本页面介绍了如何使用 Google Cloud 控制台或 Vertex AI API 根据视频数据集训练 AutoML 动作识别模型。
训练 AutoML 模型
Google Cloud 控制台
在 Google Cloud 控制台的 Vertex AI 部分中，前往数据集页面。
点击要用于训练模型的数据集的名称，以打开其详情页面。
点击训练新模型。
输入新模型的显示名。
如果您要手动设置训练数据的拆分方式，请展开高级选项，然后选择数据拆分选项。了解详情。
点击继续。
选择模型训练方法。
AutoML非常适合各种用例。Seq2seq+非常适合进行实验。该算法可能比AutoML收敛更快，因为它的架构更简单，并且使用较小的搜索空间。我们的实验发现，在时间预算较少的情况下以及在小于 1 GB 的数据集上，Seq2Seq+ 性能较好。
点击开始训练。
模型训练可能需要几个小时，具体取决于数据的大小和复杂性，以及训练预算（如果指定）。您可以关闭此标签页，稍后再返回。模型完成训练后，您会收到电子邮件。
训练开始几分钟后，您即可在模型的属性信息中查看训练节点时的估算值。如果您取消训练，当前产品不会产生费用。
API
REST
在使用任何请求数据之前，请先进行以下替换：
- PROJECT：您的项目 ID。
- LOCATION：数据集所在且模型在其中创建的区域。例如
us-central1。 - TRAINING_PIPELINE_DISPLAY_NAME：必填。TrainingPipeline 的显示名。
- DATASET_ID：训练数据集的 ID。
-
TRAINING_FRACTION、TEST_FRACTION：
fractionSplit对象是可选的；您使用它来控制数据拆分。如需详细了解如何控制数据拆分，请参阅 AutoML 模型的数据拆分简介。例如：{"trainingFraction": "0.8","validationFraction": "0","testFraction": "0.2"}
- MODEL_DISPLAY_NAME：经过训练的模型的显示名。
- MODEL_DESCRIPTION：模型的说明。
- MODEL_LABELS：用于组织模型的任何键值对。例如：
- "env": "prod"
- "tier": "backend"
- EDGE_MODEL_TYPE：
MOBILE_VERSATILE_1：通用目的
- PROJECT_NUMBER：您项目的自动生成的项目编号
HTTP 方法和网址：
POST https://LOCATION-aiplatform.googleapis.com/beta1/projects/PROJECT/locations/LOCATION/trainingPipelines
请求 JSON 正文：
{
"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"],
}
}
如需发送请求，请选择以下方式之一：
curl
将请求正文保存在名为 request.json 的文件中，然后执行以下命令：
curl -X POST \
-H "Authorization: Bearer $(gcloud auth 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
将请求正文保存在名为 request.json 的文件中，然后执行以下命令：
$cred = gcloud auth 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
响应包含有关规范的信息以及 TRAININGPIPELINE_ID。
Java
在尝试此示例之前，请按照《Vertex AI 快速入门：使用客户端库》中的 Java 设置说明执行操作。如需了解详情，请参阅 Vertex AI Java API 参考文档。
如需向 Vertex AI 进行身份验证，请设置应用默认凭据。 如需了解详情，请参阅为本地开发环境设置身份验证。
Python
如需了解如何安装或更新 Python，请参阅安装 Python 版 Vertex AI SDK。如需了解详情，请参阅 Python API 参考文档。
使用 REST 控制数据拆分
您可以控制在训练集、验证集和测试集之间拆分训练数据的方式。使用 Vertex AI API 时，请使用 Split 对象来确定数据拆分。Split 对象可以包含在 InputConfig 对象中作为多种对象类型中的一种，其中每种类型都提供一种不同的训练数据拆分方式。您只能选择一种方法。
-
FractionSplit:- TRAINING_FRACTION：要用于训练集的训练数据的比例。
- VALIDATION_FRACTION：要用于验证集的训练数据的比例。不用于视频数据。
- TEST_FRACTION：要用于测试集的训练数据的比例。
如果指定了任一比例，则必须指定所有比例。这些比例之和必须等于 1.0。比例的默认值会因数据类型而异。了解详情。
"fractionSplit": { "trainingFraction": TRAINING_FRACTION, "validationFraction": VALIDATION_FRACTION, "testFraction": TEST_FRACTION }, -
FilterSplit： - TRAINING_FILTER：与此过滤条件匹配的数据项用于训练集。
- VALIDATION_FILTER：与此过滤条件匹配的数据项用于验证集。对于视频数据，该值必须为“-”。
- TEST_FILTER：与此过滤条件匹配的数据项用于测试集。
这些过滤条件可以与 ml_use 标签或应用于数据的任何标签结合使用。详细了解如何使用 ml-use 标签和其他标签来过滤数据。
以下示例展示了如何将 filterSplit 对象与 ml_use 标签结合使用，其中包含验证集：
"filterSplit": {
"trainingFilter": "labels.aiplatform.googleapis.com/ml_use=training",
"validationFilter": "labels.aiplatform.googleapis.com/ml_use=validation",
"testFilter": "labels.aiplatform.googleapis.com/ml_use=test"
}