Puoi creare un modello AutoML direttamente in Cloud Console o creando una pipeline di addestramento in modo programmatico, utilizzando l'API o una delle librerie client di AI AI.
Puoi creare questo modello utilizzando un set di dati preparato. Puoi creare questo set di dati nella console o utilizzando l'API. L'API Vertex AI utilizza gli elementi dal set di dati per addestrare il modello, testarlo e valutare le prestazioni del modello. Esamina i risultati delle valutazioni, modifica il set di dati di addestramento in base alle esigenze e crea una nuova pipeline di addestramento utilizzando il set di dati migliorato.
L'addestramento del modello può richiedere diverse ore. L'API Vertex AI ti consente di ottenere lo stato dell'addestramento.
Crea una pipeline di addestramento AutoML Edge
Se disponi di un set di dati con un set rappresentativo di elementi di addestramento, puoi creare una pipeline di addestramento AutoML Edge.
Seleziona un tipo di dati.
Immagine
Seleziona la scheda seguente per il tuo obiettivo:
Classificazione
Al momento dell'addestramento, puoi scegliere il tipo di modello AutoML Edge che preferisci, a seconda del caso d'uso specifico:
- bassa latenza (
MOBILE_TF_LOW_LATENCY_1
) - utilizzo per uso generico (
MOBILE_TF_VERSATILE_1
) - qualità della previsione più elevata (
MOBILE_TF_HIGH_ACCURACY_1
)
Seleziona la scheda relativa alla tua lingua o al tuo ambiente qui sotto:
REST &CMD LINE
Prima di utilizzare uno qualsiasi dei dati della richiesta, effettua le seguenti sostituzioni:
- LOCATION: area geografica in cui si trova il set di dati e viene creato un modello. Ad esempio us-central1.
- PROJECT: ID o numero del progetto.
- TRAININGPIPELINE_DISPLAYNAME: campo obbligatorio. Un nome visualizzato per la pipelinePipe training.
- DATASET_ID: il numero ID del set di dati da utilizzare per l'addestramento.
- fractionSplit: facoltativo. Uno dei numerosi possibili ML utilizza le opzioni di suddivisione per i dati. Per
fractionSplit
, i valori devono essere pari a 1. Ad esempio:-
{"trainingFraction": "0.7","validationFraction": "0.15","testFraction": "0.15"}
-
- MODEL_DISPLAYNAME*: un nome visualizzato per il modello caricato (creato) dalla TrainingPipeline.
- MODEL_DESCRIPTION*: una descrizione del modello.
- modelToUpload.labels*: qualsiasi insieme di coppie chiave-valore per organizzare i tuoi
modelli. Ad esempio:
- "env": "prod"
- "tier": "backend"
- EDGE_MODELTYPE†: il tipo di modello Edge da addestrare. Le opzioni sono:
MOBILE_TF_LOW_LATENCY_1
MOBILE_TF_VERSATILE_1
MOBILE_TF_HIGH_ACCURACY_1
- NODE_HOUR_BUDGET†: il costo effettivo dell'addestramento sarà uguale o inferiore a questo valore. Per i modelli Edge il budget deve essere compreso tra 1.000 e 100.000 millisecondi (incluse).
- PROJECT_NUMBER: numero del progetto (visualizzato nella risposta)
* | La descrizione del file di schema specificata in trainingTaskDefinition descrive l'utilizzo
di questo campo. |
† | Il file dello schema specificato in trainingTaskDefinition dichiara e descrive questo campo. |
Metodo HTTP e URL:
POST https://LOCATION-aiplatform.googleapis.com/v1/projects/PROJECT/locations/LOCATION/trainingPipelines
Corpo JSON richiesta:
{ "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 } }
Per inviare la richiesta, scegli una delle seguenti opzioni:
Curling
Salva il corpo della richiesta in un file denominato request.json
ed esegui il seguente comando:
curl -X POST \
-H "Authorization: Bearer "$(gcloud auth application-default 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
Salva il corpo della richiesta in un file denominato request.json
ed esegui il seguente comando:
$cred = gcloud auth application-default 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
La risposta contiene informazioni sulle specifiche e sull'TRAININGPIPELINE_ID.
