Introduzione all'addestramento personalizzato: addestramento di un modello di classificazione delle immagini personalizzato
Mantieni tutto organizzato con le raccolte
Salva e classifica i contenuti in base alle tue preferenze.
Questa pagina mostra come eseguire un'applicazione di addestramento TensorFlow Keras su
Vertex AI. Questo modello specifico addestra un modello di classificazione delle immagini
in grado di classificare i fiori in base al tipo.
Ogni pagina presuppone che tu abbia già eseguito le istruzioni delle pagine precedenti del tutorial.
Il resto di questo documento presuppone che tu stia utilizzando lo stesso ambiente Cloud Shell creato seguendo la prima pagina di questo tutorial. Se la sessione Cloud Shell originale non è più aperta, puoi tornare all'ambiente nel seguente modo:
In the Google Cloud console, activate Cloud Shell.
Nella sessione di Cloud Shell, esegui questo comando:
cdhello-custom-sample
Esegui una pipeline di addestramento personalizzata
Questa sezione descrive l'utilizzo del pacchetto di addestramento che hai caricato in Cloud Storage per eseguire una pipeline di addestramento personalizzato Vertex AI.
Nella console Google Cloud , nella sezione Vertex AI, vai alla pagina Pipeline di addestramento.
Fai clic su add_box
Crea per aprire il riquadro Addestra nuovo modello.
Nel passaggio Scegli il metodo di addestramento, segui questi passaggi:
Nell'elenco a discesa Set di dati, seleziona Nessun set di dati gestito. Questa
particolare applicazione di addestramento carica i dati dalla libreria TensorFlow
Datasets anziché da un set di dati gestito da Vertex AI.
Assicurati che sia selezionata l'opzione Addestramento personalizzato (avanzato).
Fai clic su Continua.
Nel passaggio Dettagli modello, nel campo Nome, inserisci
hello_custom. Fai clic su Continua.
Nel passaggio Container di addestramento, fornisci a Vertex AI le informazioni necessarie per utilizzare il pacchetto di addestramento che hai caricato in Cloud Storage:
Seleziona Container predefinito.
Nell'elenco a discesa Framework modello, seleziona TensorFlow.
Nell'elenco a discesa Versione framework modello, seleziona 2.3.
Nel campo Posizione pacchetto, inserisci
cloud-samples-data/ai-platform/hello-custom/hello-custom-sample-v1.tar.gz.
Nel campo Modulo Python, inserisci trainer.task. trainer è il nome del pacchetto Python nel tarball e task.py contiene il codice di addestramento. Pertanto, trainer.task è il nome del modulo che vuoi che Vertex AI esegua.
Nel campo Directory di output del modello, fai clic su Sfoglia. Nel riquadro Seleziona cartella, procedi nel seguente modo:
Vai al bucket Cloud Storage.
Fai clic su Crea nuova cartella create_new_folder.
Assegna alla nuova cartella il nome output. Quindi, fai clic su Crea.
Fai clic su Seleziona.
Verifica che il campo abbia il valore
gs://BUCKET_NAME/output, dove BUCKET_NAME
è il nome del tuo bucket Cloud Storage.
Questo valore viene trasmesso a Vertex AI nel campo
baseOutputDirectory API, che imposta
diverse variabili di ambiente a cui l'applicazione di addestramento può accedere
durante l'esecuzione.
Ad esempio, quando imposti questo campo su
gs://BUCKET_NAME/output, Vertex AI imposta
la variabile di ambiente AIP_MODEL_DIR su
gs://BUCKET_NAME/output/model. Al termine dell'addestramento,
Vertex AI utilizza gli artefatti nella directory AIP_MODEL_DIR
per creare una risorsa modello.
Nel passaggio facoltativo Iperparametri, assicurati che la casella di controllo Abilita
ottimizzazione degli iperparametri sia deselezionata. Questo tutorial non utilizza
l'ottimizzazione degli iperparametri. Fai clic su Continua.
Nel passaggio Compute e prezzi, alloca le risorse per il job di addestramento personalizzato:
Nell'elenco a discesa Regione, seleziona us-central1 (Iowa).
Nell'elenco a discesa Tipo di macchina, seleziona n1-standard-4 nella sezione
Standard.
