mask R-CNN per il rilevamento e la segmentazione degli oggetti immagine. | Colab Scheda del modello |
| ControlNet | Visione artificiale | Perfeziona ed esegui il deployment del modello di generazione da testo a immagine ControlNet. | Colab Scheda del modello |
| MobileNet (TIMM) | Visione artificiale | Perfeziona ed esegui il deployment dell'implementazione PyTorch del modello di classificazione delle immagini MobileNet. | Colab Scheda del modello |
| Classificazione delle immagini MobileNetV2 (MediaPipe) | Visione artificiale | Perfeziona il modello di classificazione delle immagini MobileNetV2 utilizzando il creatore di modelli MediaPipe. | Colab Scheda del modello |
| Rilevamento di oggetti MobileNetV2 (MediaPipe) | Visione artificiale | Perfeziona il modello di rilevamento degli oggetti MobileNetV2 utilizzando il creatore di modelli MediaPipe. | Colab Scheda del modello |
| MobileNet-MultiHW-AVG (MediaPipe) | Visione artificiale | Perfeziona il modello di rilevamento degli oggetti MobileNet-MultiHW-AVG utilizzando il creatore di modelli MediaPipe. | Colab Scheda del modello |
| DeiT | Visione artificiale | Perfeziona ed esegui il deployment del modello DeiT (Data-efficient Image Transformers) per la classificazione delle immagini. | Colab Scheda del modello |
| BEIT | Visione artificiale | Ottimizza ed esegui il deployment del modello BEiT (Bidirectional Encoder from Image Transformers) per la classificazione delle immagini. | Colab Scheda del modello |
| Riconoscimento dei gesti della mano (MediaPipe) | Visione artificiale | Perfeziona e implementa sul dispositivo i modelli di riconoscimento dei gesti della mano utilizzando MediaPipe. | Colab Scheda del modello |
| Classificatore medio di incorporamento di parole (MediaPipe) | Visione artificiale | Perfeziona ed esegui il deployment sul dispositivo dei modelli di classificazione MediaPipe di incorporamento di parole. | Colab Scheda del modello |
| Classificatore MobileBERT (MediaPipe) | Visione artificiale | Perfeziona e distribuisci on-device i modelli di classificatori MobileBERT utilizzando MediaPipe. | Colab Scheda del modello |
| Classificazione dei video clip MoViNet | Video | Ottimizza ed esegui il deployment di modelli di classificazione dei video clip MoViNet. | Colab Scheda del modello |
| Riconoscimento video di azione MoViNet | Video | Perfeziona ed esegui il deployment di modelli MoViNet per l'inferenza del riconoscimento delle azioni. | Colab Scheda del modello |
| LCM stabile a diffusione XL | Visione artificiale | Esegui il deployment di questo modello che utilizza il modello di coerenza latente (LCM) per migliorare la generazione da testo a immagine nei modelli di diffusione latente consentendo una creazione di immagini più rapida e di alta qualità con meno passaggi. | Colab Scheda del modello |
| LLaVA 1.5 | Visione, lingua | Esegui il deployment di modelli LLaVA 1.5. | Colab Scheda del modello |
| Pytorch-ZipNeRF | Visione, video | Addestra il modello Pytorch-ZipNeRF, un'implementazione all'avanguardia dell'algoritmo ZipNeRF nel framework Pytorch, progettato per una ricostruzione 3D efficiente e accurata a partire da immagini 2D. | Colab Scheda del modello |
| WizardLM | Lingua | Esegui il deployment di NodeLM, che è un modello linguistico di grandi dimensioni (LLM) sviluppato da Microsoft e perfezionato in base a istruzioni complesse adattando il metodo Evol-Instruct. | Colab Scheda del modello |
| WizardCoder | Lingua | Esegui il deployment di AssistantCoder, un modello linguistico di grandi dimensioni (LLM) sviluppato da Microsoft e perfezionato in base a istruzioni complesse adattando il metodo Evol-Instruct al dominio del codice. | Colab Scheda del modello |
| Mixtral 8x7B | Lingua | Esegui il deployment del modello Mixtral 8x7B, un modello linguistico di grandi dimensioni (LLM) misto di esperti (MoE) sviluppato da Mistral AI. Si tratta di un modello solo decoder con 46,7 miliardi di parametri ed è stato segnalato che corrisponde o supera le prestazioni di LLaMA 2 70B e GPT 3.5 su molti benchmark. | Colab Scheda del modello |
| Lama 2 (quantizzato) | Lingua | Perfeziona ed esegui il deployment di una versione quantizzata dei modelli Lama 2 di Meta. | Colab Scheda del modello |
| LaMa (maschera grande inpainting) | Visione artificiale | Esegui il deployment di LaMa, che utilizza convoluzioni di Fourier (FFCs) veloci, un'elevata perdita percettiva del campo ricettivo e maschere di addestramento di grandi dimensioni che consentono una solida risoluzione delle immagini inpainting. | Colab Scheda del modello |
| AutoGluon | Tabulari | Con AutoGluon puoi addestrare ed eseguire il deployment di modelli di machine learning e deep learning ad alta precisione per i dati tabulari. | Colab Scheda del modello |
Elenco dei modelli dei partner disponibili in Model Garden
Nella tabella seguente sono elencati i modelli disponibili presso i partner di Google in Model Garden:
| Nome modello | Modalità | Descrizione | Guida rapida |
|---|---|---|---|
| Sonetto antropico di Claude 3 | Lingua | Un modello di visione e testo bilanciato che unisce intelligenza e velocità per i carichi di lavoro aziendali. È progettato per deployment di AI scalati e a basso costo. | Scheda del modello |
| Haiku Claude 3 antropico | Lingua | La visione e le risposte rapide dei modelli di testo più veloci e compatte di Anthropic a query semplici. È concepito per esperienze di AI che imitano le interazioni umane. | Scheda del modello |
Come utilizzare le schede dei modelli
Fai clic sulla scheda di un modello per utilizzare il modello associato. Ad esempio, puoi fare clic sulla scheda di un modello per testare i prompt, ottimizzare un modello, creare applicazioni e visualizzare esempi di codice.
