Memberikan label pada gambar menggunakan model AutoML Vision Edge

Panduan memulai ini akan memandu Anda terkait proses:

  • Menyalin serangkaian gambar ke Google Cloud Storage.
  • Membuat CSV yang mencantumkan gambar dan labelnya.
  • Menggunakan AutoML Vision untuk membuat set data Anda, melatih model AutoML Vision Edge kustom (klasifikasi gambar atau deteksi objek), dan membuat prediksi.
  • Mengekspor dan men-deploy model AutoML Vision Edge Anda untuk salah satu dari beberapa jenis perangkat edge, seperti ponsel, perangkat berbasis ARM, dan Coral Edge TPU.

Sebelum memulai

Menyiapkan project

  1. Login ke akun Google Cloud Anda. Jika Anda baru menggunakan Google Cloud, buat akun untuk mengevaluasi performa produk kami dalam skenario dunia nyata. Pelanggan baru juga mendapatkan kredit gratis senilai $300 untuk menjalankan, menguji, dan men-deploy workload.
  2. Menginstal Google Cloud CLI.
  3. Untuk initialize gcloud CLI, jalankan perintah berikut:

    gcloud init
  4. Buat atau pilih project Google Cloud.

    • Membuat project Google Cloud:

      gcloud projects create PROJECT_ID

      Ganti PROJECT_ID dengan nama untuk project Google Cloud yang Anda buat.

    • Pilih project Google Cloud yang Anda buat:

      gcloud config set project PROJECT_ID

      Ganti PROJECT_ID dengan nama project Google Cloud Anda.

  5. Pastikan penagihan telah diaktifkan untuk project Google Cloud Anda.

  6. Enable the AutoML and Cloud Storage APIs:

    gcloud services enable storage-component.googleapis.com automl.googleapis.com storage-api.googleapis.com
  7. Menginstal Google Cloud CLI.
  8. Untuk initialize gcloud CLI, jalankan perintah berikut:

    gcloud init
  9. Buat atau pilih project Google Cloud.

    • Membuat project Google Cloud:

      gcloud projects create PROJECT_ID

      Ganti PROJECT_ID dengan nama untuk project Google Cloud yang Anda buat.

    • Pilih project Google Cloud yang Anda buat:

      gcloud config set project PROJECT_ID

      Ganti PROJECT_ID dengan nama project Google Cloud Anda.

  10. Pastikan penagihan telah diaktifkan untuk project Google Cloud Anda.

  11. Enable the AutoML and Cloud Storage APIs:

    gcloud services enable storage-component.googleapis.com automl.googleapis.com storage-api.googleapis.com
  12. Tetapkan variabel lingkungan PROJECT_ID ke Project ID Anda.
    export PROJECT_ID=PROJECT_ID
    Panggilan dan nama resource AutoML API akan menyertakan Project ID Anda di dalamnya. Variabel lingkungan PROJECT_ID menyediakan cara yang mudah untuk menentukan ID.

Membuat bucket Cloud Storage

Gunakan Cloud Shell, command line Linux berbasis browser yang terhubung ke project Konsol Google Cloud Anda, untuk membuat bucket Cloud Storage Anda:

  1. Buka Cloud Shell.

  2. Membuat bucket Google Cloud Storage. Nama bucket harus dalam format: project-id-vcm. Perintah berikut akan membuat bucket penyimpanan di region us-central1 bernama project-id-vcm. Untuk mengetahui daftar lengkap region yang tersedia, lihat halaman Lokasi Bucket.

    gsutil mb -p ${PROJECT_ID} -c regional -l us-central1 gs://${PROJECT_ID}-vcm/

  3. Tetapkan variabel BUCKET.

    export BUCKET=${PROJECT_ID}-vcm

Menyalin gambar sampel ke dalam bucket Anda

Selanjutnya, salin set data bunga yang digunakan di dalam postingan blog Tensorflow ini. Image ini disimpan di bucket Cloud Storage publik, sehingga Anda dapat menyalinnya langsung dari sana ke bucket Anda sendiri.