Non aggiungere acceleratori o pool di worker per questo tutorial. Fai clic su Continua.
Nel passaggio Contenitore di previsione, fornisci a Vertex AI
le informazioni necessarie per pubblicare le previsioni:
Seleziona Container predefinito.
Nella sezione Impostazioni contenitore predefinito, segui questi passaggi:
Nell'elenco a discesa Framework modello, seleziona TensorFlow.
Nell'elenco a discesa Versione framework modello, seleziona 2.3.
Nell'elenco a discesa Tipo acceleratore, seleziona Nessuno.
Verifica che il campo Directory del modello abbia il valore
gs://BUCKET_NAME/output, dove
BUCKET_NAME è il nome del tuo bucket Cloud Storage. Corrisponde al valore della directory di output del modello che hai
fornito in un passaggio precedente.
Lascia vuoti i campi nella sezione Predict schemata (Schemi di previsione).
Fai clic su Inizia addestramento per avviare la pipeline di addestramento personalizzato.
Ora puoi visualizzare la nuova pipeline di addestramento, denominata hello_custom, nella pagina Addestramento. Potrebbe essere necessario aggiornare la pagina. La pipeline di addestramento
svolge due attività principali:
La pipeline di addestramento crea una risorsa job personalizzato denominata
hello_custom-custom-job. Dopo qualche istante, puoi visualizzare questa risorsa
nella pagina Job personalizzati della sezione Addestramento:
Il job personalizzato esegue l'applicazione di addestramento utilizzando le risorse di computing
che hai specificato in questa sezione.
Al termine del job personalizzato, la pipeline di addestramento trova gli artefatti
che l'applicazione di addestramento crea nella directory output/model/ del
bucket Cloud Storage. Utilizza questi artefatti per creare
una risorsa modello.
Monitorare l'addestramento
Per visualizzare i log di addestramento:
Nella console Google Cloud , nella sezione Vertex AI, vai alla pagina
Job personalizzati.
Per visualizzare i dettagli del CustomJob che hai appena creato, fai clic su
hello_custom-custom-job nell'elenco.
Nella pagina dei dettagli del job, fai clic su Visualizza log.
Visualizzare il modello addestrato
Al termine della pipeline di addestramento personalizzato, puoi trovare il modello addestrato nella
console Google Cloud , nella sezione Vertex AI, nella pagina
Modelli.
[[["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 custom training: Train a custom image classification model\n\n| To learn more,\n| run the following notebooks in the environment of your choice:\n|\n| - \"Use the Vertex AI SDK for Python to train and deploy a custom image classification model for batch prediction.\":\n|\n| [Open in Colab](https://colab.research.google.com/github/GoogleCloudPlatform/vertex-ai-samples/blob/main/notebooks/official/custom/sdk-custom-image-classification-batch.ipynb)\n|\n|\n| \\|\n|\n| [Open in Colab Enterprise](https://console.cloud.google.com/vertex-ai/colab/import/https%3A%2F%2Fraw.githubusercontent.com%2FGoogleCloudPlatform%2Fvertex-ai-samples%2Fmain%2Fnotebooks%2Fofficial%2Fcustom%2Fsdk-custom-image-classification-batch.ipynb)\n|\n|\n| \\|\n|\n| [Open\n| in Vertex AI Workbench](https://console.cloud.google.com/vertex-ai/workbench/deploy-notebook?download_url=https%3A%2F%2Fraw.githubusercontent.com%2FGoogleCloudPlatform%2Fvertex-ai-samples%2Fmain%2Fnotebooks%2Fofficial%2Fcustom%2Fsdk-custom-image-classification-batch.ipynb)\n|\n|\n| \\|\n|\n| [View on GitHub](https://github.com/GoogleCloudPlatform/vertex-ai-samples/blob/main/notebooks/official/custom/sdk-custom-image-classification-batch.ipynb)\n| - \"Use the Vertex AI SDK for Python to train and deploy a custom image classification model for online prediction.