Sie erstellen ein AutoML-Modell direkt in der Google Cloud Console oder erstellen eine programmatische Trainingspipeline mithilfe der API oder einer der Vertex AI-Clientbibliotheken.
Dieses Modell wird mit einem vorbereiteten Dataset erstellt, das Sie mit der Console oder der Vertex AI API bereitstellen. Die Vertex AI API verwendet die Elemente aus dem Dataset, um das Modell zu trainieren, zu testen und die Modellleistung zu bewerten. Prüfen Sie die Bewertungsergebnisse, passen Sie das Trainings-Dataset nach Bedarf an und erstellen Sie mithilfe des verbesserten Datasets eine neue Trainingspipeline.
Das Trainieren eines Modells kann mehrere Stunden dauern. Mit der Vertex AI API können Sie den Status des Trainingsjobs abrufen.
AutoML Edge-Trainingspipeline erstellen
Wenn Sie ein Dataset mit einem repräsentativen Satz von Trainingselementen haben, können Sie eine AutoML Edge-Trainingspipeline erstellen.
Wählen Sie einen Datentyp aus.
Bild
Wählen Sie unten den Tab für Ihr Ziel aus:
Klassifizierung
Zur Trainingszeit können Sie je nach Anwendungsfall das gewünschte AutoML Edge-Modell auswählen:
- Niedrige Latenz (
MOBILE_TF_LOW_LATENCY_1) - Allgemeine Zwecke (
MOBILE_TF_VERSATILE_1) - Höhere Vorhersagequalität (
MOBILE_TF_HIGH_ACCURACY_1)
Wählen Sie unten den Tab für Ihre Sprache oder Umgebung aus:
REST
Ersetzen Sie dabei folgende Werte für die Anfragedaten:
- LOCATION: Region, in der sich das Dataset befindet und das Modell erstellt wird. Beispiel:
us-central1. - PROJECT: Ihre Projekt-ID.
- TRAININGPIPELINE_DISPLAYNAME: erforderlich. Ein Anzeigename für die trainingPipeline.
- DATASET_ID: Die ID-Nummer für das Dataset, das für das Training verwendet werden soll.
- fractionSplit: Optional. Eine von mehreren möglichen ML-Aufteilungsoptionen für Ihre Daten. Für
fractionSplitmuss die Summe der Werte 1 ergeben. Beispiel:-
{"trainingFraction": "0.7","validationFraction": "0.15","testFraction": "0.15"}
-
- MODEL_DISPLAYNAME*: Ein Anzeigename für das von der TrainingPipeline hochgeladene (erstellte) Modell.
- MODEL_DESCRIPTION*: Eine Beschreibung für das Modell.
- modelToUpload.labels*: Beliebiger Satz von Schlüssel/Wert-Paaren, um Ihre Modelle zu organisieren. Beispiel:
- "env": "prod"
- "tier": "backend"
- EDGE_MODELTYPE†: Der Typ des zu trainierenden Edge-Modells. Folgende Optionen sind verfügbar:
MOBILE_TF_LOW_LATENCY_1MOBILE_TF_VERSATILE_1MOBILE_TF_HIGH_ACCURACY_1
- NODE_HOUR_BUDGET†: Die tatsächliche Höhe der Trainingskosten kann gleich oder kleiner als dieser Wert sein. Für Edge-Modelle muss das Budget 1.000–100.000 Milli-Knotenstunden (einschließlich) betragen.
- PROJECT_NUMBER: Die automatisch generierte Projektnummer Ihres Projekts.