Puoi recuperare lo stato del job di trainingPipeline utilizzando TRAININGPIPELINE_ID.
Classificazione
Al momento dell'addestramento, puoi scegliere il tipo di modello AutoML Edge che preferisci, a seconda del caso d'uso specifico:
- bassa latenza (
MOBILE_TF_LOW_LATENCY_1
) - utilizzo per uso generico (
MOBILE_TF_VERSATILE_1
) - qualità della previsione più elevata (
MOBILE_TF_HIGH_ACCURACY_1
)
Seleziona la scheda relativa alla tua lingua o al tuo ambiente qui sotto:
REST &CMD LINE
Prima di utilizzare uno qualsiasi dei dati della richiesta, effettua le seguenti sostituzioni:
- LOCATION: area geografica in cui si trova il set di dati e viene creato un modello. Ad esempio us-central1.
- PROJECT: ID o numero del progetto.
- TRAININGPIPELINE_DISPLAYNAME: campo obbligatorio. Un nome visualizzato per la pipelinePipe training.
- DATASET_ID: il numero ID del set di dati da utilizzare per l'addestramento.
- fractionSplit: facoltativo. Uno dei numerosi possibili ML utilizza le opzioni di suddivisione per i dati. Per
fractionSplit
, i valori devono essere pari a 1. Ad esempio:-
{"trainingFraction": "0.7","validationFraction": "0.15","testFraction": "0.15"}
-
- MODEL_DISPLAYNAME*: un nome visualizzato per il modello caricato (creato) dalla TrainingPipeline.
- MODEL_DESCRIPTION*: una descrizione del modello.
- modelToUpload.labels*: qualsiasi insieme di coppie chiave-valore per organizzare i tuoi
modelli. Ad esempio:
- "env": "prod"
- "tier": "backend"
- EDGE_MODELTYPE†: il tipo di modello Edge da addestrare. Le opzioni sono:
MOBILE_TF_LOW_LATENCY_1
MOBILE_TF_VERSATILE_1
MOBILE_TF_HIGH_ACCURACY_1
- NODE_HOUR_BUDGET†: il costo effettivo dell'addestramento sarà uguale o inferiore a questo valore. Per i modelli Edge il budget deve essere compreso tra 1.000 e 100.000 millisecondi (incluse).
- PROJECT_NUMBER: numero del progetto (visualizzato nella risposta)
* | La descrizione del file di schema specificata in trainingTaskDefinition descrive l'utilizzo
di questo campo. |
† | Il file dello schema specificato in trainingTaskDefinition dichiara e descrive questo campo. |
Metodo HTTP e URL:
POST https://LOCATION-aiplatform.googleapis.com/v1/projects/PROJECT/locations/LOCATION/trainingPipelines
Corpo JSON richiesta:
{ "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 } }
Per inviare la richiesta, scegli una delle seguenti opzioni:
Curling
Salva il corpo della richiesta in un file denominato request.json
ed esegui il seguente comando:
curl -X POST \
-H "Authorization: Bearer "$(gcloud auth application-default 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
Salva il corpo della richiesta in un file denominato request.json
ed esegui il seguente comando:
$cred = gcloud auth application-default 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
La risposta contiene informazioni sulle specifiche e sull'TRAININGPIPELINE_ID.
Puoi recuperare lo stato del job di trainingPipeline utilizzando TRAININGPIPELINE_ID.
