Dati immagine di Hello: addestramento di un modello di classificazione delle immagini AutoML
Mantieni tutto organizzato con le raccolte
Salva e classifica i contenuti in base alle tue preferenze.
Utilizza la Google Cloud console per addestrare un modello di classificazione delle immagini AutoML.
Dopo aver creato il set di dati e importato i dati, utilizza la consoleGoogle Cloud per esaminare le immagini di addestramento e iniziare l'addestramento del modello.
Ogni pagina presuppone che tu abbia già eseguito le istruzioni riportate nelle pagine precedenti del tutorial.
Rivedi le immagini importate
Dopo l'importazione del set di dati, viene visualizzata la scheda Sfoglia. Puoi anche accedere
a questa scheda selezionando Set di dati dal menu. Seleziona il
set di annotazioni (insieme di annotazioni di immagini con etichetta singola) associato al
nuovo set di dati.
Seleziona Crea per aprire la finestra Addestra nuovo modello.
Seleziona Seleziona metodo di addestramento e il set di dati di destinazione se non sono selezionati automaticamente. Assicurati che il pulsante di opzione radio_button_checkedAutoML sia selezionato e poi scegli CONTINUA.
(Facoltativo) Seleziona Definisci il modello e inserisci il nome del modello. Fai clic su CONTINUA.
Seleziona Opzioni di addestramento. Seleziona un'opzione di modello in base alle tue esigenze di accuratezza e latenza. Se vuoi, attiva l'addestramento incrementale e fai clic su CONTINUA.
Di seguito sono riportate alcune considerazioni sull'addestramento incrementale:
L'addestramento incrementale può essere attivato se è presente almeno un modello di base
che è stato addestrato in questo progetto con lo stesso scopo.
L'addestramento incrementale ti consente di utilizzare un modello di base esistente come punto di partenza per addestrare un nuovo modello anziché addestrare un nuovo modello da zero.
L'addestramento incrementale in genere consente di completare l'addestramento più rapidamente e di risparmiare tempo.
Il modello di base può essere addestrato da un set di dati diverso.
Seleziona Compute e prezzi. Specifica un budget per ora nodo di 8 ore nodo. Seleziona Inizia addestramento.
Il budget in ore nodo è il tempo massimo (può variare leggermente) impiegato dal modello per l'addestramento. Questo valore viene moltiplicato per il
prezzo per ora nodo
per calcolare il costo totale dell'addestramento. Più ore di addestramento comportano un modello più accurato (fino a un certo punto), ma anche un costo più elevato. Per scopi di sviluppo, un budget ridotto va bene, ma per la produzione è importante trovare un equilibrio tra costo e accuratezza.
L'addestramento richiede diverse ore. Al termine dell'addestramento del modello viene inviata una notifica via email.
[[["Facile da capire","easyToUnderstand","thumb-up"],["Il problema è stato risolto","solvedMyProblem","thumb-up"],["Altra","otherUp","thumb-up"]],[["Difficile da capire","hardToUnderstand","thumb-down"],["Informazioni o codice di esempio errati","incorrectInformationOrSampleCode","thumb-down"],["Mancano le informazioni o gli esempi di cui ho bisogno","missingTheInformationSamplesINeed","thumb-down"],["Problema di traduzione","translationIssue","thumb-down"],["Altra","otherDown","thumb-down"]],["Ultimo aggiornamento 2025-09-04 UTC."],[],[],null,["# Hello image data: Train an AutoML image classification model\n\nUse the Google Cloud console to train an AutoML image classification model.\nAfter your dataset is created and data is imported, use the\nGoogle Cloud console to review the training images and begin model\ntraining.\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.\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.](/vertex-ai/docs/tutorials/image-classification-automl/deploy-predict)\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\nReview imported images\n----------------------\n\nAfter the dataset import, you are taken to the **Browse** tab. You can also access\nthis tab by selecting **Datasets** from the menu. Select the\n**annotation set** (set of single-label image annotations) associated with your\nnew dataset.\n| **Key point:** An *annotation set* is the collection of annotations associated with a data type and a specific objective (image data type, classification objective in this case). For more information about *annotation sets* , see [Creating an annotation\n| set](/vertex-ai/docs/datasets/create-annotation-set).\n\n[Go to the Datasets page](https://console.cloud.google.com/vertex-ai/datasets)\n\nBegin AutoML model training\n---------------------------\n\nChoose one of the following options to begin training:\n\n- Choose **Train new model**.\n\n- Select **Models** from the menu, and select **Create**.\n\n1. [Go to the Models page](https://console.cloud.google.com/vertex-ai/models)\n\n2. Select **Create** to open the **Train new model** window.\n\n3. Select **Select Training method** , and select the **target Dataset**\n if they are not automatically selected. Make sure\n the radio_button_checked**AutoML**\n radio button is selected, and then choose **CONTINUE**.\n\n4. (Optional) Select **Define your model** , and enter the **Model name** . Click **CONTINUE**.\n\n5. Select **Train options** . Select a model option according to your accuracy and latency needs. Optionally, enable incremental training and click **CONTINUE**.\n\n Incremental training considerations follow:\n - Incremental training can be enabled when there is at least one base model that has been trained in this project with the same objective.\n - Incremental training lets you use an existing base model as a starting point to train a new model rather than training a new model from scratch.\n - Incremental training generally helps training to occur faster and saves training time.\n - The base model can be trained from a different dataset.\n\n6. Select **Compute and pricing** . Specify a node-hour budget of **8 node hours** . Select **Start training**.\n\n Node-hour budget is the maximum time (may vary slightly) that the model\n spends training. This value is multiplied by the\n [price per node hour](/vertex-ai/pricing#automl_models)\n to calculate to total training cost. More training hours results in a more\n accurate (up to a point) model but results in a higher cost. For development\n purposes, a low budget is fine but for production it's important to strike a\n balance between cost and accuracy.\n\nTraining takes several hours. An email notification is sent when the model training completes.\n\nWhat's next\n-----------\n\nFollow the [next page of this tutorial](/vertex-ai/docs/tutorials/image-classification-automl/error-analysis) to check the\nperformance of your trained AutoML model and explore ways of making it better.\n\nFollow [Deploy a model to an endpoint and make a prediction](/vertex-ai/docs/tutorials/image-classification-automl/deploy-predict) to deploy your trained AutoML model. An image is sent to the model for prediction."]]