| * | In der Beschreibung der Schemadatei, die Sie in trainingTaskDefinition angeben, wird die Verwendung dieses Felds beschrieben. |
| † | In der Schemadatei, die Sie in trainingTaskDefinition angeben, wird dieses Feld deklariert und beschrieben. |
HTTP-Methode und URL:
POST https://LOCATION-aiplatform.googleapis.com/v1/projects/PROJECT/locations/LOCATION/trainingPipelines
JSON-Text der Anfrage:
{
"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_classification_1.0.0.yaml",
"trainingTaskInputs": {
"multiLabel": "false",
"modelType": ["EDGE_MODELTYPE"],
"budgetMilliNodeHours": NODE_HOUR_BUDGET
}
}
Wenn Sie die Anfrage senden möchten, wählen Sie eine der folgenden Optionen aus:
curl
Speichern Sie den Anfragetext in einer Datei mit dem Namen request.json und führen Sie den folgenden Befehl aus:
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
Speichern Sie den Anfragetext in einer Datei mit dem Namen request.json und führen Sie den folgenden Befehl aus:
$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
Die Antwort enthält Informationen zu Spezifikationen sowie die TRAININGPIPELINE_ID.
Sie können den Status des trainingPipeline-Jobs mit TRAININGPIPELINE_ID abrufen.
Klassifizierung
Zur Trainingszeit können Sie je nach Anwendungsfall das gewünschte AutoML Edge-Modell auswählen:
- Niedrige Latenz (
MOBILE_TF_LOW_LATENCY_1) - Allgemeine Zwecke (
MOBILE_TF_VERSATILE_1) - Höhere Vorhersagequalität (
MOBILE_TF_HIGH_ACCURACY_1)
Wählen Sie unten den Tab für Ihre Sprache oder Umgebung aus:
REST
Ersetzen Sie dabei folgende Werte für die Anfragedaten:
- LOCATION: Region, in der sich das Dataset befindet und das Modell erstellt wird. Beispiel:
us-central1. - PROJECT: Ihre Projekt-ID.
- TRAININGPIPELINE_DISPLAYNAME: erforderlich. Ein Anzeigename für die trainingPipeline.
- DATASET_ID: Die ID-Nummer für das Dataset, das für das Training verwendet werden soll.
- fractionSplit: Optional. Eine von mehreren möglichen ML-Aufteilungsoptionen für Ihre Daten. Für
fractionSplitmuss die Summe der Werte 1 ergeben. Beispiel:-
{"trainingFraction": "0.7","validationFraction": "0.15","testFraction": "0.15"}
-
- MODEL_DISPLAYNAME*: Ein Anzeigename für das von der TrainingPipeline hochgeladene (erstellte) Modell.
- MODEL_DESCRIPTION*: Eine Beschreibung für das Modell.
- modelToUpload.labels*: Beliebiger Satz von Schlüssel/Wert-Paaren, um Ihre Modelle zu organisieren. Beispiel:
- "env": "prod"
- "tier": "backend"
- EDGE_MODELTYPE†: Der Typ des zu trainierenden Edge-Modells. Folgende Optionen sind verfügbar:
MOBILE_TF_LOW_LATENCY_1MOBILE_TF_VERSATILE_1MOBILE_TF_HIGH_ACCURACY_1
- NODE_HOUR_BUDGET†: Die tatsächliche Höhe der Trainingskosten kann gleich oder kleiner als dieser Wert sein. Für Edge-Modelle muss das Budget 1.000–100.000 Milli-Knotenstunden (einschließlich) betragen.
- PROJECT_NUMBER: Die automatisch generierte Projektnummer Ihres Projekts.
| * | In der Beschreibung der Schemadatei, die Sie in trainingTaskDefinition angeben, wird die Verwendung dieses Felds beschrieben. |
| † | In der Schemadatei, die Sie in trainingTaskDefinition angeben, wird dieses Feld deklariert und beschrieben. |
HTTP-Methode und URL:
POST https://LOCATION-aiplatform.googleapis.com/v1/projects/PROJECT/locations/LOCATION/trainingPipelines
JSON-Text der Anfrage:
{
"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_classification_1.0.0.yaml",
"trainingTaskInputs": {
"multiLabel": "true",
"modelType": ["EDGE_MODELTYPE"],
"budgetMilliNodeHours": NODE_HOUR_BUDGET
}
}
Wenn Sie die Anfrage senden möchten, wählen Sie eine der folgenden Optionen aus:
curl
Speichern Sie den Anfragetext in einer Datei mit dem Namen request.json und führen Sie den folgenden Befehl aus:
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
Speichern Sie den Anfragetext in einer Datei mit dem Namen request.json und führen Sie den folgenden Befehl aus:
$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
Die Antwort enthält Informationen zu Spezifikationen sowie die TRAININGPIPELINE_ID.
