Anda dapat membuat model AutoML langsung di Konsol Google Cloud, atau dengan membuat pipeline pelatihan secara terprogram, menggunakan API atau salah satu Library klien Vertex AI.
Model ini dibuat menggunakan set data yang telah Anda siapkan menggunakan konsol atau API. Vertex AI API menggunakan item dari set data untuk melatih, mengujinya, dan mengevaluasi performa model. Tinjau hasil evaluasi, sesuaikan set data pelatihan sesuai kebutuhan, dan buat pipeline pelatihan baru menggunakan set data yang ditingkatkan.
Pelatihan model dapat memerlukan waktu beberapa jam untuk diselesaikan. Dengan Vertex AI API, Anda bisa mendapatkan status pelatihan.
Membuat pipeline pelatihan AutoML Edge
Setelah memiliki set data dengan kumpulan item pelatihan yang representatif, Anda siap untuk membuat pipeline pelatihan AutoML Edge.
Pilih jenis data.
Gambar
Pilih tab di bawah ini untuk tujuan Anda:
Klasifikasi
Pada waktu pelatihan, Anda dapat memilih jenis model AutoML Edge yang diinginkan, bergantung pada kasus penggunaan tertentu Anda:
- latensi rendah (
MOBILE_TF_LOW_LATENCY_1
) - penggunaan tujuan umum (
MOBILE_TF_VERSATILE_1
) - kualitas prediksi lebih tinggi (
MOBILE_TF_HIGH_ACCURACY_1
)
Pilih tab di bawah untuk bahasa atau lingkungan Anda:
REST
Sebelum menggunakan permintaan data mana pun, buat pengganti berikut:
- LOCATION: Region tempat set data berada dan Model dibuat. Misalnya,
us-central1
. - PROJECT: Project ID Anda.
- TRAININGPIPELINE_DISPLAYNAME: Wajib diisi. Nama tampilan untuk trainingPipeline.
- DATASET_ID: Nomor ID set data yang akan digunakan untuk pelatihan.
- fractionSplit: Opsional. Salah satu dari beberapa kemungkinan ML menggunakan opsi terpisah untuk data Anda. Untuk
fractionSplit
, nilai harus berjumlah 1. Misalnya:-
{"trainingFraction": "0.7","validationFraction": "0.15","testFraction": "0.15"}
-
- MODEL_DISPLAYNAME*: Nama tampilan untuk model yang diupload (dibuat) oleh TrainingPipeline.
- MODEL_DESCRIPTION*: Deskripsi model.
- modelToUpload.labels*: Kumpulan key-value pair apa pun untuk mengatur model Anda. Misalnya:
- "env": "prod"
- "tier": "backend"
- EDGE_MODELTYPE†: Jenis model Edge yang akan dilatih. Opsinya adalah:
MOBILE_TF_LOW_LATENCY_1
MOBILE_TF_VERSATILE_1
MOBILE_TF_HIGH_ACCURACY_1
- NODE_HOUR_BUDGET†: Biaya pelatihan yang sebenarnya akan sama atau kurang dari nilai ini. Untuk model Edge, anggarannya harus: 1.000 - 100.000 jam kerja node (inklusif).
- PROJECT_NUMBER: Nomor project yang dibuat secara otomatis untuk project Anda
* | Deskripsi file skema yang Anda tentukan di trainingTaskDefinition menjelaskan penggunaan kolom ini. |
† | File skema yang Anda tentukan dalam trainingTaskDefinition mendeklarasikan dan mendeskripsikan kolom ini. |
Metode HTTP dan URL:
POST https://LOCATION-aiplatform.googleapis.com/v1/projects/PROJECT/locations/LOCATION/trainingPipelines
Isi JSON permintaan:
{ "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 } }
Untuk mengirim permintaan Anda, pilih salah satu opsi berikut:
curl
Simpan isi permintaan dalam file bernama request.json
,
dan jalankan perintah berikut:
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
Simpan isi permintaan dalam file bernama request.json
,
dan jalankan perintah berikut:
$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
Respons ini berisi informasi tentang spesifikasi serta TRAININGPIPELINE_ID.
Anda bisa mendapatkan status tugas trainingPipeline menggunakan TRAININGPIPELINE_ID.
