AutoML Vision Edge モデルを使用して画像にラベルを付ける

このクイックスタートでは、以下のプロセスを順を追って説明します。

  • Google Cloud Storage に一連の画像をコピーする。
  • 画像とそのラベルをリストした CSV を作成する。
  • AutoML Vision でデータセットを作成し、カスタム AutoML Vision Edge モデルをトレーニングして（画像分類またはオブジェクト検出）、予測を行う。
  • スマートフォン、ARM ベースのデバイス、Coral Edge TPU など、数種類のエッジデバイスに対して AutoML Vision Edge モデルをエクスポートしてデプロイする。

始める前に

プロジェクトを設定する

  1. Install the Google Cloud CLI.

  2. Configure the gcloud CLI to use your federated identity.

    For more information, see Browser-based sign-in with the gcloud CLI.

  3. To initialize the gcloud CLI, run the following command: 

    gcloud init

  4. Create or select a Google Cloud project.

    • Create a Google Cloud project:

      gcloud projects create PROJECT_ID

      Replace PROJECT_ID with a name for the Google Cloud project you are creating.

    • Select the Google Cloud project that you created:

      gcloud config set project PROJECT_ID

      Replace PROJECT_ID with your Google Cloud project name.

  5. Make sure that billing is enabled for your Google Cloud project.

  6. Enable the AutoML and Cloud Storage APIs: 

    gcloud services enable storage-component.googleapis.com automl.googleapis.com storage-api.googleapis.com
  7. 環境変数 PROJECT_ID をプロジェクト ID に設定します。
    export PROJECT_ID=PROJECT_ID
     AutoML API 呼び出しとリソース名には、プロジェクト ID が含まれています。環境変数 PROJECT_ID は、ID の指定に便利です。

Cloud Storage バケットを作成する

Google Cloud コンソール プロジェクトに接続されたブラウザベースの Linux コマンドラインである Cloud Shell を使用して Cloud Storage バケットを作成します。

  1. Cloud Shell を開きます。

  2. Google Cloud Storage バケットを作成します。バケット名の形式は、project-id-vcm にする必要があります。次のコマンドによって、project-id-vcm という名前の us-central1 リージョンにストレージ バケットが作成されます。利用可能なリージョンの一覧については、バケット ロケーション ページをご覧ください。

    gcloud storage buckets create gs://${PROJECT_ID}-vcm/ --project=${PROJECT_ID} --location=us-central1

  3. BUCKET 変数を設定します。

    export BUCKET=${PROJECT_ID}-vcm

バケットへのサンプル画像のコピー

次に、この Tensorflow のブログ投稿で使用されている花のデータセットをコピーします。画像は公開 Cloud Storage バケットに保存されるため、そこから直接自分のバケットにコピーできます。

  1. Cloud Shell セッションで、次のように入力します。

    gcloud storage cp gs://cloud-samples-data/ai-platform/flowers/ gs://${BUCKET}/img/ --recursive

    ファイルのコピーには約 20 分かかります。

CSV ファイルの作成

サンプル データセットには、すべての画像の場所と各画像のラベルを含む CSV ファイルが含まれています。これを使用して独自の CSV ファイルを作成します。

  1. CSV ファイルを更新して、自分のバケット内のファイルを指すようにします。

    gcloud storage cat gs://${BUCKET}/img/flowers/all_data.csv | sed "s:cloud-ml-data/img/flower_photos/:${BUCKET}/img/flowers/:" > all_data.csv

  2. バケットに CSV ファイルをコピーします。

    gcloud storage cp all_data.csv gs://${BUCKET}/csv/

データセットの作成

データセットの作成とモデルのトレーニングを開始するには、AutoML Vision UI にアクセスします。

プロンプトが表示されたら、Cloud Storage バケットに使用したプロジェクトを必ず選択します。

  1. AutoML Vision ページから、[新しいデータセット] をクリックします。

    コンソールの [新しいデータセット] ボタン

  2. このデータセットの名前を指定します（省略可）。モデルの目的を選択して [データセットを作成] をクリックし、データセットの作成プロセスを続けます。

    [New dataset name] フィールド

  3. [インポートするファイルを選択します] 画面で、[Cloud Storage で CSV ファイルを選択] ラジオボタンをオンにします。CSV ファイルの Cloud Storage URI を指定します。このクイックスタートでは、CSV ファイルの場所は次のとおりです。

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

    PROJECT_ID は、特定のプロジェクト ID に置き換えます。

    インポート ウィンドウを選択する

  4. [続行] を選択して、画像のインポートを開始します。インポートには数分かかります。完了すると、次のページが表示され、データセットに対して識別されたすべての画像（ラベル付きの画像とラベルなし画像の両方）の詳細がそこに記載されます。

    インポートの完了後に表示される画像

モデルのトレーニング

  1. データセットが作成されて処理されたら、[トレーニング] タブを選択してモデルのトレーニングを開始します。

    [トレーニング] タブを選択

  2. 続行するには [トレーニングを開始] を選択してください。これにより、[新しいモデルのトレーニング] ウィンドウが開き、トレーニング オプションが表示されます。