Sie können den Status des trainingPipeline-Jobs mit TRAININGPIPELINE_ID abrufen.
Objekterkennung
Zur Trainingszeit können Sie je nach Anwendungsfall das gewünschte AutoML Edge-Modell auswählen:
- Niedrige Latenz (
MOBILE_TF_LOW_LATENCY_1) - Allgemeine Zwecke (
MOBILE_TF_VERSATILE_1) - Höhere Vorhersagequalität (
MOBILE_TF_HIGH_ACCURACY_1)
Wählen Sie unten den Tab für Ihre Sprache oder Umgebung aus:
REST
Ersetzen Sie dabei folgende Werte für die Anfragedaten:
- LOCATION: Region, in der sich das Dataset befindet und das Modell erstellt wird. Beispiel:
us-central1. - PROJECT: Ihre Projekt-ID.
- TRAININGPIPELINE_DISPLAYNAME: erforderlich. Ein Anzeigename für die trainingPipeline.
- DATASET_ID: Die ID-Nummer für das Dataset, das für das Training verwendet werden soll.
fractionSplit: Optional. Eine von mehreren möglichen ML-Aufteilungsoptionen für Ihre Daten. FürfractionSplitmuss die Summe der Werte 1 ergeben. Beispiel:-
{"trainingFraction": "0.7","validationFraction": "0.15","testFraction": "0.15"}
-
- MODEL_DISPLAYNAME*: Ein Anzeigename für das von der TrainingPipeline hochgeladene (erstellte) Modell.
- MODEL_DESCRIPTION*: Eine Beschreibung für das Modell.
- modelToUpload.labels*: Beliebiger Satz von Schlüssel/Wert-Paaren, um Ihre Modelle zu organisieren. Beispiel:
- "env": "prod"
- "tier": "backend"
- EDGE_MODELTYPE†: Der Typ des zu trainierenden Edge-Modells. Folgende Optionen sind verfügbar:
MOBILE_TF_LOW_LATENCY_1MOBILE_TF_VERSATILE_1MOBILE_TF_HIGH_ACCURACY_1
- NODE_HOUR_BUDGET†: Die tatsächliche Höhe der Trainingskosten kann gleich oder kleiner als dieser Wert sein. Für Cloud-Modelle muss das Budget folgenden Wert betragen: 20.000 - 900.000 Milli-Knotenstunden (einschließlich). Der Standardwert ist 216.000, was einem Tag in Echtzeit entspricht, wobei 9 Knoten verwendet werden.
- PROJECT_NUMBER: Die automatisch generierte Projektnummer Ihres Projekts.
| * | In der Beschreibung der Schemadatei, die Sie in trainingTaskDefinition angeben, wird die Verwendung dieses Felds beschrieben. |
| † | In der Schemadatei, die Sie in trainingTaskDefinition angeben, wird dieses Feld deklariert und beschrieben. |
HTTP-Methode und URL:
POST https://LOCATION-aiplatform.googleapis.com/v1/projects/PROJECT/locations/LOCATION/trainingPipelines
JSON-Text der Anfrage:
{
"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": ["EDGE_MODELTYPE"],
"budgetMilliNodeHours": NODE_HOUR_BUDGET
}
}
Wenn Sie die Anfrage senden möchten, wählen Sie eine der folgenden Optionen aus:
curl
Speichern Sie den Anfragetext in einer Datei mit dem Namen request.json und führen Sie den folgenden Befehl aus:
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
Speichern Sie den Anfragetext in einer Datei mit dem Namen request.json und führen Sie den folgenden Befehl aus:
$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
Die Antwort enthält Informationen zu Spezifikationen sowie die TRAININGPIPELINE_ID.
Sie können den Status des trainingPipeline-Jobs mit TRAININGPIPELINE_ID abrufen.