Klasifikasi
Pada waktu pelatihan, Anda dapat memilih jenis model AutoML Edge yang diinginkan, bergantung pada kasus penggunaan tertentu Anda:
- latensi rendah (
MOBILE_TF_LOW_LATENCY_1
) - penggunaan tujuan umum (
MOBILE_TF_VERSATILE_1
) - kualitas prediksi lebih tinggi (
MOBILE_TF_HIGH_ACCURACY_1
)
Pilih tab di bawah untuk bahasa atau lingkungan Anda:
REST
Sebelum menggunakan permintaan data mana pun, buat pengganti berikut:
- LOCATION: Region tempat set data berada dan Model dibuat. Misalnya,
us-central1
. - PROJECT: Project ID Anda.
- TRAININGPIPELINE_DISPLAYNAME: Wajib diisi. Nama tampilan untuk trainingPipeline.
- DATASET_ID: Nomor ID set data yang akan digunakan untuk pelatihan.
- fractionSplit: Opsional. Salah satu dari beberapa kemungkinan ML menggunakan opsi terpisah untuk data Anda. Untuk
fractionSplit
, nilai harus berjumlah 1. Misalnya:-
{"trainingFraction": "0.7","validationFraction": "0.15","testFraction": "0.15"}
-
- MODEL_DISPLAYNAME*: Nama tampilan untuk model yang diupload (dibuat) oleh TrainingPipeline.
- MODEL_DESCRIPTION*: Deskripsi model.
- modelToUpload.labels*: Kumpulan key-value pair apa pun untuk mengatur model Anda. Misalnya:
- "env": "prod"
- "tier": "backend"
- EDGE_MODELTYPE†: Jenis model Edge yang akan dilatih. Opsinya adalah:
MOBILE_TF_LOW_LATENCY_1
MOBILE_TF_VERSATILE_1
MOBILE_TF_HIGH_ACCURACY_1
- NODE_HOUR_BUDGET†: Biaya pelatihan yang sebenarnya akan sama atau kurang dari nilai ini. Untuk model Edge, anggarannya harus: 1.000 - 100.000 jam kerja node (inklusif).
- PROJECT_NUMBER: Nomor project yang dibuat secara otomatis untuk project Anda
* | Deskripsi file skema yang Anda tentukan di trainingTaskDefinition menjelaskan penggunaan kolom ini. |
† | File skema yang Anda tentukan dalam trainingTaskDefinition mendeklarasikan dan mendeskripsikan kolom ini. |
Metode HTTP dan URL:
POST https://LOCATION-aiplatform.googleapis.com/v1/projects/PROJECT/locations/LOCATION/trainingPipelines
Isi JSON permintaan:
{ "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 } }
Untuk mengirim permintaan Anda, pilih salah satu opsi berikut:
curl
Simpan isi permintaan dalam file bernama request.json
,
dan jalankan perintah berikut:
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
Simpan isi permintaan dalam file bernama request.json
,
dan jalankan perintah berikut:
$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
Respons ini berisi informasi tentang spesifikasi serta TRAININGPIPELINE_ID.
Anda bisa mendapatkan status tugas trainingPipeline menggunakan TRAININGPIPELINE_ID.
Deteksi objek
Pada waktu pelatihan, Anda dapat memilih jenis model AutoML Edge yang diinginkan, bergantung pada kasus penggunaan tertentu Anda:
- latensi rendah (
MOBILE_TF_LOW_LATENCY_1
) - penggunaan tujuan umum (
MOBILE_TF_VERSATILE_1
) - kualitas prediksi lebih tinggi (
MOBILE_TF_HIGH_ACCURACY_1
)
Pilih tab di bawah untuk bahasa atau lingkungan Anda:
REST
Sebelum menggunakan permintaan data mana pun, buat pengganti berikut:
- LOCATION: Region tempat set data berada dan Model dibuat. Misalnya,
us-central1
. - PROJECT: Project ID Anda.
- TRAININGPIPELINE_DISPLAYNAME: Wajib diisi. Nama tampilan untuk trainingPipeline.
- DATASET_ID: Nomor ID set data yang akan digunakan untuk pelatihan.
fractionSplit
: Opsional. Salah satu dari beberapa kemungkinan ML menggunakan opsi terpisah untuk data Anda. UntukfractionSplit
, nilai harus berjumlah 1. Misalnya:-
{"trainingFraction": "0.7","validationFraction": "0.15","testFraction": "0.15"}
-
- MODEL_DISPLAYNAME*: Nama tampilan untuk model yang diupload (dibuat) oleh TrainingPipeline.
- MODEL_DESCRIPTION*: Deskripsi model.