Rilevamento di oggetti
Al momento dell'addestramento, puoi scegliere il tipo di modello AutoML Edge che preferisci, a seconda del caso d'uso specifico:
- bassa latenza (
MOBILE_TF_LOW_LATENCY_1
) - utilizzo per uso generico (
MOBILE_TF_VERSATILE_1
) - qualità della previsione più elevata (
MOBILE_TF_HIGH_ACCURACY_1
)
Seleziona la scheda relativa alla tua lingua o al tuo ambiente qui sotto:
REST &CMD LINE
Prima di utilizzare uno qualsiasi dei dati della richiesta, effettua le seguenti sostituzioni:
- LOCATION: area geografica in cui si trova il set di dati e viene creato un modello. Ad esempio us-central1.
- PROJECT: ID o numero del progetto.
- TRAININGPIPELINE_DISPLAYNAME: campo obbligatorio. Un nome visualizzato per la pipelinePipe training.
- DATASET_ID: il numero ID del set di dati da utilizzare per l'addestramento.
fractionSplit
: facoltativo. Uno dei numerosi possibili ML utilizza le opzioni di suddivisione per i dati. PerfractionSplit
, i valori devono essere pari a 1. Ad esempio:-
{"trainingFraction": "0.7","validationFraction": "0.15","testFraction": "0.15"}
-
- MODEL_DISPLAYNAME*: un nome visualizzato per il modello caricato (creato) dalla TrainingPipeline.
- MODEL_DESCRIPTION*: una descrizione del modello.
- modelToUpload.labels*: qualsiasi insieme di coppie chiave-valore per organizzare i tuoi
modelli. Ad esempio:
- "env": "prod"
- "tier": "backend"
- EDGE_MODELTYPE†: il tipo di modello Edge da addestrare. Le opzioni sono:
MOBILE_TF_LOW_LATENCY_1
MOBILE_TF_VERSATILE_1
MOBILE_TF_HIGH_ACCURACY_1
- NODE_HOUR_BUDGET†: il costo effettivo dell'addestramento sarà uguale o inferiore a questo valore. Per i modelli Cloud, il budget deve essere compreso tra 20.000 e 900.000 millisecondi (incluse). Il valore predefinito è 216.000,che rappresenta un giorno di durata totale, supponendo che vengano utilizzati 9 nodi.
- PROJECT_NUMBER: numero del progetto (visualizzato nella risposta)
* | La descrizione del file di schema specificata in trainingTaskDefinition descrive l'utilizzo
di questo campo. |
† | Il file dello schema specificato in trainingTaskDefinition dichiara e descrive questo campo. |
Metodo HTTP e URL:
POST https://LOCATION-aiplatform.googleapis.com/v1/projects/PROJECT/locations/LOCATION/trainingPipelines
Corpo JSON richiesta:
{ "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 } }
Per inviare la richiesta, scegli una delle seguenti opzioni:
Curling
Salva il corpo della richiesta in un file denominato request.json
ed esegui il seguente comando:
curl -X POST \
-H "Authorization: Bearer "$(gcloud auth application-default 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
Salva il corpo della richiesta in un file denominato request.json
ed esegui il seguente comando:
$cred = gcloud auth application-default 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
La risposta contiene informazioni sulle specifiche e sull'TRAININGPIPELINE_ID.
Puoi recuperare lo stato del job di trainingPipeline utilizzando TRAININGPIPELINE_ID.
Video
Seleziona la scheda seguente per il tuo obiettivo:
Riconoscimento delle azioni
Al momento dell'addestramento, scegli il seguente tipo di Edge AutoML:
MOBILE_VERSATILE_1
: utilizzo generico
REST &CMD LINE
Prima di utilizzare uno qualsiasi dei dati della richiesta, effettua le seguenti sostituzioni:
- PROJECT: ID o numero del progetto.
- LOCATION: area geografica in cui si trova il set di dati e viene creato un modello. Ad esempio us-central1.
- TRAINING_PIPELINE_DISPLAY_NAME: campo obbligatorio. Un nome visualizzato per TrainingPipeline.
- DATASET_ID: ID del set di dati di addestramento.