\":\n|\n| [Open in Colab](https://colab.research.google.com/github/GoogleCloudPlatform/vertex-ai-samples/blob/main/notebooks/official/custom/sdk-custom-image-classification-online.ipynb)\n|\n|\n| \\|\n|\n| [Open in Colab Enterprise](https://console.cloud.google.com/vertex-ai/colab/import/https%3A%2F%2Fraw.githubusercontent.com%2FGoogleCloudPlatform%2Fvertex-ai-samples%2Fmain%2Fnotebooks%2Fofficial%2Fcustom%2Fsdk-custom-image-classification-online.ipynb)\n|\n|\n| \\|\n|\n| [Open\n| in Vertex AI Workbench](https://console.cloud.google.com/vertex-ai/workbench/deploy-notebook?download_url=https%3A%2F%2Fraw.githubusercontent.com%2FGoogleCloudPlatform%2Fvertex-ai-samples%2Fmain%2Fnotebooks%2Fofficial%2Fcustom%2Fsdk-custom-image-classification-online.ipynb)\n|\n|\n| \\|\n|\n| [View on GitHub](https://github.com/GoogleCloudPlatform/vertex-ai-samples/blob/main/notebooks/official/custom/sdk-custom-image-classification-online.ipynb)\n\nThis page shows you how to run a TensorFlow Keras training application on\nVertex AI. This particular model trains an image classification\nmodel that can classify flowers by type.\nThis tutorial has several pages:\n\n\u003cbr /\u003e\n\n1. [Setting up your project and environment.](/vertex-ai/docs/tutorials/image-classification-custom)\n\n2. Training a custom image classification model.\n\n3. [Serving predictions from a custom image classification\n model.](/vertex-ai/docs/tutorials/image-classification-custom/serving)\n\n4. [Cleaning up your project.](/vertex-ai/docs/tutorials/image-classification-custom/cleanup)\n\nEach page assumes that you have already performed the instructions from the\nprevious pages of the tutorial.\nThe rest of this document assumes that you are using the same Cloud Shell environment that you created when following the [first page of this\ntutorial](/vertex-ai/docs/tutorials/image-classification-custom). If your original Cloud Shell session is no longer open, you can return to the environment by doing the following:\n\n\u003cbr /\u003e\n\n1. In the Google Cloud console, activate Cloud Shell.\n\n [Activate Cloud Shell](https://console.cloud.google.com/?cloudshell=true)\n2. In the Cloud Shell session, run the following command:\n\n ```bash\n cd hello-custom-sample\n ```\n\nRun a custom training pipeline\n------------------------------\n\nThis section describes using the training package that you uploaded to\nCloud Storage to run a Vertex AI custom training\npipeline.\n\n1. In the Google Cloud console, in the Vertex AI section, go to\n the **Training pipelines** page.\n\n [Go to Training pipelines](https://console.cloud.google.com/vertex-ai/training/training-pipelines)\n2. Click **add_box\n Create** to open the **Train new model** pane.\n\n3. On the **Choose training method** step, do the following:\n\n 1. In the **Dataset** drop-down list, select **No managed dataset** . This\n particular training application loads data from the [TensorFlow\n Datasets](https://www.tensorflow.org/datasets/) library rather than a managed Vertex AI\n dataset.\n\n 2. Ensure that **Custom training (advanced)** is selected.\n\n Click **Continue**.\n4. On the **Model details** step, in the **Name** field, enter\n `hello_custom`. Click **Continue**.\n\n5. On the **Training container** step, provide Vertex AI with\n information it needs to use the training package that you uploaded to\n Cloud Storage:\n\n 1. Select **Prebuilt container**.\n\n 2. In the **Model framework** drop-down list, select **TensorFlow**.\n\n 3. In the **Model framework version** drop-down list, select **2.3**.\n\n 4. In the **Package location** field, enter\n `cloud-samples-data/ai-platform/hello-custom/hello-custom-sample-v1.tar.gz`.\n\n 5. In the **Python module** field, enter `trainer.task`. `trainer` is the\n name of the Python package in your tarball, and `task.py` contains your\n training code. Therefore, `trainer.task` is the name of the module that\n you want Vertex AI to run.\n\n 6. In the **Model output directory** field, click **Browse** . Do the\n following in the **Select folder** pane:\n\n 1. Navigate to your Cloud Storage bucket.\n\n 2. Click **Create new folder create_new_folder**.\n\n 3. Name the new folder `output`. Then click **Create**.\n\n 4. Click **Select**.\n\n Confirm that field has the value\n `gs://`\u003cvar translate=\"no\"\u003eBUCKET_NAME\u003c/var\u003e`/output`, where \u003cvar translate=\"no\"\u003eBUCKET_NAME\u003c/var\u003e\n is the name of your Cloud Storage bucket.