- modelToUpload.labels*: Kumpulan key-value pair apa pun untuk mengatur model Anda. Misalnya:
- "env": "prod"
- "tier": "backend"
- EDGE_MODELTYPE†: Jenis model Edge yang akan dilatih. Opsinya adalah:
MOBILE_TF_LOW_LATENCY_1
MOBILE_TF_VERSATILE_1
MOBILE_TF_HIGH_ACCURACY_1
- NODE_HOUR_BUDGET†: Biaya pelatihan yang sebenarnya akan berjumlah sama atau kurang dari nilai ini. Untuk model Cloud, anggarannya harus: 20.000 - 900.000 mili jam kerja node (inklusif). Nilai defaultnya adalah 216.000 yang mewakili satu hari dalam waktu proses, dengan asumsi 9 node digunakan.
- PROJECT_NUMBER: Nomor project yang dibuat secara otomatis untuk project Anda
* | Deskripsi file skema yang Anda tentukan di trainingTaskDefinition menjelaskan penggunaan kolom ini. |
† | File skema yang Anda tentukan dalam trainingTaskDefinition mendeklarasikan dan mendeskripsikan kolom ini. |
Metode HTTP dan URL:
POST https://LOCATION-aiplatform.googleapis.com/v1/projects/PROJECT/locations/LOCATION/trainingPipelines
Isi JSON permintaan:
{ "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 } }
Untuk mengirim permintaan Anda, pilih salah satu opsi berikut:
curl
Simpan isi permintaan dalam file bernama request.json
,
dan jalankan perintah berikut:
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
Simpan isi permintaan dalam file bernama request.json
,
dan jalankan perintah berikut:
$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
Respons ini berisi informasi tentang spesifikasi serta TRAININGPIPELINE_ID.
Anda bisa mendapatkan status tugas trainingPipeline menggunakan TRAININGPIPELINE_ID.
Video
Pilih tab di bawah ini untuk tujuan Anda:
Pengenalan tindakan
Saat pelatihan, pilih jenis AutoML edge berikut:
MOBILE_VERSATILE_1
: penggunaan tujuan umum
REST
Sebelum menggunakan salah satu data permintaan, lakukan penggantian berikut:
- PROJECT: Project ID Anda.
- LOCATION: Region tempat set data berada dan Model dibuat. Misalnya,
us-central1
. - TRAINING_PIPELINE_DISPLAY_NAME: Harus ada. Nama tampilan untuk TrainingPipeline.
- DATASET_ID: ID untuk Set data pelatihan.
-
TRAINING_FRACTION, TEST_FRACTION:
Objek
fractionSplit
bersifat opsional; Anda menggunakannya untuk mengontrol pemisahan data. Untuk mengetahui informasi selengkapnya cara mengontrol pemisahan data, lihat Tentang pemisahan data untuk model AutoML. Misalnya:{"trainingFraction": "0.8","validationFraction": "0","testFraction": "0.2"}
- MODEL_DISPLAY_NAME: Nama tampilan Model yang dilatih.
- MODEL_DESCRIPTION: Deskripsi untuk Model.
- MODEL_LABELS: Kumpulan key-value pair apa pun untuk mengatur model Anda. Contoh:
- "env": "prod"
- "tier": "backend"
- EDGE_MODEL_TYPE:
MOBILE_VERSATILE_1
: penggunaan tujuan umum
- PROJECT_NUMBER: Nomor project yang dibuat secara otomatis untuk project Anda
Metode HTTP dan URL:
POST https://LOCATION-aiplatform.googleapis.com/beta1/projects/PROJECT/locations/LOCATION/trainingPipelines
Isi JSON permintaan:
{ "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"], } }
Untuk mengirim permintaan Anda, pilih salah satu opsi berikut:
curl
Simpan isi permintaan dalam file bernama request.json
,
dan jalankan perintah berikut:
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
Simpan isi permintaan dalam file bernama request.json
,
dan jalankan perintah berikut:
$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
Respons ini berisi informasi tentang spesifikasi serta TRAININGPIPELINE_ID.
Anda bisa mendapatkan status progres trainingPipeline untuk melihat kapan prosesnya selesai.Klasifikasi
Saat pelatihan, pilih jenis AutoML edge berikut:
MOBILE_VERSATILE_1
: penggunaan tujuan umum
REST
Sebelum menggunakan salah satu data permintaan, lakukan penggantian berikut:
- PROJECT: Project ID Anda.
- LOCATION: Region tempat set data berada dan Model dibuat. Misalnya,
us-central1
. - TRAINING_PIPELINE_DISPLAY_NAME: Harus ada. Nama tampilan untuk TrainingPipeline.