-
TRAINING_FRACTION, TEST_FRACTION:
l'oggetto
fractionSplit
è facoltativo, puoi utilizzarlo per controllare la suddivisione dati. Per ulteriori informazioni sul controllo della suddivisione dati, vedi Informazioni sulle suddivisioni dei dati per i modelli AutoML. Ad esempio:{"trainingFraction": "0.8","validationFraction": "0","testFraction": "0.2"}
- MODEL_DISPLAY_NAME: nome visualizzato del modello addestrato.
- MODEL_DESCRIPTION: una descrizione per il modello.
- MODEL_LABELS: qualsiasi insieme di coppie chiave-valore per organizzare i modelli. Ad esempio:
- "env": "prod"
- "tier": "backend"
- EDGE_MODEL_TYPE:
MOBILE_VERSATILE_1
: utilizzo generico
- PROJECT_NUMBER: numero del progetto (visualizzato nella risposta)
Metodo HTTP e URL:
POST https://LOCATION-aiplatform.googleapis.com/beta1/projects/PROJECT/locations/LOCATION/trainingPipelines
Corpo JSON richiesta:
{ "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"], } }
Per inviare la richiesta, scegli una delle seguenti opzioni:
Curling
Salva il corpo della richiesta in un file denominato request.json
ed esegui il seguente comando:
curl -X POST \
-H "Authorization: Bearer "$(gcloud auth application-default 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
Salva il corpo della richiesta in un file denominato request.json
ed esegui il seguente comando:
$cred = gcloud auth application-default 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
La risposta contiene informazioni sulle specifiche e sull'TRAININGPIPELINE_ID.
Puoi ottenere lo stato dell'avanzamento di trainingPipeline per vedere quando finisce.Classificazione
Al momento dell'addestramento, scegli il seguente tipo di Edge AutoML:
MOBILE_VERSATILE_1
: utilizzo generico
REST &CMD LINE
Prima di utilizzare uno qualsiasi dei dati della richiesta, effettua le seguenti sostituzioni:
- PROJECT: ID o numero del progetto.
- LOCATION: area geografica in cui si trova il set di dati e viene creato un modello. Ad esempio us-central1.
- TRAINING_PIPELINE_DISPLAY_NAME: campo obbligatorio. Un nome visualizzato per TrainingPipeline.
- DATASET_ID: ID del set di dati di addestramento.
-
TRAINING_FRACTION, TEST_FRACTION:
l'oggetto
fractionSplit
è facoltativo, puoi utilizzarlo per controllare la suddivisione dati. Per ulteriori informazioni sul controllo della suddivisione dati, vedi Informazioni sulle suddivisioni dei dati per i modelli AutoML. Ad esempio:{"trainingFraction": "0.8","validationFraction": "0","testFraction": "0.2"}
- MODEL_DISPLAY_NAME: nome visualizzato del modello addestrato.
- MODEL_DESCRIPTION: una descrizione per il modello.
- MODEL_LABELS: qualsiasi insieme di coppie chiave-valore per organizzare i modelli. Ad esempio:
- "env": "prod"
- "tier": "backend"
- EDGE_MODEL_TYPE:
MOBILE_VERSATILE_1
: utilizzo generico
- PROJECT_NUMBER: numero del progetto (visualizzato nella risposta)
Metodo HTTP e URL:
POST https://LOCATION-aiplatform.googleapis.com/beta1/projects/PROJECT/locations/LOCATION/trainingPipelines
Corpo JSON richiesta:
{ "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"], } }
Per inviare la richiesta, scegli una delle seguenti opzioni:
Curling
Salva il corpo della richiesta in un file denominato request.json
ed esegui il seguente comando:
curl -X POST \
-H "Authorization: Bearer "$(gcloud auth application-default 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
Salva il corpo della richiesta in un file denominato request.json
ed esegui il seguente comando:
$cred = gcloud auth application-default 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
La risposta contiene informazioni sulle specifiche e sull'TRAININGPIPELINE_ID.
