Treine e use seus próprios modelos

Mantenha tudo organizado com as coleções Salve e categorize o conteúdo com base nas suas preferências.
Esta página fornece uma visão geral do fluxo de trabalho para treinamento e uso dos seus próprios modelos na Vertex AI. A Vertex AI oferece dois métodos para treinamento de modelo:

  • AutoML: crie e treine modelos com conhecimento técnico mínimo e esforço.
  • Treinamento personalizado: crie um aplicativo de treinamento otimizado para o resultado segmentado.

Se precisar de ajuda para decidir qual desses métodos usar, consulte Escolher um método de treinamento.

AutoML

Os modelos de machine learning (ML) usam dados de treinamento para aprender a inferir resultados de dados para os quais não foram treinados. O AutoML no Vertex AI permite que você crie um modelo sem código com base nos dados de treinamento fornecidos.

Tipos de modelos que você pode criar usando o AutoML

Os tipos de modelo que você pode criar dependem do tipo de dados que você tem. A Vertex AI oferece soluções do AutoML para os seguintes tipos de dados e objetivos de modelo:

Tipo de dados Objetivos aceitos
Dados de imagem Classificação, detecção de objetos.
Dados de vídeo Reconhecimento de ação, classificação e rastreamento de objetos.
Dados de texto Classificação, extração de entidades, análise de sentimentos.
Dados em tabela Classificação/regressão, previsão.

O fluxo de trabalho para treinamento e uso de um modelo do AutoML é o mesmo, seja qual for o tipo de dados ou objetivo:

  1. Preparar seus dados de treinamento.
  2. Crie um conjunto de dados.
  3. Treinar um modelo.
  4. Avalie e itere seu modelo.
  5. Receber previsões do modelo.
  6. Interpretar resultados de previsão.

Dados de imagem

O AutoML usa machine learning para analisar o conteúdo dos dados de imagem. É possível usar o AutoML para treinar um modelo de ML que classifique dados de imagem ou encontre objetos nos dados da imagem.

Classificação para imagens

Um modelo de classificação analisa dados de imagem e retorna uma lista de categorias de conteúdo que se aplicam à imagem. Por exemplo, é possível treinar um modelo para classificar imagens de acordo com a presença ou não de um cachorro, ou treinar um modelo para classificar imagens de cães de acordo com a raça.

Documentação: Preparar dados | Criar conjunto de dados | Modelo de treinamento | Avaliar modelo | Receber previsões | Interpretar resultados

Detecção de objetos para imagens

Um modelo de detecção de objetos analisa os dados da imagem e retorna anotações para todos os objetos encontrados em uma imagem, que consiste em um rótulo e um local da caixa delimitadora para cada objeto. Por exemplo, é possível treinar um modelo para encontrar a localização dos gatos em dados de imagem.

Documentação: Preparar dados | Criar conjunto de dados | Modelo de treinamento | Avaliar modelo | Receber previsões | Interpretar resultados

Dados em tabela

O AutoML usa machine learning para analisar o conteúdo dos dados em tabela. É possível usar o AutoML para treinar um modelo de ML a usar regressão para encontrar um valor numérico, ou a usar uma classificação para prever um resultado categórico dos dados em tabela.

Classificação e regressão de dados tabulares

Um modelo de classificação analisa dados em tabela e retorna uma lista de categorias que descrevem os dados. Por exemplo, é possível treinar um modelo para prever se o histórico de compras de um cliente prevê que ele comprará uma assinatura ou não.

Um modelo de regressão analisa seus dados em tabela e retorna um valor numérico. Por exemplo, é possível treinar um modelo para estimar o valor de uma casa.

Documentação: Preparar dados | Criar conjunto de dados | Modelo de treinamento | Avaliar modelo | Receber previsões | Interpretar resultados

Previsão de dados tabulares

Um modelo de previsão usa várias linhas de dados tabulares antigas para prever uma série de valores numéricos que se estendem para o futuro. Por exemplo, ao prever a demanda futura do produto, uma organização de varejo pode otimizar a cadeia de suprimentos para reduzir a chance de excesso de estoque ou vender esse produto.