Video
Wählen Sie unten den Tab für Ihr Ziel aus:
Aktionserkennung
Wählen Sie während des Trainings den folgenden AutoML-Edge-Typ aus:
MOBILE_VERSATILE_1: Allgemeine Zwecke
REST
Ersetzen Sie diese Werte in den folgenden Anfragedaten:
- PROJECT: Ihre Projekt-ID.
- LOCATION: Region, in der sich das Dataset befindet und das Modell erstellt wird. Beispiel:
us-central1. - TRAINING_PIPELINE_DISPLAY_NAME: erforderlich. Ein Anzeigename für die TrainingPipeline.
- DATASET_ID: ID für das Trainings-Dataset.
-
TRAINING_FRACTION, TEST_FRACTION: Das Objekt
fractionSplitist optional. Es dient dazu, die Datenaufteilung zu steuern. Weitere Informationen zur Datenaufteilung finden Sie unter Datenaufteilungen für AutoML-Modelle. Beispiel:{"trainingFraction": "0.8","validationFraction": "0","testFraction": "0.2"}
- MODEL_DISPLAY_NAME: Anzeigename des trainierten Modells.
- MODEL_DESCRIPTION: Eine Beschreibung für das Modell.
- MODEL_LABELS: Beliebiger Satz von Schlüssel/Wert-Paaren zum Organisieren Ihrer Modelle. Beispiel:
- "env": "prod"
- "tier": "backend"
- EDGE_MODEL_TYPE:
MOBILE_VERSATILE_1: Allgemeine Zwecke
- PROJECT_NUMBER: Die automatisch generierte Projektnummer Ihres Projekts.
HTTP-Methode und URL:
POST https://LOCATION-aiplatform.googleapis.com/beta1/projects/PROJECT/locations/LOCATION/trainingPipelines
JSON-Text der Anfrage:
{
"displayName": "TRAINING_PIPELINE_DISPLAY_NAME",
"inputDataConfig": {
"datasetId": "DATASET_ID",
"fractionSplit": {
"trainingFraction": "TRAINING_FRACTION",
"validationFraction": "0",
"testFraction": "TEST_FRACTION"
}
},
"modelToUpload": {
"displayName": "MODEL_DISPLAY_NAME",
"description": "MODEL_DESCRIPTION",
"labels": {
"KEY": "VALUE"
}
},
"trainingTaskDefinition": "gs://google-cloud-aiplatform/schema/trainingjob/definition/automl_video_action_recognition_1.0.0.yaml",
"trainingTaskInputs": {
"modelType": ["EDGE_MODEL_TYPE"],
}
}
Wenn Sie die Anfrage senden möchten, wählen Sie eine der folgenden Optionen aus:
curl
Speichern Sie den Anfragetext in einer Datei mit dem Namen request.json und führen Sie den folgenden Befehl aus:
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/beta1/projects/PROJECT/locations/LOCATION/trainingPipelines"
PowerShell
Speichern Sie den Anfragetext in einer Datei mit dem Namen request.json und führen Sie den folgenden Befehl aus:
$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/beta1/projects/PROJECT/locations/LOCATION/trainingPipelines" | Select-Object -Expand Content
Die Antwort enthält Informationen zu Spezifikationen sowie die TRAININGPIPELINE_ID.
Sie können den Status des Fortschritts der Trainingspipeline abrufen, um zu sehen, wann sie abgeschlossen ist.Klassifizierung
Wählen Sie während des Trainings den folgenden AutoML-Edge-Typ aus:
MOBILE_VERSATILE_1: Allgemeine Zwecke
REST
Ersetzen Sie diese Werte in den folgenden Anfragedaten:
- PROJECT: Ihre Projekt-ID.
- LOCATION: Region, in der sich das Dataset befindet und das Modell erstellt wird. Beispiel:
us-central1. - TRAINING_PIPELINE_DISPLAY_NAME: erforderlich. Ein Anzeigename für die TrainingPipeline.
- DATASET_ID: ID für das Trainings-Dataset.