- DATASET_ID: ID untuk Set data pelatihan.
-
TRAINING_FRACTION, TEST_FRACTION:
Objek
fractionSplit
bersifat opsional; Anda menggunakannya untuk mengontrol pemisahan data. Untuk mengetahui informasi selengkapnya cara mengontrol pemisahan data, lihat Tentang pemisahan data untuk model AutoML. Misalnya:{"trainingFraction": "0.8","validationFraction": "0","testFraction": "0.2"}
- MODEL_DISPLAY_NAME: Nama tampilan Model yang dilatih.
- MODEL_DESCRIPTION: Deskripsi untuk Model.
- MODEL_LABELS: Kumpulan key-value pair apa pun untuk mengatur model Anda. Contoh:
- "env": "prod"
- "tier": "backend"
- EDGE_MODEL_TYPE:
MOBILE_VERSATILE_1
: penggunaan tujuan umum
- PROJECT_NUMBER: Nomor project yang dibuat secara otomatis untuk project Anda
Metode HTTP dan URL:
POST https://LOCATION-aiplatform.googleapis.com/beta1/projects/PROJECT/locations/LOCATION/trainingPipelines
Isi JSON permintaan:
{ "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"], } }
Untuk mengirim permintaan Anda, pilih salah satu opsi berikut:
curl
Simpan isi permintaan dalam file bernama request.json
,
dan jalankan perintah berikut:
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
Simpan isi permintaan dalam file bernama request.json
,
dan jalankan perintah berikut:
$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
Respons ini berisi informasi tentang spesifikasi serta TRAININGPIPELINE_ID.
Anda bisa mendapatkan status progres trainingPipeline untuk melihat kapan prosesnya selesai.Pelacakan objek
Saat pelatihan, pilih jenis AutoML edge:
MOBILE_VERSATILE_1
: penggunaan tujuan umumMOBILE_CORAL_VERSATILE_1
: kualitas prediksi lebih tinggi untuk Google CoralMOBILE_CORAL_LOW_LATENCY_1
: latensi lebih rendah untuk Google CoralMOBILE_JETSON_VERSATILE_1
: kualitas prediksi lebih tinggi untuk NVIDIA JetsonMOBILE_JETSON_LOW_LATENCY_1
: latensi lebih rendah untuk NVIDIA Jetson
REST
Sebelum menggunakan salah satu data permintaan, lakukan penggantian berikut:
- PROJECT: Project ID Anda.
- LOCATION: Region tempat set data berada dan Model dibuat. Misalnya,
us-central1
. - TRAINING_PIPELINE_DISPLAY_NAME: Harus ada. Nama tampilan untuk TrainingPipeline.
- DATASET_ID: ID untuk Set data pelatihan.
-
TRAINING_FRACTION, TEST_FRACTION:
Objek
fractionSplit
bersifat opsional; Anda menggunakannya untuk mengontrol pemisahan data. Untuk mengetahui informasi selengkapnya cara mengontrol pemisahan data, lihat Tentang pemisahan data untuk model AutoML. Misalnya:{"trainingFraction": "0.8","validationFraction": "0","testFraction": "0.2"}
- MODEL_DISPLAY_NAME: Nama tampilan Model yang dilatih.
- MODEL_DESCRIPTION: Deskripsi untuk Model.
- MODEL_LABELS: Kumpulan key-value pair apa pun untuk mengatur model Anda. Contoh:
- "env": "prod"
- "tier": "backend"
- EDGE_MODEL_TYPE: Salah satu dari opsi berikut:
MOBILE_VERSATILE_1
: penggunaan tujuan umumMOBILE_CORAL_VERSATILE_1
: kualitas prediksi lebih tinggi untuk Google CoralMOBILE_CORAL_LOW_LATENCY_1
: latensi lebih rendah untuk Google CoralMOBILE_JETSON_VERSATILE_1
: kualitas prediksi lebih tinggi untuk NVIDIA JetsonMOBILE_JETSON_LOW_LATENCY_1
: latensi lebih rendah untuk NVIDIA Jetson
- PROJECT_NUMBER: Nomor project yang dibuat secara otomatis untuk project Anda
Metode HTTP dan URL:
POST https://LOCATION-aiplatform.googleapis.com/beta1/projects/PROJECT/locations/LOCATION/trainingPipelines
Isi JSON permintaan:
{ "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"], } }
Untuk mengirim permintaan Anda, pilih salah satu opsi berikut:
curl
Simpan isi permintaan dalam file bernama request.json
,
dan jalankan perintah berikut:
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
Simpan isi permintaan dalam file bernama request.json
,
dan jalankan perintah berikut:
$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
Respons ini berisi informasi tentang spesifikasi serta TRAININGPIPELINE_ID.
