Bilder mithilfe von AutoML Vision mit Label versehen
In dieser Kurzanleitung werden folgende Verfahren erläutert:
- Bilder in Google Cloud Storage kopieren
- CSV-Datei zum Auflisten von Bildern und zugehörigen Klassifizierungslabels erstellen
- Mithilfe von AutoML Vision ein Dataset erstellen und ein Modell trainieren und bereitstellen
- Klassifizieren eines Bildes mithilfe des Modells, das mit benutzerdefinierten Labels trainiert wurde.
Vorbereitung
Projekt einrichten
- Melden Sie sich bei Ihrem Google Cloud-Konto an. Wenn Sie mit Google Cloud noch nicht vertraut sind, erstellen Sie ein Konto, um die Leistungsfähigkeit unserer Produkte in der Praxis sehen und bewerten zu können. Neukunden erhalten außerdem ein Guthaben von 300 $, um Arbeitslasten auszuführen, zu testen und bereitzustellen.
- Installieren Sie die Google Cloud CLI.
-
Führen Sie folgenden Befehl aus, um die gcloud CLI zu initialisieren:
gcloud init
-
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.
-
-
Die Abrechnung für das Google Cloud-Projekt muss aktiviert sein.
-
Aktivieren Sie die AutoML and Cloud Storage APIs:
gcloud services enable storage-component.googleapis.com
automl.googleapis.com storage-api.googleapis.com - Installieren Sie die Google Cloud CLI.
-
Führen Sie folgenden Befehl aus, um die gcloud CLI zu initialisieren:
gcloud init
-
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.
-
-
Die Abrechnung für das Google Cloud-Projekt muss aktiviert sein.
-
Aktivieren Sie die AutoML and Cloud Storage APIs:
gcloud services enable storage-component.googleapis.com
automl.googleapis.com storage-api.googleapis.com - Legen Sie für die Umgebungsvariable
PROJECT_ID
Ihre Projekt-ID fest.export PROJECT_ID=PROJECT_ID
Die AutoML API-Aufrufe und Ressourcennamen enthalten Ihre Projekt-ID. Die UmgebungsvariablePROJECT_ID
bietet eine bequeme Möglichkeit, die ID anzugeben.
Cloud Storage-Bucket erstellen
Verwenden Sie Cloud Shell, eine browserbasierte Linux-Befehlszeile, die mit Ihrem Google Cloud Console-Projekt verbunden ist, um Ihren Cloud Storage-Bucket zu erstellen:
Cloud Storage-Bucket erstellen Der Bucket-Name muss das Format
project-id-vcm
haben.Mit dem folgenden Befehl wird ein Storage-Bucket in der Region
us-central1
mit dem Namenproject-id-vcm
erstellt. Eine vollständige Liste der verfügbaren Regionen finden Sie auf der Seite Bucket-Standorte.gsutil mb -p ${PROJECT_ID} -c regional -l us-central1 gs://${PROJECT_ID}-vcm/
Legen Sie die Variable BUCKET fest.
export BUCKET=${PROJECT_ID}-vcm
Beispielbilder in den Bucket kopieren
Kopieren Sie als Nächstes das in diesem Tensorflow-Blogpost verwendete Blumen-Dataset. Die Bilder sind in einem öffentlichen Cloud Storage-Bucket gespeichert, sodass Sie sie direkt von dort in Ihren eigenen Bucket kopieren können.
Geben Sie in der Cloud Shell-Sitzung Folgendes ein:
gsutil -m cp -R gs://cloud-samples-data/ai-platform/flowers/ gs://${BUCKET}/img/
Das Kopieren der Datei dauert ungefähr 20 Minuten.
CSV-Datei zur Bildklassifizierung erstellen
Das Beispiel-Dataset enthält eine CSV-Datei mit allen Bildspeicherorten und -labels. Damit lässt sich eine eigene CSV-Datei erstellen:
Aktualisieren Sie die CSV-Datei so, dass sie auf die Dateien in Ihrem Bucket verweist:
gsutil cat gs://${BUCKET}/img/flowers/all_data.csv | sed "s:cloud-ml-data/img/flower_photos/:${BUCKET}/img/flowers/:" > all_data.csv
Kopieren Sie die CSV-Datei in Ihren Bucket:
gsutil cp all_data.csv gs://${BUCKET}/csv/
Dataset zur Bildklassifizierung erstellen
Besuchen Sie die AutoML Vision-UI, um mit dem Erstellen Ihres Datasets und dem Trainieren Ihres Modells zu beginnen.
Wählen Sie bei Aufforderung das Projekt aus, das Sie für Ihren Cloud Storage-Bucket verwendet haben.
Klicken Sie auf der AutoML Vision-Seite auf New Dataset:
Geben Sie einen Namen für das Dataset an. Klicken Sie auf das +-Zeichen, um fortzufahren.