-
TRAINING_FRACTION, TEST_FRACTION: Das Objekt
fractionSplitist optional. Es dient dazu, die Datenaufteilung zu steuern. Weitere Informationen zur Datenaufteilung finden Sie unter Datenaufteilungen für AutoML-Modelle. Beispiel:{"trainingFraction": "0.8","validationFraction": "0","testFraction": "0.2"}
- MODEL_DISPLAY_NAME: Anzeigename des trainierten Modells.
- MODEL_DESCRIPTION: Eine Beschreibung für das Modell.
- MODEL_LABELS: Beliebiger Satz von Schlüssel/Wert-Paaren zum Organisieren Ihrer Modelle. Beispiel:
- "env": "prod"
- "tier": "backend"
- EDGE_MODEL_TYPE:
MOBILE_VERSATILE_1: Allgemeine Zwecke
- PROJECT_NUMBER: Die automatisch generierte Projektnummer Ihres Projekts.
HTTP-Methode und URL:
POST https://LOCATION-aiplatform.googleapis.com/beta1/projects/PROJECT/locations/LOCATION/trainingPipelines
JSON-Text der Anfrage:
{
"displayName": "TRAINING_PIPELINE_DISPLAY_NAME",
"inputDataConfig": {
"datasetId": "DATASET_ID",
"fractionSplit": {
"trainingFraction": "TRAINING_FRACTION",
"validationFraction": "0",
"testFraction": "TEST_FRACTION"
}
},
"modelToUpload": {
"displayName": "MODEL_DISPLAY_NAME",
"description": "MODEL_DESCRIPTION",
"labels": {
"KEY": "VALUE"
}
},
"trainingTaskDefinition": "gs://google-cloud-aiplatform/schema/trainingjob/definition/automl_video_classification_1.0.0.yaml",
"trainingTaskInputs": {
"modelType": ["EDGE_MODEL_TYPE"],
}
}
Wenn Sie die Anfrage senden möchten, wählen Sie eine der folgenden Optionen aus:
curl
Speichern Sie den Anfragetext in einer Datei mit dem Namen request.json und führen Sie den folgenden Befehl aus:
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/beta1/projects/PROJECT/locations/LOCATION/trainingPipelines"
PowerShell
Speichern Sie den Anfragetext in einer Datei mit dem Namen request.json und führen Sie den folgenden Befehl aus:
$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/beta1/projects/PROJECT/locations/LOCATION/trainingPipelines" | Select-Object -Expand Content
Die Antwort enthält Informationen zu Spezifikationen sowie die TRAININGPIPELINE_ID.
Sie können den Status des Fortschritts der Trainingspipeline abrufen, um zu sehen, wann sie abgeschlossen ist.Objekt-Tracking
Wählen Sie während des Trainings den AutoML-Edge-Typ aus:
MOBILE_VERSATILE_1: Allgemeine ZweckeMOBILE_CORAL_VERSATILE_1: höhere Vorhersagequalität für Google CoralMOBILE_CORAL_LOW_LATENCY_1: niedrigere Latenz für Google CoralMOBILE_JETSON_VERSATILE_1: höhere Vorhersagequalität für NVIDIA JetsonMOBILE_JETSON_LOW_LATENCY_1: geringere Latenz für NVIDIA Jetson
REST
Ersetzen Sie diese Werte in den folgenden Anfragedaten:
- PROJECT: Ihre Projekt-ID.
- LOCATION: Region, in der sich das Dataset befindet und das Modell erstellt wird. Beispiel:
us-central1. - TRAINING_PIPELINE_DISPLAY_NAME: erforderlich. Ein Anzeigename für die TrainingPipeline.
- DATASET_ID: ID für das Trainings-Dataset.
-
TRAINING_FRACTION, TEST_FRACTION: Das Objekt
fractionSplitist optional. Es dient dazu, die Datenaufteilung zu steuern. Weitere Informationen zur Datenaufteilung finden Sie unter Datenaufteilungen für AutoML-Modelle. Beispiel:{"trainingFraction": "0.8","validationFraction": "0","testFraction": "0.2"}
- MODEL_DISPLAY_NAME: Anzeigename des trainierten Modells.
- MODEL_DESCRIPTION: Eine Beschreibung für das Modell.