  3. 新しいモデル トレーニング ウィンドウの [モデルを定義する] セクションで、モデル名を変更し（省略可）、Edge モデルのラジオボタンを選択します。[続行] を選択して次のセクションに進みます。

    トレーニング用のモデル セクションを定義する

  4. [モデル最適化のオプション] セクションで、[最良のトレードオフ] オプションを使用し、[続行] を選択します。

  5. [ノード時間予算の設定] セクションで、推奨されるノード予算（4 ノード時間）をそのまま使用します。

    Edge モデルのトレーニング

  6. [トレーニングを開始] を選択して、モデルのトレーニングを開始します。

    モデルのトレーニングが開始されます。これには約 1 時間かかります。トレーニングは、選択したノード時間より前に停止することがあります。トレーニングが完了した後、またはエラーが発生した場合は、メールが届きます。

モデルをデプロイする

モデルをエクスポートする前に、モデルをデプロイする必要があります。

  1. モデルをデプロイするには、[テストと使用] タブを選択します。モデル名の近くにある [モデルをデプロイ] オプションをクリックします。

  2. 表示されたウィンドウで、デプロイするノードを 1 つ指定し、[デプロイ] を選択してモデルのデプロイ プロセスを開始します。

    デプロイするノード時間を選択する

モデルのデプロイが完了すると通知が届きます。

モデルをエクスポートする

AutoML Vision Edge モデルを使用する最後のステップは、モデルをエクスポート（最適化とダウンロード）してデプロイ（使用）することです。

Edge デバイスで予測を行うために、モデルのエクスポートとデプロイを行う場合、いくつかの方法があります。

このクイックスタートでは、Tensorflow Lite（TF Lite）を例に説明します。TF Lite モデルは使いやすく、幅広いユースケースを対象にしています。

  1. [テストと使用] タブの [モデルを使用する] セクションで、[TF Lite] オプションを選択します。

    TF Lite モデルのエクスポート

  2. 表示された [TF Lite パッケージのエクスポート] ウィンドウで、TF Lite パッケージをエクスポートする Cloud Storage バケットのロケーションを指定し、[エクスポート] を選択します。通常、エクスポート処理には数分かかります。

    TF Lite モデルをエクスポートするサイド ウィンドウ

Google Cloud Storage のインストール先には、タイムスタンプとモデル形式で名前が付けられたフォルダがあり、その中に以下のファイルがあります。

  • tflite ファイル（model.tflite）
  • 辞書ファイル（dict.txt）
  • メタデータ ファイル（tflite_metadata.json）

クリーンアップ

このページで使用したリソースに対して Google Cloud アカウントで課金されないようにするには、Google Cloud プロジェクトとそのリソースを削除します。

次のステップ

これらのファイルを使用すると、チュートリアルに沿って Android デバイス、iOS デバイス、Raspberry Pi 3 またはウェブにデプロイできるようになります。

その他のモデル使用オプション

  • CoreML（iOS / macOS）対応モデルとしてモデルをエクスポートできます。トレーニング後に、[テストと使用] タブで [CoreML] オプションを選択してモデルをエクスポートし、CoreML チュートリアルの手順を行います。
  • Coral Edge TPU で実行するモデルをエクスポートできます。トレーニング後に、[テストと使用] タブで [Coral] オプションを選択してモデルをエクスポートします。ただし、現在のオブジェクト検出モデルと互換性がないため、Edge TPU の画像分類モデルのみをエクスポートすることをおすすめします（Edge TPU のオブジェクト検出モデルをトレーニングするには、こちらの Google Colab チュートリアルをご覧ください）。モデルをエクスポートした後は、Edge TPU での推論の実行に関する Coral の公式ドキュメントの手順を行います。
  • モデルは、TensorFlow SavedModel としてエクスポートし、Docker コンテナで使用できます。トレーニング後に、[テストと使用] タブで [コンテナ] オプションを選択してモデルをエクスポートします。コンテナへのエクスポート方法については、Edge コンテナのチュートリアルをご覧ください。
  • ブラウザまたは Node.js で使用するモデルは Tensorflow.js モデルとしてエクスポートできます。トレーニング後に [テストと使用] タブで [TensorFlow.js] オプションを選択してモデルをエクスポートし、Edge TensorFlow.js チュートリアルの手順を行います。

クリーンアップ

不要になったカスタムモデルやデータセットは削除できます。

Google Cloud Platform の不必要な課金を避けるため、GCP Console を使用して、不要になったプロジェクトを削除します。

モデルのデプロイ解除

モデルがデプロイされている間は料金がかかります。

  1. タイトルバーのすぐ下にある [テストと使用] タブを選択します。
  2. モデル名の下にあるバナーから [デプロイメントを削除] を選択します。デプロイ解除オプションのウィンドウが開きます。

    デプロイ解除のポップアップ メニュー

  3. [デプロイメントを削除] を選択して、モデルのデプロイを解除します。

    モデルのデプロイ

  4. モデルのデプロイ解除が完了すると、メールが届きます。

プロジェクトを削除する（任意）

Google Cloud Platform で不必要な課金を避けるため、Google Cloud コンソールを使用して、不要になったプロジェクトを削除します。