Données d'images Hello : déployer un modèle sur un point de terminaison et envoyer une prédiction
Restez organisé à l'aide des collections
Enregistrez et classez les contenus selon vos préférences.
Une fois l'entraînement de votre modèle de classification d'images AutoML effectué, utilisez la consoleGoogle Cloud pour créer un point de terminaison et y déployer votre modèle. Une fois votre modèle déployé sur ce nouveau point de terminaison, envoyez une image au modèle pour la prédiction d'étiquette.
Sélectionnez votre modèle AutoML entraîné. L'onglet Évaluation s'affiche, dans lequel vous pouvez afficher les métriques de performances du modèle.
Sélectionnez l'onglet tabDéployer et tester.
Cliquez sur Déployer sur un point de terminaison.
Choisissez radio_button_checkedCréer un point de terminaison, définissez le nom du point de terminaison sur hello_automl_image, puis cliquez sur Continuer.
Dans Paramètres du modèle, acceptez la Répartition du trafic de100%, saisissez1 pour le Nombre de nœuds de calcul, puis cliquez sur OK.
Cliquez sur Déployer pour déployer votre modèle sur votre nouveau point de terminaison.
La création du point de terminaison et le déploiement du modèle AutoML sur le nouveau point de terminaison prennent plusieurs minutes.
Envoyer une prédiction au modèle
Une fois le point de terminaison créé, vous pouvez envoyer une requête individuelle d'annotation d'image (prédiction) dans la console Google Cloud .
Accédez à la section "Tester votre modèle" de l'onglet Déployer et tester que vous avez utilisé pour créer un point de terminaison à l'étape précédente (Modèles > your_model > Déployer et tester tab).
Cliquez sur Importer une image, choisissez une image enregistrée localement pour la prédiction et affichez son étiquette prédite.
Crédit image :
Simme Ye, Unsplash (image affichée dans la vue de l'interface utilisateur).
Sauf indication contraire, le contenu de cette page est régi par une licence Creative Commons Attribution 4.0, et les échantillons de code sont régis par une licence Apache 2.0. Pour en savoir plus, consultez les Règles du site Google Developers. Java est une marque déposée d'Oracle et/ou de ses sociétés affiliées.
Dernière mise à jour le 2025/09/04 (UTC).
[[["Facile à comprendre","easyToUnderstand","thumb-up"],["J'ai pu résoudre mon problème","solvedMyProblem","thumb-up"],["Autre","otherUp","thumb-up"]],[["Difficile à comprendre","hardToUnderstand","thumb-down"],["Informations ou exemple de code incorrects","incorrectInformationOrSampleCode","thumb-down"],["Il n'y a pas l'information/les exemples dont j'ai besoin","missingTheInformationSamplesINeed","thumb-down"],["Problème de traduction","translationIssue","thumb-down"],["Autre","otherDown","thumb-down"]],["Dernière mise à jour le 2025/09/04 (UTC)."],[],[],null,["# Hello image data: Deploy a model to an endpoint and send a prediction\n\nAfter your AutoML image classification model is done training, use the\nGoogle Cloud console to create an endpoint and deploy your model to\nthe endpoint. After your model is deployed to this new endpoint, send an image\nto the model for label prediction.\n\nThis tutorial has several pages:\n\n1. [Set up your project and environment.](/vertex-ai/docs/tutorials/image-classification-automl)\n\n2. [Create an image classification dataset, and\n import images.](/vertex-ai/docs/tutorials/image-classification-automl/dataset)\n\n3. [Train an AutoML image classification\n model.](/vertex-ai/docs/tutorials/image-classification-automl/training)\n\n4. [Evaluate and analyze model performance.](/vertex-ai/docs/tutorials/image-classification-automl/error-analysis)\n\n5. Deploy a model to an endpoint, and send a\n prediction.\n\n6. [Clean up your project.](/vertex-ai/docs/tutorials/image-classification-automl/cleanup)\n\nEach page assumes that you have already performed the instructions from the\nprevious pages of the tutorial.\n\nDeploy your model to an endpoint\n--------------------------------\n\nAccess your trained model to deploy it to a new or existing endpoint from\nthe Models page:\n\n1. In the Google Cloud console, in the Vertex AI section, go to\n the **Training** page.\n\n [Go to the Training page](https://console.cloud.google.com/vertex-ai/training)\n2. Select your trained AutoML model. This takes you to the **Evaluate** tab\n where you can view model performance metrics.\n\n3. Choose the tab **Deploy \\& test** tab.\n\n4. Click **Deploy to endpoint**.\n\n5. Choose radio_button_checked**Create new\n endpoint** , set the endpoint name to `hello_automl_image`, then click\n **Continue**.\n\n6. In **Model settings** , accept the **Traffic split** of\n **100%** , enter **1** in **Number of compute nodes** , then click **Done**.\n\n7. Click **Deploy** to deploy your model to your new endpoint.\n\nIt takes several minutes to create the endpoint and deploy the AutoML model\nto the new endpoint.\n\nSend a prediction to your model\n-------------------------------\n\nAfter the endpoint creation process finishes you can send a single image\nannotation (prediction) request in the Google Cloud console.\n\n1. Navigate to the \"Test your model\" section of the same **Deploy \\& test** tab\n you used to create an endpoint in the previous step\n (**Models \\\u003e \u003cvar translate=\"no\"\u003eyour_model\u003c/var\u003e \\\u003e tab Deploy \\& test**).\n\n2. Click **Upload image** and choose a locally saved image for prediction, and\n view its predicted label.\n\n *Image credit* : [Siming Ye, Unsplash](https://unsplash.com/photos/qE-_sYxOMa8) (*shown in UI view*).\n\nWhat's next\n-----------\n\nFollow the [last page of the tutorial](/vertex-ai/docs/tutorials/image-classification-automl/cleanup) to clean up\nresources that you have created."]]