Anda bisa mendapatkan status progres trainingPipeline untuk melihat kapan prosesnya selesai.Mendapatkan status trainingPipeline
Gunakan kode berikut untuk mendapatkan status pembuatan trainingPipeline secara terprogram.
REST
Sebelum menggunakan salah satu data permintaan, lakukan penggantian berikut:
- LOCATION: Region tempat TrainingPipeline berada.
- PROJECT: Project ID Anda.
- TRAININGPIPELINE_ID: ID TrainingPipeline tertentu.
- PROJECT_NUMBER: Nomor project yang dibuat secara otomatis untuk project Anda
Metode HTTP dan URL:
GET https://LOCATION-aiplatform.googleapis.com/v1/projects/PROJECT/locations/LOCATION/trainingPipelines/TRAININGPIPELINE_ID
Untuk mengirim permintaan Anda, pilih salah satu opsi berikut:
curl
Jalankan perintah berikut:
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
Jalankan perintah berikut:
$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
Kolom "state"
menampilkan status operasi saat ini. TrainingPipeline yang telah selesai
akan menunjukkan
Anda akan melihat output yang mirip dengan berikut ini untuk operasi pembuatan trainingPipeline yang telah selesai:
Java
Sebelum mencoba contoh ini, ikuti petunjuk penyiapan Java di Panduan memulai Vertex AI menggunakan library klien. Untuk mengetahui informasi selengkapnya, lihat Dokumentasi referensi API Java Vertex AI.
Untuk melakukan autentikasi ke Vertex AI, siapkan Kredensial Default Aplikasi. Untuk mengetahui informasi selengkapnya, baca Menyiapkan autentikasi untuk lingkungan pengembangan lokal.
Python
Untuk mempelajari cara menginstal atau mengupdate Vertex AI SDK untuk Python, lihat Menginstal Vertex AI SDK untuk Python. Untuk mengetahui informasi selengkapnya, lihat dokumentasi referensi Python API.
Mendapatkan informasi model
Setelah pembuatan trainingPipeline selesai, Anda dapat menggunakan nama tampilan model untuk mendapatkan informasi model yang lebih mendetail.
REST
Sebelum menggunakan salah satu data permintaan, lakukan penggantian berikut:
- LOCATION: Region tempat Model berada. Misalnya,
us-central1
- PROJECT: Project ID Anda.
- MODEL_DISPLAYNAME: Nama tampilan model yang Anda tentukan saat membuat tugas trainingPipeline.
- PROJECT_NUMBER: Nomor project yang dibuat secara otomatis untuk project Anda
Metode HTTP dan URL:
GET https://LOCATION-aiplatform.googleapis.com/v1/projects/PROJECT/locations/LOCATION/models?filter=display_name=MODEL_DISPLAYNAME
Untuk mengirim permintaan Anda, pilih salah satu opsi berikut:
curl
Jalankan perintah berikut:
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
Jalankan perintah berikut:
$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
Anda akan melihat output yang mirip dengan berikut ini untuk model AutoML Edge terlatih. Contoh output berikut adalah untuk model AutoML Edge gambar:
Java
Sebelum mencoba contoh ini, ikuti petunjuk penyiapan Java di Panduan memulai Vertex AI menggunakan library klien. Untuk mengetahui informasi selengkapnya, lihat Dokumentasi referensi API Java Vertex AI.
Untuk melakukan autentikasi ke Vertex AI, siapkan Kredensial Default Aplikasi. Untuk mengetahui informasi selengkapnya, baca Menyiapkan autentikasi untuk lingkungan pengembangan lokal.
Node.js
Sebelum mencoba contoh ini, ikuti petunjuk penyiapan Node.js di Panduan memulai Vertex AI menggunakan library klien. Untuk mengetahui informasi selengkapnya, lihat Dokumentasi referensi API Node.js Vertex AI.
Untuk melakukan autentikasi ke Vertex AI, siapkan Kredensial Default Aplikasi. Untuk mengetahui informasi selengkapnya, baca Menyiapkan autentikasi untuk lingkungan pengembangan lokal.
Python
Untuk mempelajari cara menginstal atau mengupdate Vertex AI SDK untuk Python, lihat Menginstal Vertex AI SDK untuk Python. Untuk mengetahui informasi selengkapnya, lihat dokumentasi referensi Python API.