Puoi ottenere lo stato dell'avanzamento di trainingPipeline per vedere quando finisce.Monitoraggio oggetti
Al momento dell'addestramento, scegli il tipo di bordo AutoML:
MOBILE_VERSATILE_1
: utilizzo genericoMOBILE_CORAL_VERSATILE_1
: qualità della previsione più elevata per Google CoralMOBILE_CORAL_LOW_LATENCY_1
: latenza più bassa per Google CoralMOBILE_JETSON_VERSATILE_1
: qualità della previsione più elevata per NVIDIA JetsonMOBILE_JETSON_LOW_LATENCY_1
: latenza più bassa per NVIDIA Jetson
REST &CMD LINE
Prima di utilizzare uno qualsiasi dei dati della richiesta, effettua le seguenti sostituzioni:
- PROJECT: ID o numero del progetto.
- LOCATION: area geografica in cui si trova il set di dati e viene creato un modello. Ad esempio us-central1.
- TRAINING_PIPELINE_DISPLAY_NAME: campo obbligatorio. Un nome visualizzato per TrainingPipeline.
- DATASET_ID: ID del set di dati di addestramento.
-
TRAINING_FRACTION, TEST_FRACTION:
l'oggetto
fractionSplit
è facoltativo, puoi utilizzarlo per controllare la suddivisione dati. Per ulteriori informazioni sul controllo della suddivisione dati, vedi Informazioni sulle suddivisioni dei dati per i modelli AutoML. Ad esempio:{"trainingFraction": "0.8","validationFraction": "0","testFraction": "0.2"}
- MODEL_DISPLAY_NAME: nome visualizzato del modello addestrato.
- MODEL_DESCRIPTION: una descrizione per il modello.
- MODEL_LABELS: qualsiasi insieme di coppie chiave-valore per organizzare i modelli. Ad esempio:
- "env": "prod"
- "tier": "backend"
- EDGE_MODEL_TYPE: uno dei seguenti:
MOBILE_VERSATILE_1
: utilizzo genericoMOBILE_CORAL_VERSATILE_1
: qualità della previsione più elevata per Google CoralMOBILE_CORAL_LOW_LATENCY_1
: latenza più bassa per Google CoralMOBILE_JETSON_VERSATILE_1
: qualità della previsione più elevata per NVIDIA JetsonMOBILE_JETSON_LOW_LATENCY_1
: latenza più bassa per NVIDIA Jetson
- PROJECT_NUMBER: numero del progetto (visualizzato nella risposta)
Metodo HTTP e URL:
POST https://LOCATION-aiplatform.googleapis.com/beta1/projects/PROJECT/locations/LOCATION/trainingPipelines
Corpo JSON richiesta:
{ "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"], } }
Per inviare la richiesta, scegli una delle seguenti opzioni:
Curling
Salva il corpo della richiesta in un file denominato request.json
ed esegui il seguente comando:
curl -X POST \
-H "Authorization: Bearer "$(gcloud auth application-default 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
Salva il corpo della richiesta in un file denominato request.json
ed esegui il seguente comando:
$cred = gcloud auth application-default print-access-token
$headers = @{ "Authorization" = "Bearer $cred" }
Invoke-WebRequest `
-Method POST `
-Headers $headers `
-ContentType: "application/json; charset=utf-8" `
-InFile request.json `
-Uri "https://LOCATION-aiplatform.googleapis.com/beta1/projects/PROJECT/locations/LOCATION/trainingPipelines" | Select-Object -Expand Content
La risposta contiene informazioni sulle specifiche e sull'TRAININGPIPELINE_ID.
Puoi ottenere lo stato dell'avanzamento di trainingPipeline per vedere quando finisce.Conoscere lo stato di trainingPipeline
Utilizza il seguente codice per ottenere a livello di programmazione lo stato della creazione di trainingPipeline.
REST &CMD LINE
Prima di utilizzare uno qualsiasi dei dati della richiesta, effettua le seguenti sostituzioni:
- LOCATION: area geografica in cui si trova TrainingPipeline.
- PROJECT: ID o numero del progetto.