Documentação: Preparar dados | Criar conjunto de dados | Modelo de treinamento | Avaliar modelo | Receber previsões | Interpretar resultados

Para um Jupyter Notebook que ilustra o treinamento de um modelo de previsão com o AutoML, consulte:

Recurso da Vertex AI Notebook Descrição Abrir em
AutoML Modelo de previsão de série temporal Criar, treinar e usar um modelo de previsão de série temporal do AutoML para previsões em lote

Colab

GitHub

Vertex AI Workbench

Dados de texto

O AutoML usa machine learning para analisar a estrutura e o significado dos dados de texto. É possível usar o AutoML para treinar um modelo de ML para classificar dados de texto, extrair informações ou entender o sentimento dos autores.

Classificação de texto

Um modelo de classificação analisa dados de texto e retorna uma lista de categorias que se aplicam ao texto encontrado nos dados. A Vertex AI oferece modelos de classificação de texto com um ou vários rótulos.

Documentação: Preparar dados | Criar conjunto de dados | Modelo de treinamento | Avaliar modelo | Receber previsões | Interpretar resultados

Extração de entidade para texto

Um modelo de extração de entidade inspeciona os dados de texto de entidades conhecidas citadas nos dados e rotula essas entidades no texto.

Documentação: Preparar dados | Criar conjunto de dados | Modelo de treinamento | Avaliar modelo | Receber previsões | Interpretar resultados

Análise de sentimento para texto

Um modelo de análise de sentimento inspeciona dados de texto e identifica a opinião emocional predominante nele, principalmente para determinar a atitude de um escritor como positiva, negativa ou neutra.

Documentação: Preparar dados | Criar conjunto de dados | Modelo de treinamento | Avaliar modelo | Receber previsões | Interpretar resultados

Para um Jupyter Notebook que ilustra o treinamento de um modelo de classificação de texto com o AutoML, consulte:

Recurso da Vertex AI Notebook Descrição Abrir em
AutoML Modelo de classificação de texto Crie, treine e implante um modelo de classificação de texto na Vertex AI.

Colab

GitHub

Vertex AI Workbench

Dados de vídeo

O AutoML usa machine learning para analisar dados de vídeos para classificar sequências e segmentos ou para detectar e rastrear vários objetos nos dados do vídeo.

Reconhecimento de ação para vídeos

Um modelo de reconhecimento de ações analisa os dados de vídeo e retorna uma lista de ações categorizadas com os momentos em que as ações ocorreram. Por exemplo, é possível treinar um modelo que analisa dados de vídeo para identificar os momentos de ação envolvendo um gol, uma tacada de golfe, um touchdown ou um "bate aqui".

Documentação: Preparar dados | Criar conjunto de dados | Modelo de treinamento | Avaliar modelo | Receber previsões | Interpretar resultados

Classificação para vídeos

Um modelo de classificação analisa os dados do vídeo e retorna uma lista de sequências e segmentos categorizados. Por exemplo, é possível treinar um modelo que analisa dados de vídeo para identificar se o vídeo é de um jogo de futebol, beisebol, basquete ou futebol americano.

Documentação: Preparar dados | Criar conjunto de dados | Modelo de treinamento | Avaliar modelo | Receber previsões | Interpretar resultados

Rastreamento de objetos para vídeos

Um modelo de rastreamento de objetos analisa os dados de vídeo e retorna uma lista de sequências e segmentos em que esses objetos foram detectados. Por exemplo, é possível treinar um modelo que analisa dados de vídeo de jogos de futebol para identificar e rastrear a bola.

Documentação: Preparar dados | Criar conjunto de dados | Modelo de treinamento | Avaliar modelo | Receber previsões | Interpretar resultados

Treinamento personalizado

A Vertex AI permite que você treine seu código de treinamento personalizado usando qualquer framework de machine learning em uma variedade de VMs do Compute Engine compatíveis com GPUs e TPUs opcionais. Comece aprendendo os requisitos do código de treinamento personalizado em Requisitos de código.