Étiqueter des images à l'aide d'AutoML Vision

Étiqueter des images à l'aide d'AutoML Vision

Ce guide de démarrage rapide vous présente les processus suivants :

• Copier un ensemble d’images dans Google Cloud Storage.
• Créer un fichier CSV répertoriant les images et leurs étiquettes de classification.
• Utiliser AutoML Vision pour créer un ensemble de données, puis pour entraîner et déployer un modèle.
• Classer une image à l'aide de votre modèle entraîné avec des étiquettes personnalisées.

Avant de commencer

Exigence de région : Pour utiliser cette API, les ressources du projet doivent actuellement se trouver dans la région us-central1.

Configurer votre projet

1. Connectez-vous à votre compte Google Cloud. Si vous débutez sur Google Cloud, créez un compte pour évaluer les performances de nos produits en conditions réelles. Les nouveaux clients bénéficient également de 300 $ de crédits gratuits pour exécuter, tester et déployer des charges de travail.
2. Installez Google Cloud CLI.

3. Pour initialiser gcloudCLI, exécutez la commande suivante :

   gcloud init

4. Créer ou sélectionner un projet Google Cloud

   Remarque : Si vous ne comptez pas conserver les ressources créées dans cette procédure, créez un projet au lieu de sélectionner un projet existant. Après avoir suivi ces étapes, vous pouvez supprimer le projet. Cela entraîne la suppression de toutes les ressources qui lui sont associées.

   • Créez un projet Google Cloud :

     gcloud projects create PROJECT_ID

   • Sélectionnez le projet Google Cloud que vous avez créé :

     gcloud config set project PROJECT_ID

5. Vérifiez que la facturation est activée pour votre projet Google Cloud.

6. Activer les API AutoML and Cloud Storage :

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

7. Installez Google Cloud CLI.

8. Pour initialiser gcloudCLI, exécutez la commande suivante :

   gcloud init

9. Créer ou sélectionner un projet Google Cloud

   Remarque : Si vous ne comptez pas conserver les ressources créées dans cette procédure, créez un projet au lieu de sélectionner un projet existant. Après avoir suivi ces étapes, vous pouvez supprimer le projet. Cela entraîne la suppression de toutes les ressources qui lui sont associées.

   • Créez un projet Google Cloud :

     gcloud projects create PROJECT_ID

   • Sélectionnez le projet Google Cloud que vous avez créé :

     gcloud config set project PROJECT_ID

10. Vérifiez que la facturation est activée pour votre projet Google Cloud.

11. Activer les API AutoML and Cloud Storage :

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

12. Définissez la variable d'environnement PROJECT_ID sur votre ID de projet.

    export PROJECT_ID=PROJECT_ID

    Les noms de ressources et les appels d'API AutoML incluent votre ID de projet. La variable d’environnement PROJECT_ID constitue un moyen pratique de spécifier l’ID.

Créer un bucket Cloud Storage

Utilisez Cloud Shell, une ligne de commande Linux basée sur navigateur et connectée à votre projet Google Cloud Console, pour créer votre bucket Cloud Storage :

1. Ouvrez Cloud Shell.

2. Créer un bucket Cloud Storage Le nom du bucket doit respecter le format suivant : project-id-vcm.

   La commande ci-dessous permet de créer un bucket de stockage dans la région us-central1, nommé project-id-vcm. Pour obtenir la liste complète des régions disponibles, consultez la page Emplacement des buckets.

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

3. Définissez la variable BUCKET.

   export BUCKET=${PROJECT_ID}-vcm

Copier les exemples d'images dans le bucket

Ensuite, copiez l'ensemble de données de fleurs utilisé dans cet article de blog Tensorflow. Les images sont stockées dans un bucket Cloud Storage public. Vous pouvez donc les copier directement dans votre propre bucket.

1. Dans votre session Cloud Shell, entrez la commande suivante :

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

   La copie des fichiers prend environ 20 minutes.