  1. Dalam sesi Cloud Shell Anda, masukkan:

    gsutil -m cp -R gs://cloud-samples-data/ai-platform/flowers/ gs://${BUCKET}/img/
    

    Proses penyalinan file akan memerlukan waktu sekitar 20 menit.

Membuat file CSV

Contoh set data berisi file CSV dengan semua lokasi gambar dan label untuk setiap gambar. Anda akan menggunakannya untuk membuat file CSV Anda sendiri:

  1. Update file CSV agar mengarah ke file dalam bucket milik Anda:

    gsutil cat gs://${BUCKET}/img/flowers/all_data.csv | sed "s:cloud-ml-data/img/flower_photos/:${BUCKET}/img/flowers/:" > all_data.csv
    
  2. Salin file CSV ke dalam bucket Anda:

    gsutil cp all_data.csv gs://${BUCKET}/csv/
    

Membuat set data Anda

Buka UI AutoML Vision untuk memulai proses pembuatan set data Anda dan melatih model Anda.

Saat diminta, pastikan Anda memilih project yang Anda gunakan untuk bucket Cloud Storage Anda.

  1. Dari halaman AutoML Vision, klik Set Data Baru:

    Tombol set data baru di konsol

  2. Tentukan nama untuk set data ini (opsional), pilih tujuan model, lalu klik Buat set data untuk melanjutkan proses pembuatan set data.

    Kolom nama set data baru

  3. Di layar Pilih file untuk diimpor, pilih opsi pilihan Pilih file CSV di Cloud Storage. Tentukan Cloud Storage URI file CSV Anda. Untuk panduan memulai ini, file CSV ada di:

    • gs://${PROJECT_ID}-vcm/csv/all_data.csv

    Ganti PROJECT_ID dengan project ID spesifik Anda.

    Jendela pilih impor file

  4. Klik Lanjutkan untuk memulai impor gambar. Proses impor memerlukan waktu beberapa menit. Setelah selesai, Anda akan diarahkan ke halaman berikutnya yang berisi detail tentang semua gambar yang diidentifikasi untuk set data Anda, baik gambar berlabel maupun tidak berlabel.

    Gambar yang tercantum setelah impor selesai

Melatih model Anda

  1. Setelah set data Anda dibuat dan diproses, pilih tab Latih untuk memulai pelatihan model.

    pilih tab latih

  2. Pilih Mulai pelatihan untuk melanjutkan. Tindakan ini akan membuka jendela Melatih model baru dengan opsi pelatihan.

  3. Pada bagian Menentukan model Anda di jendela pelatihan model baru, ubah nama model (opsional) dan pilih opsi pilihan model Edge. Pilih Lanjutkan untuk berpindah ke bagian berikutnya.

    tentukan bagian model Anda untuk pelatihan

  4. Di bagian Optimalkan model untuk, terima opsi Kompromi terbaik, lalu pilih Lanjutkan.

  5. Di bagian Tetapkan anggaran jam kerja node, terima anggaran node yang disarankan (4 jam kerja node).

    Melatih model Edge

  6. Pilih Mulai pelatihan untuk memulai pelatihan model.

    Pelatihan dimulai untuk model Anda, dan akan memakan waktu sekitar satu jam. Pelatihan mungkin berhenti lebih awal dari jam kerja node yang Anda pilih. Layanan akan mengirimkan email kepada Anda setelah pelatihan selesai, atau jika terjadi error.

Men-deploy model

Sebelum dapat mengekspor model, Anda harus men-deploy-nya untuk digunakan.

  1. Untuk men-deploy model, pilih tab Uji & gunakan. Di tab, klik opsi Men-deploy model di dekat nama model.

  2. Di jendela berikutnya, tentukan 1 node yang akan di-deploy, lalu pilih Deploy untuk memulai proses deployment model.

    pilih jam kerja node untuk men-deploy

Anda akan menerima notifikasi saat deployment model selesai.

Mengekspor model

Langkah terakhir dalam menggunakan model AutoML Vision Edge adalah mengekspor (mengoptimalkan dan mendownload) serta men-deploy (menggunakan) model Anda.