Per scoprire come utilizzare i modelli associati alle schede dei modelli, fai clic su una delle seguenti schede:
Testa i prompt
Utilizza la scheda del modello dell'API Vertex AI PaLM per testare i prompt.
Nella console Google Cloud, vai alla pagina Model Garden.
Trova un modello supportato che vuoi testare e fai clic su Visualizza dettagli.
Fai clic su Apri progettazione prompt.
Si apre la pagina Progettazione prompt.
In Prompt, inserisci il prompt che vuoi verificare.
(Facoltativo) Configura i parametri del modello.
Fai clic su Invia.
Ottimizza un modello
Per ottimizzare i modelli supportati, utilizza una pipeline Vertex AI o un blocco note.
Ottimizza utilizzando una pipeline
I modelli BERT e T5-FLAN supportano l'ottimizzazione dei modelli utilizzando una pipeline.
Nella console Google Cloud, vai alla pagina Model Garden.
In Cerca modelli, inserisci BERT o T5-FLAN, quindi fai clic sulla lente d'ingrandimento per eseguire la ricerca.
Fai clic su Visualizza dettagli sulla scheda del modello T5-FLAN o BERT.
Fai clic su Apri pipeline di ottimizzazione.
Viene visualizzata la pagina delle pipeline di Vertex AI.
Per avviare l'ottimizzazione, fai clic su Crea esecuzione.
Sintonizza un blocco note
Le schede dei modelli per la maggior parte dei modelli di base open source e ottimizzabili supportano l'ottimizzazione in un blocco note.
Nella console Google Cloud, vai alla pagina Model Garden.
Trova un modello supportato che vuoi ottimizzare e fai clic su Visualizza dettagli.
Fai clic su Apri blocco note.
Deployment di un modello
La scheda del modello stabile di diffusione supporta il deployment in un endpoint.
Nella console Google Cloud, vai alla pagina Model Garden.
Trova un modello supportato di cui vuoi eseguire il deployment. Nella scheda del modello, fai clic su Visualizza dettagli.
Fai clic su Esegui il deployment.
Ti viene chiesto di salvare una copia del modello nel registro dei modelli.
In Nome modello, inserisci un nome per il modello.
Fai clic su Salva.
Viene visualizzato il riquadro Esegui il deployment nell'endpoint.
Definisci l'endpoint come segue:
- Nome endpoint: inserisci un nome per l'endpoint.
- Regione: seleziona una regione in cui creare l'endpoint.
- Accesso: per rendere l'endpoint accessibile tramite un'API REST, seleziona Standard. Per creare una connessione privata all'endpoint, seleziona Privato.
Fai clic su Continua.
Segui le istruzioni nella console Google Cloud e configura le impostazioni del tuo modello.
Fai clic su Continua.
(Facoltativo) Fai clic sul pulsante di attivazione/disattivazione Abilita il monitoraggio del modello per questo endpoint per abilitare il monitoraggio del modello.
Fai clic su Esegui il deployment.
Visualizza esempi di codice
La maggior parte delle schede dei modelli di soluzioni specifiche per le attività contiene esempi di codice che puoi copiare e testare.
Nella console Google Cloud, vai alla pagina Model Garden.
Trova un modello supportato per il quale vuoi visualizzare esempi di codice e fai clic sulla scheda Documentazione.
La pagina scorre fino alla sezione della documentazione con il codice campione incorporato.
Crea un'app per la visione artificiale
Le schede dei modelli applicabili di visione artificiale supportano la creazione di un'applicazione di visione artificiale.
Nella console Google Cloud, vai alla pagina Model Garden.
Trova un modello di visione artificiale nella sezione Soluzioni specifiche per le attività che vuoi utilizzare per creare un'applicazione di visione artificiale e fai clic su Visualizza dettagli.
Fai clic su Crea app.
Si aprirà Vertex AI Vision.
In Nome applicazione, inserisci un nome per l'applicazione e fai clic su Continua.
Seleziona un piano di fatturazione e fai clic su Crea.
Si aprirà Vertex AI Vision Studio, dove potrai continuare a creare la tua applicazione di visione artificiale.
Prezzi
Per i modelli open source in Model Garden, ti viene addebitato l'utilizzo di quanto segue su Vertex AI:
- Ottimizzazione del modello: le risorse di computing utilizzate vengono addebitate alla stessa tariffa dell'addestramento personalizzato. Consulta i prezzi dell'addestramento personalizzato.
- Deployment del modello: ti vengono addebitate le risorse di computing utilizzate per eseguire il deployment del modello in un endpoint. Consulta i prezzi delle previsioni.
- Colab Enterprise: consulta i prezzi di Colab Enterprise.
Passaggi successivi
- Scopri le best practice per l'IA responsabile e i filtri di sicurezza di Vertex AI.
- Scopri di più sull'IA generativa su Vertex AI.
- Scopri come ottimizzare i modelli di base.