Créer le fichier CSV de classification d'images

L'exemple d'ensemble de données contient un fichier CSV avec tous les emplacements d'images et les libellés pour chaque image. Vous allez l'utiliser pour créer votre propre fichier CSV :

1. Mettez à jour le fichier CSV de sorte qu'il pointe vers les fichiers de votre bucket :

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

2. Copiez le fichier CSV dans le bucket :

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

Créer votre ensemble de données de classification d'images

Accédez à l'interface utilisateur AutoML Vision pour commencer le processus de création de l'ensemble de données et d'entraînement de votre modèle.

Lorsque vous y êtes invité, veillez à sélectionner le projet que vous avez utilisé pour créer le bucket Cloud Storage.

1. Sur la page "AutoML Vision", cliquez sur Nouvel ensemble de données :

   

2. Spécifiez un nom pour cet ensemble de données. Cliquez sur le signe + pour continuer.

   

3. Sur l'écran Select files to import (Sélectionner les fichiers à importer), cochez la case d'option Select a CSV file on Cloud Storage (Sélectionner un fichier CSV sur Cloud Storage). Spécifiez l'URI Cloud Storage de votre fichier CSV. Le fichier CSV utilisé dans ce guide de démarrage rapide se situe à l'emplacement :

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

   Remplacez PROJECT_ID par l'ID de votre projet.

   

4. Cliquez sur Continue (Continuer) pour lancer l'importation de l'image. Le processus d'importation prend quelques minutes. Une fois l'opération terminée, vous êtes dirigé sur la page suivante, qui présente des informations détaillées sur toutes les images identifiées dans votre ensemble de données, avec et sans libellés.

   Lorsque vous utilisez l'ensemble de données de fleurs indiqué, plusieurs alertes d'avertissement s'affichent. Celles-ci vous indiquent les messages d'erreur que vous pouvez rencontrer avec vos propres données.

   

Entraîner votre modèle AutoML Vision hébergé dans le cloud

1. Une fois l'ensemble de données créé et traité, sélectionnez l'onglet Train (Entraînement) pour commencer l'entraînement du modèle.

   

2. Sélectionnez Démarrer l'entraînement pour continuer. Une fenêtre Entraîner un nouveau modèle s'ouvre et propose des options d'entraînement.

3. Dans la section Define your model (Définir votre modèle) de la nouvelle fenêtre d'entraînement, modifiez le nom du modèle (facultatif) et cochez la case d'option Cloud hosted (Hébergé dans le cloud). Cliquez sur Continue (Continuer) pour passer à la section suivante.

   

4. Dans la section Set a node hour budget (Définir un budget pour une heure de nœud), acceptez le budget d'heures de nœud recommandé (32).

   Budget par nœud-heure : La durée d'entraînement recommandée est calculée en fonction des critères suivants :

   • Courbes d'apprentissage du modèle
   • Taille de l'ensemble de données d'entraînement

   Si l'entraînement du modèle atteint son point de convergence avant la durée recommandée ou personnalisée, le système autorise un arrêt prématuré. Dans ce cas, vous êtes facturé uniquement pour la durée nécessaire à l'entraînement du modèle. Pour éviter de gaspiller des ressources et réduire vos frais, nous vous conseillons d'utiliser le volume d'heures recommandé.

   

5. Sélectionnez Start training (Démarrer l'entraînement) pour commencer l'entraînement du modèle.

   L'entraînement du modèle commence et prend environ une heure. Il peut s'arrêter avant l'heure de nœud que vous avez sélectionnée. Le service vous enverra un e-mail à la fin de l'entraînement ou si des erreurs se sont produites.

Remarque : Une fois l'entraînement terminé, vous pouvez consulter les métriques d'évaluation, tester le modèle et l'utiliser. Cliquez sur l'onglet Évaluation pour en savoir plus sur les scores F1, Précision et Rappel. Sélectionnez un libellé sous Filtrer les libellés pour obtenir des informations sur les vrais positifs, les faux négatifs et les faux positifs.