- MODEL_LABELS: Beliebiger Satz von Schlüssel/Wert-Paaren zum Organisieren Ihrer Modelle. Beispiel:
- "env": "prod"
- "tier": "backend"
- EDGE_MODEL_TYPE: einer der folgenden:
MOBILE_VERSATILE_1: Allgemeine ZweckeMOBILE_CORAL_VERSATILE_1: höhere Vorhersagequalität für Google CoralMOBILE_CORAL_LOW_LATENCY_1: niedrigere Latenz für Google CoralMOBILE_JETSON_VERSATILE_1: höhere Vorhersagequalität für NVIDIA JetsonMOBILE_JETSON_LOW_LATENCY_1: geringere Latenz für NVIDIA Jetson
- PROJECT_NUMBER: Die automatisch generierte Projektnummer Ihres Projekts.
HTTP-Methode und URL:
POST https://LOCATION-aiplatform.googleapis.com/beta1/projects/PROJECT/locations/LOCATION/trainingPipelines
JSON-Text der Anfrage:
{
"displayName": "TRAINING_PIPELINE_DISPLAY_NAME",
"inputDataConfig": {
"datasetId": "DATASET_ID",
"fractionSplit": {
"trainingFraction": "TRAINING_FRACTION",
"validationFraction": "0",
"testFraction": "TEST_FRACTION"
}
},
"modelToUpload": {
"displayName": "MODEL_DISPLAY_NAME",
"description": "MODEL_DESCRIPTION",
"labels": {
"KEY": "VALUE"
}
},
"trainingTaskDefinition": "gs://google-cloud-aiplatform/schema/trainingjob/definition/automl_video_object_tracking_1.0.0.yaml",
"trainingTaskInputs": {
"modelType": ["EDGE_MODEL_TYPE"],
}
}
Wenn Sie die Anfrage senden möchten, wählen Sie eine der folgenden Optionen aus:
curl
Speichern Sie den Anfragetext in einer Datei mit dem Namen request.json und führen Sie den folgenden Befehl aus:
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/beta1/projects/PROJECT/locations/LOCATION/trainingPipelines"
PowerShell
Speichern Sie den Anfragetext in einer Datei mit dem Namen request.json und führen Sie den folgenden Befehl aus:
$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/beta1/projects/PROJECT/locations/LOCATION/trainingPipelines" | Select-Object -Expand Content
Die Antwort enthält Informationen zu Spezifikationen sowie die TRAININGPIPELINE_ID.
Sie können den Status des Fortschritts der Trainingspipeline abrufen, um zu sehen, wann sie abgeschlossen ist.trainingPipeline-Status abrufen
Verwenden Sie den folgenden Code, um den Status der trainingPipeline-Erstellung programmatisch abzurufen.
REST
Ersetzen Sie dabei folgende Werte für die Anfragedaten:
- LOCATION: Region, in der sich die TrainingPipeline befindet.
- PROJECT: Ihre Projekt-ID.
- TRAININGPIPELINE_ID: Die ID der spezifischen TrainingPipeline.
- PROJECT_NUMBER: Die automatisch generierte Projektnummer Ihres Projekts.
HTTP-Methode und URL:
GET https://LOCATION-aiplatform.googleapis.com/v1/projects/PROJECT/locations/LOCATION/trainingPipelines/TRAININGPIPELINE_ID
Senden Sie die Anfrage mithilfe einer der folgenden Optionen:
curl
Führen Sie folgenden Befehl aus:
curl -X GET \
-H "Authorization: Bearer $(gcloud auth print-access-token)" \
"https://LOCATION-aiplatform.googleapis.com/v1/projects/PROJECT/locations/LOCATION/trainingPipelines/TRAININGPIPELINE_ID"
PowerShell
Führen Sie folgenden Befehl aus:
$cred = gcloud auth print-access-token
$headers = @{ "Authorization" = "Bearer $cred" }
Invoke-WebRequest `
-Method GET `
-Headers $headers `
-Uri "https://LOCATION-aiplatform.googleapis.com/v1/projects/PROJECT/locations/LOCATION/trainingPipelines/TRAININGPIPELINE_ID" | Select-Object -Expand Content
Das Feld "state" zeigt den aktuellen Status des Vorgangs an.