Ada beberapa cara untuk mengekspor dan men-deploy model Anda untuk digunakan dalam prediksi di perangkat Edge.

Dalam panduan memulai ini, Anda akan menggunakan Tensorflow Lite (TF Lite) sebagai contoh. Model TF Lite mudah digunakan dan memiliki banyak kasus penggunaan.

  1. Di bagian Gunakan model Anda pada tab Uji & gunakan, pilih opsi TF Lite.

    Mengekspor model TF Lite

  2. Di jendela Ekspor paket TF Lite yang muncul, tentukan lokasi bucket Cloud Storage yang menjadi tujuan ekspor paket TF Lite, lalu pilih Ekspor. Proses ekspor biasanya memerlukan waktu beberapa menit.

    Ekspor jendela samping model TF Lite

Di lokasi tujuan Google Cloud Storage, Anda akan menemukan folder yang dinamai dengan stempel waktu dan format model, yang di dalam folder tersebut, Anda dapat menemukan file berikut:

  • file tflite (model.tflite),
  • file kamus (dict.txt)
  • file metadata (tflite_metadata.json)

Pembersihan

Agar tidak menimbulkan biaya pada akun Google Cloud Anda untuk resource yang digunakan pada halaman ini, hapus project Google Cloud yang berisi resource tersebut.

Langkah selanjutnya

Dengan file-file ini, Anda dapat mengikuti tutorial untuk di-deploy pada perangkat Android, perangkat iOS, Raspberry Pi 3, atau Web.

Opsi penggunaan model lainnya

  • Anda dapat mengekspor model sebagai model yang didukung CoreML (iOS/macOS). Setelah pelatihan, Anda dapat mengekspor model dengan memilih opsi CoreML di tab Uji & gunakan, dan mengikuti Tutorial CoreML.
  • Anda dapat mengekspor model untuk dijalankan di Coral Edge TPU. Setelah pelatihan, ekspor model dengan memilih opsi Coral di tab Uji & gunakan. Namun, karena saat ini tidak kompatibel dengan model deteksi objek kami, kami menyarankan, sebaiknya Anda hanya ekspor model klasifikasi gambar untuk Edge TPU (untuk melatih model deteksi objek untuk Edge TPU, sebagai gantinya ikuti salah satu dari tutorial Google Colab ini). Setelah mengekspor model Anda, ikuti dokumentasi resmi Coral tentang cara menjalankan inferensi pada Edge TPU.
  • Anda dapat mengekspor model sebagai TensorFlow SavedModel dan menggunakannya dengan container Docker. Setelah pelatihan, Anda dapat mengekspor model dengan memilih opsi Container di tab Uji & gunakan, dan ikuti Tutorial container Edge tentang cara mengekspor ke container.
  • Anda dapat mengekspor model untuk digunakan di browser atau di Node.js sebagai model Tensorflow.js. Setelah pelatihan, Anda dapat mengekspor model dengan memilih opsi Tensorflow.js di tab Uji & gunakan, lalu ikuti Tutorial Edge TensorFlow.js.

Pembersihan

Jika Anda tidak lagi memerlukan model atau set data kustom Anda, Anda dapat menghapusnya.

Untuk menghindari tagihan Google Cloud Platform yang tidak perlu, gunakan Konsol GCP untuk menghapus project Anda jika tidak lagi diperlukan.

Membatalkan deployment model Anda

Model Anda akan dikenai biaya saat di-deploy.

  1. Pilih tab Uji & gunakan tepat di bawah batang judul.
  2. Pilih Hapus deployment dari banner di bawah nama model Anda untuk membuka jendela opsi batalkan deployment.

    menu pop-up membatalkan deployment

  3. Pilih Hapus deployment untuk membatalkan deployment model.

    men-deploy model

  4. Anda akan menerima email saat pembatalan deployment model telah selesai.

Menghapus project Anda (opsional)

Untuk menghindari tagihan Google Cloud Platform yang tidak perlu, gunakan konsol Google Cloud untuk menghapus project Anda jika tidak lagi diperlukan.