Wählen Sie im Bildschirm Select files to import das Optionsfeld
Select a CSV file on Cloud Storage aus. Geben Sie den Cloud Storage-URI Ihrer CSV-Datei an. In dieser Kurzanleitung befindet sich die CSV-Datei unter:gs://${PROJECT_ID}-vcm/csv/all_data.csv
Ersetzen Sie
PROJECT_ID
durch Ihre spezifische Projekt-ID.Klicken Sie auf Continue, um den Bildimport zu starten. Der Importvorgang dauert einige Minuten. Sobald der Vorgang abgeschlossen ist, werden Sie zur nächsten Seite weitergeleitet. Dort finden Sie Details zu allen Bildern (mit und ohne Label), die für Ihr Dataset ermittelt wurden.
In der Cloud gehostetes AutoML Vision-Modell trainieren
Sobald Ihr Dataset erstellt und verarbeitet wurde, wählen Sie den Tab Train (Trainieren) aus, um mit dem Modelltraining zu beginnen.
Wählen Sie Start trainingaus, um fortzufahren. Dadurch wird das Fenster Neues Modell trainieren mit Trainingsoptionen geöffnet.
Ändern Sie im Abschnitt Modell definieren des neuen Modelltrainingsfensters den Modellnamen (optional) und wählen Sie die Option
Cloud gehostet aus. Wählen Sie Weiter aus, um zum nächsten Abschnitt zu gelangen.Übernehmen Sie im Abschnitt Knotenstundenbudget festlegen das vorgeschlagene Knotenbudget (32 Knotenstunden) aus.
Wählen Sie Start training aus, um mit dem Modelltraining zu beginnen.
Das Training des Modells wird gestartet und sollte etwa eine Stunde dauern. Das Training endet möglicherweise vor der ausgewählten Knotenstunde. Wenn das Training abgeschlossen ist oder ein Fehler auftritt, werden Sie per E-Mail benachrichtigt.
AutoML Vision-Klassifizierungsmodell bereitstellen
Nachdem Ihr Modell trainiert wurde, können Sie es verwenden, um Bildern mit Ihrem benutzerdefinierten Modell Labels hinzuzufügen. Wählen Sie den Tab Test und Nutzung aus.
Wenn Sie die automatische Bereitstellung nicht aktiviert haben, werden Sie aufgefordert, ein Modell bereitzustellen, bevor Sie Vorhersagen treffen können.
Bilder mit AutoML Vision-Modell versehen
Klicken Sie auf den Tab Vorhersagen, um zu erfahren, wie Sie ein Bild an Ihr Modell senden können, um Bildinhaltslabels abzurufen. Weitere Beispiele finden Sie unter Onlinevorhersagen treffen oder Batchvorhersagen treffen.
Bereinigen
Löschen Sie das Google Cloud-Projekt mit den Ressourcen, damit Ihrem Google Cloud-Konto die auf dieser Seite verwendeten Ressourcen nicht in Rechnung gestellt werden.
Wenn Sie das benutzerdefinierte Modell oder das Dataset nicht mehr benötigen, können Sie es löschen.
Löschen Sie Ihr Projekt mit der GCP Console, wenn Sie es nicht mehr benötigen, um unnötige Google Cloud Platform-Gebühren zu vermeiden.
Bereitstellung eines Modells entfernen
Während der Bereitstellung fallen für das Modell Gebühren an.
- Wählen Sie den Tab Test und Nutzung direkt unter der Titelleiste aus.
- Wählen Sie aus dem Banner unterhalb des Modellnamens Deployment entfernen aus, um das Fenster zum Aufheben der Bereitstellung zu öffnen.
- Wählen Sie Remove deployment (Deployment entfernen) aus, um die Bereitstellung des Modells zu entfernen.
- Sie erhalten eine E-Mail, wenn die Bereitstellung vollständig entfernt wurde.
Projekt löschen (optional)
Löschen Sie das Projekt mit der Google Cloud Console, wenn Sie es nicht benötigen. Damit vermeiden Sie unnötige Kosten für die Google Cloud Platform.
Nächste Schritte
- Weitere Informationen zum maschinellen Lernen (ML) finden Sie im Einsteigerleitfaden.
- Weitere Informationen zu Fairness beim maschinellen Lernen finden Sie im Leitfaden zu inklusivem ML – AutoML.
- Trainieren Sie ein exportierbares AutoML Vision Edge-Modell mit der Kurzanleitung für Edge-Gerätemodelle.
- Starten Sie mit der AutoML Vision API in der Sprache Ihrer Wahl mithilfe einer AutoML Vision API-Clientbibliothek
- In den Anleitungen erfahren Sie mehr über die Erstellung und Verwaltung bestimmter Ressourcen (z. B. Datasets und Modelle) oder dazu, wie Sie Anmerkungen für einzelne Bilder oder einen Batch von Bildern abrufen.
- Gehen Sie eine der Anleitungen durch.