\n\n This value gets passed to Vertex AI in the\n [`baseOutputDirectory` API\n field](/vertex-ai/docs/reference/rest/v1/CustomJobSpec#FIELDS.base_output_directory), which sets\n several environment variables that your training application can access\n when it runs.\n\n For example, when you set this field to\n `gs://`\u003cvar translate=\"no\"\u003eBUCKET_NAME\u003c/var\u003e`/output`, Vertex AI sets\n the `AIP_MODEL_DIR` environment variable to\n `gs://`\u003cvar translate=\"no\"\u003eBUCKET_NAME\u003c/var\u003e`/output/model`. At the end of training,\n Vertex AI uses any artifacts in the `AIP_MODEL_DIR` directory\n to create a model resource.\n\n Learn more about the [environment variables set by this\n field](/vertex-ai/docs/training/code-requirements#environment-variables).\n\n Click **Continue**.\n6. On the optional **Hyperparameters** step, make sure that the **Enable\n hyperparameter tuning** checkbox is cleared. This tutorial does not use\n hyperparameter tuning. Click **Continue**.\n\n7. On the **Compute and pricing** step, allocate resources for the custom\n training job:\n\n 1. In the **Region** drop-down list, select **us-central1 (Iowa)**.\n\n 2. In the **Machine type** drop-down list, select **n1-standard-4** from the\n **Standard** section.\n\n Do not add any accelerators or worker pools for this tutorial. Click\n **Continue**.\n8. On the **Prediction container** step, provide Vertex AI with\n information it needs to serve predictions:\n\n 1. Select **Prebuilt container**.\n\n 2. In the **Prebuilt container settings** section, do the following:\n\n 1. In the **Model framework** drop-down list, select **TensorFlow**.\n\n 2. In the **Model framework version** drop-down list, select **2.3**.\n\n 3. In the **Accelerator type** drop-down list, select **None**.\n\n 4. Confirm that **Model directory** field has the value\n `gs://`\u003cvar translate=\"no\"\u003eBUCKET_NAME\u003c/var\u003e`/output`, where\n \u003cvar translate=\"no\"\u003eBUCKET_NAME\u003c/var\u003e is the name of your Cloud Storage\n bucket. This matches the **Model output directory** value that you\n provided in a previous step.\n\n 3. Leave the fields in the **Predict schemata** section blank.\n\n9. Click **Start training** to start the custom training pipeline.\n\nYou can now view your new *training pipeline* , which is named `hello_custom`, on\nthe **Training** page. (You might need to refresh the page.) The training\npipeline does two main things:\n\n1. The training pipeline creates a *custom job* resource named\n `hello_custom-custom-job`. After a few moments, you can view this resource\n on the **Custom jobs** page of the **Training** section:\n\n [Go to Custom jobs](https://console.cloud.google.com/vertex-ai/training/custom-jobs)\n\n The custom job runs the training application using the computing resources\n that you specified in this section.\n2. After the custom job completes, the training pipeline finds the artifacts\n that your training application creates in the `output/model/` directory of\n your Cloud Storage bucket. It uses these artifacts to create\n a *model* resource.\n\n### Monitor training\n\nTo view training logs, do the following:\n\n1. In the Google Cloud console, in the Vertex AI section, go to\n the **Custom jobs** page.\n\n [Go to Custom jobs](https://console.cloud.google.com/vertex-ai/training/custom-jobs)\n2. To view details for the `CustomJob` that you just created, click\n `hello_custom-custom-job` in the list.\n\n3. On the job details page, click **View logs**.\n\n### View your trained model\n\nWhen the custom training pipeline completes, you can find the trained model in\nthe Google Cloud console, in the Vertex AI section, on the\n**Models** page.\n\n[Go to Models](https://console.cloud.google.com/vertex-ai/models)\n\nThe model has the name `hello_custom`.\n\nWhat's next\n-----------\n\nFollow the [next page of this tutorial](/vertex-ai/docs/tutorials/image-classification-custom/serving) to serve\npredictions from your trained ML model."]]