Déployer votre modèle de classification AutoML Vision

Une fois l'entraînement de votre modèle mené à bien, vous pouvez vous en servir pour identifier des images. Sélectionnez l'onglet Test et utilisation.

Si vous n'avez pas opté pour le déploiement automatique, vous serez invité à déployer votre modèle avant de pouvoir effectuer des prédictions.

Déployer un modèle manuellement

Avant de pouvoir envoyer des requêtes de prédictions à AutoML Vision, vous devez déployer un modèle entraîné.

1. Dans l'onglet Test et utilisation, accédez à la bannière située sous le nom de votre modèle, puis sélectionnez l'option Déployer un modèle pour déployer votre modèle manuellement.

   Lorsque vous sélectionnez Déployer un modèle, la fenêtre des options de déploiement du modèle s'affiche.

2. Dans la fenêtre des options de déploiement du modèle, vous pouvez sélectionner le nombre de nœuds avec lesquels déployer et consulter les requêtes de prédiction par seconde (RPS) disponibles.
3. Sélectionnez Déployer pour lancer le déploiement du modèle.
4. Vous recevrez un e-mail une fois le déploiement terminé.

Remarque : L'interface utilisateur vous permet également de mettre à jour le nombre de nœuds d'un modèle déployé.

Ajouter une étiquette à une image à l'aide de votre modèle AutoML Vision

Cliquez sur l'onglet Prédiction pour obtenir des instructions sur l'envoi d'une image à votre modèle afin d'obtenir des étiquettes de contenu d'image. Vous pouvez également consulter des exemples dans les sections Effectuer une prédiction en ligne ou Effectuer des prédictions par lot.

La prédiction par lot offre souvent un coût par inférence inférieur et un débit plus élevé que la prédiction synchrone (en ligne). Cependant, la prédiction par lot produit une opération de longue durée, ce qui signifie que les résultats ne sont disponibles qu'une fois l'opération terminée.

Effectuer un nettoyage

Pour éviter que les ressources utilisées sur cette page ne soient facturées sur votre compte Google Cloud, supprimez le projet Google Cloud contenant les ressources.

Si vous n'avez plus besoin de votre modèle personnalisé ou de votre ensemble de données, vous pouvez les supprimer.

Pour éviter des frais Google Cloud Platform inutiles, supprimez votre projet à l'aide de la console GCP si vous n'en avez plus besoin.

Annuler le déploiement du modèle

Des frais vous sont facturés pour le déploiement du modèle. Pour les éviter :

1. Sélectionnez l'onglet Test & Use (Test et utilisation) situé juste en dessous de la barre de titre.
2. Sélectionnez Remove deployment (Supprimer le déploiement) dans la bannière située sous le nom de votre modèle pour ouvrir la fenêtre d'annulation du déploiement.

   

3. Sélectionnez Supprimer le déploiement pour annuler le déploiement du modèle.

   

4. Vous recevrez un e-mail une fois l'annulation du déploiement du modèle terminée.

Supprimer votre projet (facultatif)

Pour éviter d'encourir des frais inutiles liés à Google Cloud Platform, supprimez votre projet à l'aide de Cloud Console si vous n'en avez plus besoin.

Étape suivante

• Pour en savoir plus sur le machine learning (ML), consultez le guide du débutant.
• Pour en savoir plus sur l'équité dans le ML, consultez le guide sur l'inclusion dans le ML – AutoML.
• Entraînez un modèle AutoML Vision Edge exportable à l'aide du guide de démarrage rapide sur les modèles d'appareils Edge.
• Faites vos premiers pas avec l'API Vision AutoML dans le langage de votre choix au moyen d'une bibliothèque cliente de l'API Vision AutoML.
• Reportez-vous aux guides pratiques pour en savoir plus sur la création et la gestion de ressources spécifiques (telles que les ensembles de données et les modèles), ou sur la façon d'obtenir des annotations pour une image individuelle ou un lot d'images.
• Suivez l'un des tutoriels.