Bilder mithilfe von AutoML Vision mit Label versehen

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

Region: Derzeit müssen sich Projektressourcen in der Region us-central1 befinden, um diese API verwenden zu können.

Set up your project

1. 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.
2. Installieren Sie die Google Cloud CLI.

3. Führen Sie folgenden Befehl aus, um die gcloud CLI zu initialisieren:

   gcloud init

4. Google Cloud-Projekt erstellen oder auswählen.

   Hinweis: Wenn Sie die Ressourcen, die Sie in diesem Verfahren erstellen, nicht behalten möchten, erstellen Sie ein Projekt, anstatt ein vorhandenes Projekt auszuwählen. Wenn Sie fertig sind, können Sie das Projekt löschen und dadurch alle mit dem Projekt verknüpften Ressourcen entfernen.

   • Erstellen Sie ein Google Cloud-Projekt:

     gcloud projects create PROJECT_ID

     Ersetzen Sie PROJECT_ID durch einen Namen für das Google Cloud-Projekt, das Sie erstellen.

   • Wählen Sie das von Ihnen erstellte Google Cloud-Projekt aus:

     gcloud config set project PROJECT_ID

     Ersetzen Sie PROJECT_ID durch den Namen Ihres Google Cloud-Projekts.

5. Die Abrechnung für das Google Cloud-Projekt muss aktiviert sein.

6. Aktivieren Sie die AutoML and Cloud Storage APIs:

   gcloud services enable storage-component.googleapis.com automl.googleapis.com storage-api.googleapis.com

7. Installieren Sie die Google Cloud CLI.

8. Führen Sie folgenden Befehl aus, um die gcloud CLI zu initialisieren:

   gcloud init

9. Google Cloud-Projekt erstellen oder auswählen.

   Hinweis: Wenn Sie die Ressourcen, die Sie in diesem Verfahren erstellen, nicht behalten möchten, erstellen Sie ein Projekt, anstatt ein vorhandenes Projekt auszuwählen. Wenn Sie fertig sind, können Sie das Projekt löschen und dadurch alle mit dem Projekt verknüpften Ressourcen entfernen.

   • Erstellen Sie ein Google Cloud-Projekt:

     gcloud projects create PROJECT_ID

     Ersetzen Sie PROJECT_ID durch einen Namen für das Google Cloud-Projekt, das Sie erstellen.

   • Wählen Sie das von Ihnen erstellte Google Cloud-Projekt aus:

     gcloud config set project PROJECT_ID

     Ersetzen Sie PROJECT_ID durch den Namen Ihres Google Cloud-Projekts.

10. Die Abrechnung für das Google Cloud-Projekt muss aktiviert sein.

11. Aktivieren Sie die AutoML and Cloud Storage APIs:

    gcloud services enable storage-component.googleapis.com automl.googleapis.com storage-api.googleapis.com

12. Set the PROJECT_ID environment variable to your Project ID.

    export PROJECT_ID=PROJECT_ID

    The AutoML API calls and resource names include your Project ID in them. The PROJECT_ID environment variable provides a convenient way to specify the ID.

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:

1. Öffnen Sie Cloud Shell.

2. 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 Namen project-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/

3. 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.

1. 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:

1. 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
   

2. 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.

1. Klicken Sie auf der AutoML Vision-Seite auf New Dataset:

   

2. Geben Sie einen Namen für das Dataset an. Klicken Sie auf das +-Zeichen, um fortzufahren.

   

3. 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.

   

4. 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.

   Wenn Sie das angegebene Blumen-Dataset verwenden, erhalten Sie mehrere Warnmeldungen. Dies ist sinnvoll, um Fehlermeldungen einzublenden, die bei Ihren eigenen Daten auftreten können.

   

In der Cloud gehostetes AutoML Vision-Modell trainieren

1. Sobald Ihr Dataset erstellt und verarbeitet wurde, wählen Sie den Tab Train (Trainieren) aus, um mit dem Modelltraining zu beginnen.

   

2. Wählen Sie Start trainingaus, um fortzufahren. Dadurch wird das Fenster Neues Modell trainieren mit Trainingsoptionen geöffnet.

3. 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.

   

4. Übernehmen Sie im Abschnitt Knotenstundenbudget festlegen das vorgeschlagene Knotenbudget (32 Knotenstunden) aus.

   Knotenstundenbudget: Die empfohlene Trainingsdauer wird berechnet anhand von:

   • Lernkurven des Modells
   • Größe des Trainings-Datasets

   Wenn das Modelltraining vor Ablauf des empfohlenen oder benutzerdefinierten Zeitraums konvergiert, ermöglicht das System ein vorzeitiges Beenden. Das bedeutet, dass Ihnen nur die Zeit in Rechnung gestellt wird, die für das Training des Modells erforderlich ist. Wir empfehlen Ihnen, die empfohlene Anzahl an Stunden zu verwenden, um zu vermeiden, dass mehr Ressourcen als nötig verwendet werden, und um die Abrechnungskosten zu senken.

   

5. 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.

Hinweis: Nach Abschluss des Trainings können Sie auf Bewertungsmesswerte verweisen sowie das Modell testen und verwenden. Wählen Sie die Option Bewerten aus, um weitere Informationen zu F1-, Genauigkeits- und Trefferquotenwerten zu erhalten. Wählen Sie unter Filter labels ein einzelnes Label aus, um mehr Informationen zu richtig positiven, falsch negativen und falsch positiven Ergebnissen zu erhalten.

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.

Modell manuell bereitstellen

Bei AutoML Vision müssen Sie ein trainiertes Modell bereitstellen, bevor Sie Vorhersageanfragen an das Modell senden können.

1. Stellen Sie das Modell auf dem Tab Test und Nutzung manuell bereit. Wählen Sie dazu die Option Modell bereitstellen im Banner unter dem Modellnamen aus.

   Wenn Sie Modell bereitstellen auswählen, wird das Fenster für die Modellbereitstellung geöffnet.

2. Im Fenster mit den Optionen für die Modellbereitstellung können Sie die Anzahl der bereitzustellenden Knoten auswählen und die verfügbaren Vorhersageabfragen pro Sekunde anzeigen lassen.
3. Wählen Sie Bereitstellen aus, um mit der Modellimplementierung zu beginnen.
4. Sie erhalten eine E-Mail, sobald die Bereitstellung des Modells abgeschlossen ist.

Hinweis: Sie können die Knotenanzahl eines bereitgestellten Modells auch über die Benutzeroberfläche aktualisieren.

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.

Die Batchvorhersage ermöglicht häufig niedrigere Kosten pro Inferenz und einen höheren Durchsatz als die synchrone Onlinevorhersage. Die Batchvorhersage ist jedoch mit einem Vorgang mit langer Ausführungszeit verbunden, d. h., die Ergebnisse sind erst verfügbar, wenn der Vorgang abgeschlossen ist.

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.

1. Wählen Sie den Tab Test und Nutzung direkt unter der Titelleiste aus.
2. Wählen Sie aus dem Banner unterhalb des Modellnamens Deployment entfernen aus, um das Fenster zum Aufheben der Bereitstellung zu öffnen.

   

3. Wählen Sie Remove deployment (Deployment entfernen) aus, um die Bereitstellung des Modells zu entfernen.

   

4. 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.