Die Ausgabe für einen abgeschlossenen Vorgang zum Erstellen der trainingPipeline sollte in etwa so aussehen:
Java
Bevor Sie dieses Beispiel anwenden, folgen Sie den Java-Einrichtungsschritten in der Vertex AI-Kurzanleitung zur Verwendung von Clientbibliotheken. Weitere Informationen finden Sie in der Referenzdokumentation zur Vertex AI Java API.
Richten Sie zur Authentifizierung bei Vertex AI Standardanmeldedaten für Anwendungen ein. Weitere Informationen finden Sie unter Authentifizierung für eine lokale Entwicklungsumgebung einrichten.
Python
Informationen zur Installation des Vertex AI SDK for Python finden Sie unter Vertex AI SDK for Python installieren. Weitere Informationen finden Sie in der Referenzdokumentation zur Python API.
Modellinformationen abrufen
Nachdem die trainingPipeline-Erstellung abgeschlossen ist, können Sie den Anzeigenamen des Modells verwenden, um detailliertere Modellinformationen zu erhalten.
REST
Ersetzen Sie dabei folgende Werte für die Anfragedaten:
- LOCATION: Region, in der sich das Modell befindet. z. B.
us-central1. - PROJECT: Ihre Projekt-ID.
- MODEL_DISPLAYNAME: Der Anzeigename Ihres Modells, dem Sie beim Erstellen eines Trainingsjobs angegeben haben.
- PROJECT_NUMBER: Die automatisch generierte Projektnummer Ihres Projekts.
HTTP-Methode und URL:
GET https://LOCATION-aiplatform.googleapis.com/v1/projects/PROJECT/locations/LOCATION/models?filter=display_name=MODEL_DISPLAYNAME
Senden Sie die Anfrage mithilfe einer der folgenden Optionen:
curl
Führen Sie folgenden Befehl aus:
curl -X GET \
-H "Authorization: Bearer $(gcloud auth print-access-token)" \
"https://LOCATION-aiplatform.googleapis.com/v1/projects/PROJECT/locations/LOCATION/models?filter=display_name=MODEL_DISPLAYNAME "
PowerShell
Führen Sie folgenden Befehl aus:
$cred = gcloud auth print-access-token
$headers = @{ "Authorization" = "Bearer $cred" }
Invoke-WebRequest `
-Method GET `
-Headers $headers `
-Uri "https://LOCATION-aiplatform.googleapis.com/v1/projects/PROJECT/locations/LOCATION/models?filter=display_name=MODEL_DISPLAYNAME " | Select-Object -Expand Content
Die Ausgabe für ein trainiertes AutoML Edge-Modell sollte in etwa so aussehen: Die folgende Beispielausgabe bezieht sich auf ein AutoML Edge-Bildmodell:
Java
Bevor Sie dieses Beispiel anwenden, folgen Sie den Java-Einrichtungsschritten in der Vertex AI-Kurzanleitung zur Verwendung von Clientbibliotheken. Weitere Informationen finden Sie in der Referenzdokumentation zur Vertex AI Java API.
Richten Sie zur Authentifizierung bei Vertex AI Standardanmeldedaten für Anwendungen ein. Weitere Informationen finden Sie unter Authentifizierung für eine lokale Entwicklungsumgebung einrichten.
Node.js
Bevor Sie dieses Beispiel anwenden, folgen Sie den Node.js-Einrichtungsschritten in der Vertex AI-Kurzanleitung zur Verwendung von Clientbibliotheken. Weitere Informationen finden Sie in der Referenzdokumentation zur Vertex AI Node.js API.
Richten Sie zur Authentifizierung bei Vertex AI Standardanmeldedaten für Anwendungen ein. Weitere Informationen finden Sie unter Authentifizierung für eine lokale Entwicklungsumgebung einrichten.
Python
Informationen zur Installation des Vertex AI SDK for Python finden Sie unter Vertex AI SDK for Python installieren. Weitere Informationen finden Sie in der Referenzdokumentation zur Python API.