- TRAININGPIPELINE_ID: l'ID della specifica TrainingPipeline.
- PROJECT_NUMBER: numero del progetto (visualizzato nella risposta)
Metodo HTTP e URL:
GET https://LOCATION-aiplatform.googleapis.com/v1/projects/PROJECT/locations/LOCATION/trainingPipelines/TRAININGPIPELINE_ID
Per inviare la richiesta, scegli una delle seguenti opzioni:
Curling
Esegui questo comando:
curl -X GET \
-H "Authorization: Bearer "$(gcloud auth application-default print-access-token) \
"https://LOCATION-aiplatform.googleapis.com/v1/projects/PROJECT/locations/LOCATION/trainingPipelines/TRAININGPIPELINE_ID"
PowerShell
Esegui questo comando:
$cred = gcloud auth application-default print-access-token
$headers = @{ "Authorization" = "Bearer $cred" }
Invoke-WebRequest `
-Method GET `
-Headers $headers `
-Uri "https://LOCATION-aiplatform.googleapis.com/v1/projects/PROJECT/locations/LOCATION/trainingPipelines/TRAININGPIPELINE_ID" | Select-Object -Expand Content
Il campo "state"
mostra lo stato attuale dell'operazione. Una pipeline di trainingPipeline completata
Dovresti vedere un output simile al seguente per una procedura di addestramento della pipeline completata.
Java
Per informazioni su come installare e utilizzare la libreria client per Vertex AI, consulta le librerie client di Vertex AI. Per maggiori informazioni, consulta la documentazione di riferimento dell'API Java di AI AI.
Python
Per informazioni su come installare e utilizzare la libreria client per Vertex AI, consulta le librerie client di Vertex AI. Per maggiori informazioni, consulta la documentazione di riferimento dell'API Python AI Vertex.
Chiedi informazioni sul modello
Una volta completata la creazione della pipeline di addestramento, puoi utilizzare il nome visualizzato del modello per ottenere informazioni più dettagliate sul modello.
REST &CMD LINE
Prima di utilizzare uno qualsiasi dei dati della richiesta, effettua le seguenti sostituzioni:
- LOCATION: area geografica in cui si trova il modello. Ad esempio us-central1
- PROJECT: ID o numero del progetto.
- MODEL_DISPLAYNAME: nome visualizzato del modello che hai specificato durante la creazione di un job trainingPipeline.
- PROJECT_NUMBER: numero del progetto (visualizzato nella risposta)
Metodo HTTP e URL:
GET https://LOCATION-aiplatform.googleapis.com/v1/projects/PROJECT/locations/LOCATION/models?filter=display_name=MODEL_DISPLAYNAME
Per inviare la richiesta, scegli una delle seguenti opzioni:
Curling
Esegui questo comando:
curl -X GET \
-H "Authorization: Bearer "$(gcloud auth application-default print-access-token) \
"https://LOCATION-aiplatform.googleapis.com/v1/projects/PROJECT/locations/LOCATION/models?filter=display_name=MODEL_DISPLAYNAME "
PowerShell
Esegui questo comando:
$cred = gcloud auth application-default 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
Dovresti vedere un output simile al seguente per un modello AutoML Edge addestrato. Il seguente output di esempio riguarda un modello AutoML Edge di un'immagine:
Java
Per informazioni su come installare e utilizzare la libreria client per Vertex AI, consulta le librerie client di Vertex AI. Per maggiori informazioni, consulta la documentazione di riferimento dell'API Java di AI AI.
Node.js
Per informazioni su come installare e utilizzare la libreria client per Vertex AI, consulta le librerie client di Vertex AI. Per ulteriori informazioni, consulta la documentazione di riferimento dell'API Vertex AI.js.
Python
Per informazioni su come installare e utilizzare la libreria client per Vertex AI, consulta le librerie client di Vertex AI. Per maggiori informazioni, consulta la documentazione di riferimento dell'API Python AI Vertex.