Hello カスタム トレーニング: カスタム画像分類モデルのトレーニング

このページでは、Vertex AI で TensorFlow Keras トレーニング アプリケーションを実行する方法について説明します。このモデルは、花の画像を種類別に分類できる画像分類モデルをトレーニングします。

このチュートリアルには複数のページが含まれます。

  1. プロジェクトと環境の設定

  2. カスタム画像分類モデルのトレーニング

  3. カスタム画像分類モデルから取得した予測情報の提供

  4. プロジェクトのクリーンアップ

各ページは、前のページのチュートリアルの手順をすでに実施していることを前提としています。

このドキュメントの以降の内容は、このチュートリアルの最初のページの手順を実施したときに作成したものと同じ Cloud Shell 環境を使用していることを前提としています。元の Cloud Shell セッションが開かれていない場合は、次の手順で環境に戻ることができます。

  1. In the Google Cloud console, activate Cloud Shell.

    Activate Cloud Shell

  2. Cloud Shell セッションで次のコマンドを実行します。

    cd hello-custom-sample

    3. カスタム トレーニング パイプラインを実行する

    このセクションでは、Cloud Storage にアップロードしたトレーニング パッケージを使用して Vertex AI カスタム トレーニング パイプラインを実行する方法について説明します。

    1. Google Cloud コンソールの [Vertex AI] セクションで、[トレーニング パイプライン] ページに移動します。

      [トレーニング パイプライン] に移動

    2. [作成] をクリックして、[新しいモデルのトレーニング] ペインを開きます。

    3. トレーニング方法の選択ステップで、次の手順を行います。

      1. [データセット] プルダウン リストで、[管理されているデータセットなし] を選択します。この特定のトレーニング アプリケーションは、マネージド Vertex AI データセットではなく TensorFlow データセット ライブラリからデータを読み込みます。

      2. [カスタム トレーニング（上級者向け）] が選択されていることを確認します。

      [続行] をクリックします。

    4. [モデルの詳細] ステップの [名前] フィールドに「hello_custom」と入力します。[続行] をクリックします。

    5. [トレーニング コンテナ] ステップで、Cloud Storage にアップロードしたトレーニング パッケージを使用するために必要な情報を Vertex AI に提供します。

      1. [Prebuilt container] を選択します。

      2. [モデル フレームワーク] プルダウン リストで [TensorFlow] を選択します。

      3. [モデル フレームワークのバージョン] プルダウン リストで、[2.3] を選択します。

      4. [パッケージの場所] フィールドに「cloud-samples-data/ai-platform/hello-custom/hello-custom-sample-v1.tar.gz」と入力します。

      5. [Python モジュール] フィールドに「trainer.task」と入力します。trainer は tarball の Python パッケージの名前です。task.py にはトレーニング コードが含まれています。trainer.task は、Vertex AI を実行するモジュールの名前です。

      6. [Model output directory] フィールドで、[Browse] をクリックします。[フォルダの選択] ペインで次の手順を行います。

        1. Cloud Storage バケットに移動します。

        2. [新しいフォルダを作成] をクリックします。

        3. 新しいフォルダの名前を output とします。次に [作成] をクリックします。

        4. [選択] をクリックします。

        フィールドの値が gs://BUCKET_NAME/output であることを確認します。ここで、BUCKET_NAME は Cloud Storage バケットの名前です。

        この値は、Vertex AI の baseOutputDirectory API フィールドに渡されます。この値に基づいて、トレーニング アプリケーションが実行時にアクセスする複数の環境変数が設定されます。

        たとえば、このフィールドを gs://BUCKET_NAME/output に設定すると、AIP_MODEL_DIR 環境変数は gs://BUCKET_NAME/output/model に設定されます。トレーニングが終了すると、Vertex AI は AIP_MODEL_DIR ディレクトリのアーティファクトを使用してモデルリソースを作成します。

        詳しくは、このフィールドで設定される環境変数をご覧ください。

      [続行] をクリックします。

    6. オプションの [ハイパーパラメータ] ステップで、[Enable hyperparameter tuning] チェックボックスがオフになっていることを確認します。このチュートリアルでは、ハイパーパラメータ調整は使用しません。[続行] をクリックします。

    7. [コンピューティングと料金] ステップで、カスタム トレーニング ジョブのリソースを割り当てます。

      1. [リージョン] プルダウン リストで、[us-central1（アイオワ）] を選択します。

      2. [マシンタイプ] プルダウン リストで、[標準] セクションから [n1-standard-4] を選択します。

      このチュートリアルでは、アクセラレータやワーカープールを追加しないでください。[続行] をクリックします。

    8. [予測コンテナ] ステップで、Vertex AI が予測を行うために必要な情報を提供します。

      1. [Prebuilt container] を選択します。

      2. [Prebuilt container settings] セクションで、次の操作を行います。

        1. [モデル フレームワーク] プルダウン リストで [TensorFlow] を選択します。

        2. [モデル フレームワークのバージョン] プルダウン リストで、[2.3] を選択します。

        3. [アクセラレータ タイプ] プルダウン リストで、[なし] を選択します。

        4. [モデル ディレクトリ] フィールドの値が gs://BUCKET_NAME/output になっていることを確認します。ここで、BUCKET_NAME は Cloud Storage バケットの名前です。これは、前のステップで指定した [Model output directory] の値と一致します。

      3. [予測 schemata] セクションのフィールドは空白のままにします。

    9. [トレーニングを開始] をクリックして、カスタム トレーニング パイプラインを開始します。

    [トレーニング] ページに、hello_custom という名前の新しいトレーニング パイプラインが表示されます（ページの更新が必要になる場合があります）。トレーニング パイプラインは、次の 2 つの主要な処理を行います。

    1. トレーニング パイプラインが、hello_custom-custom-job という名前のカスタムジョブ リソースを作成します。しばらくすると、[トレーニング] セクションの [CUSTOM JOB] ページにこのリソースが表示されます。

      [CUSTOM JOB] に移動

      カスタムジョブは、このセクションで指定されたコンピューティング リソースを使用してトレーニング アプリケーションを実行します。

    2. カスタムジョブが完了すると、トレーニング パイプラインにより、トレーニング アプリケーションが作成したアーティファクトが検出されます。このアーティファクトは Cloud Storage バケットの output/model/ ディレクトリに作成されます。これらのアーティファクトを使用してモデルリソースを作成します。

    トレーニングをモニタリングする

    トレーニング ログを表示する方法は次のとおりです。

    1. Google Cloud コンソールの Vertex AI セクションで、[カスタムジョブ] ページに移動します。

      [カスタムジョブ] に移動

    2. 作成した CustomJob の詳細を表示するには、リスト内の hello_custom-custom-job をクリックします。

    3. ジョブの詳細ページで、[ログを表示] をクリックします。

    トレーニング済みのモデルを表示する

    カスタム トレーニング パイプラインが完了すると、 Google Cloud コンソールの Vertex AI セクションの [モデル] ページにトレーニング済みモデルが表示されます。

    [モデル] に移動

    モデルの名前は hello_custom です。

    次のステップ

    このチュートリアルの次のページの説明に沿って、トレーニング済みの ML モデルから予測を行います。

前へ
プロジェクトと環境を設定する
次へ
カスタム画像分類モデルから取得した予測情報の提供