Memberikan label pada gambar dengan menggunakan AutoML Vision

Memberikan label pada gambar dengan menggunakan AutoML Vision

Panduan memulai ini akan memandu Anda melalui proses:

• Menyalin kumpulan gambar ke dalam Cloud Storage.
• Membuat CSV yang mencantumkan gambar dan label klasifikasinya.
• Menggunakan AutoML Vision untuk membuat set data Anda, serta melatih dan men-deploy model Anda.
• Mengklasifikasikan gambar menggunakan model Anda yang dilatih dengan label khusus.

Sebelum memulai

Persyaratan region: Saat ini, resource project harus berada di region us-central1 agar dapat menggunakan API ini.

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.

   Catatan: Jika tidak berencana untuk menyimpan resource yang Anda buat dalam prosedur ini, buatlah project, bukan memilih project yang ada. Setelah menyelesaikan langkah ini, Anda dapat menghapus project, yang menghapus semua resource yang terkait dengan project ini.

   • 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.

   Catatan: Jika tidak berencana untuk menyimpan resource yang Anda buat dalam prosedur ini, buatlah project, bukan memilih project yang ada. Setelah menyelesaikan langkah ini, Anda dapat menghapus project, yang menghapus semua resource yang terkait dengan project ini.

   • 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 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/
   

   Penyalinan file akan memerlukan waktu sekitar 20 menit hingga selesai.

Membuat file CSV klasifikasi gambar

Set data contoh berisi file CSV beserta 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 klasifikasi gambar 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:

   

2. Tentukan nama untuk set data ini. Klik tanda + untuk melanjutkan.

   

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.

   

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.

   Saat menggunakan set data bunga yang ditunjukkan, Anda akan melihat beberapa laporan peringatan. Tujuannya adalah untuk menampilkan pesan error yang mungkin akan Anda temukan dengan data Anda sendiri.

   

Melatih model AutoML Vision yang dihosting Cloud Anda

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

   

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

3. Di bagian Tentukan model Anda dari jendela pelatihan model baru, ubah nama model (opsional) dan pilih opsi pilihan model yang dihosting Cloud . Pilih Lanjutkan untuk berpindah ke bagian berikutnya.

   

4. Di bagian Tetapkan anggaran jam kerja node, terima anggaran node yang disarankan (32 jam kerja node).

   Anggaran jam kerja node: Waktu pelatihan yang direkomendasikan dihitung berdasarkan:

   • kurva pembelajaran model
   • ukuran set data pelatihan

   Jika pelatihan model berkumpul sebelum waktu yang direkomendasikan atau waktu kustom yang dipilih, sistem memungkinkan penghentian awal; hal ini berarti Anda hanya dikenai biaya untuk waktu yang diperlukan dalam melatih model. Sebaiknya Anda menggunakan jumlah jam yang disarankan untuk menghindari penggunaan resource lebih dari yang diperlukan dan mengurangi biaya penagihan.

   

5. 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.

Catatan: Setelah pelatihan selesai, Anda dapat melihat metrik evaluasi, serta menguji dan menggunakan model. Pilih tab Evaluasi untuk mendapatkan detail selengkapnya tentang skor F1, Presisi, dan Perolehan. Pilih label individual di bagian Filter label untuk mendapatkan detail tentang positif benar, negatif palsu, dan positif palsu.

Men-deploy model klasifikasi AutoML Vision Anda

Setelah model Anda berhasil dilatih, Anda dapat menggunakannya untuk memberi label pada gambar menggunakan model kustom Anda. Pilih tab Uji dan Gunakan.

Jika Anda tidak memilih ikut serta dalam deployment otomatis, Anda akan diminta untuk men-deploy model Anda sebelum Anda dapat membuat prediksi.

Men-deploy model secara manual

AutoML Vision mengharuskan Anda men-deploy model terlatih Anda sebelum Anda dapat mengirim permintaan prediksi ke model tersebut.

1. Di tab Uji dan Gunakan, deploy model Anda secara manual dengan memilih opsi Deploy Model dari banner di bawah nama model Anda.

   Memilih Deploy Model akan membuka jendela opsi deployment model

2. Di jendela opsi deployment model, Anda dapat memilih jumlah node yang akan di-deploy dan melihat kueri prediksi per detik (QPS) yang tersedia.
3. Pilih Deploy untuk memulai deployment model.
4. Anda akan menerima email saat deployment model selesai.

Catatan: Anda juga dapat menggunakan UI untuk memperbarui jumlah node dari model yang di-deploy.

Memberikan label pada gambar menggunakan model AutoML Vision Anda

Klik tab Prediksi untuk mendapatkan petunjuk tentang cara mengirim gambar ke model Anda guna mendapatkan label konten gambar. Anda juga dapat melihat Membuat prediksi online atau Membuat prediksi batch untuk mengetahui contohnya.

Prediksi batch sering menawarkan biaya per inferensi yang lebih rendah dan throughput yang lebih tinggi daripada prediksi sinkron (online). Namun, prediksi batch menghasilkan operasi yang berjalan lama (LRO), yang berarti bahwa hasilnya hanya tersedia setelah LRO selesai.

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.

Jika 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.

   

3. Pilih Hapus deployment untuk membatalkan deployment 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.

Langkah selanjutnya

• Pelajari machine learning (ML) lebih lanjut di Panduan pemula.
• Pelajari keadilan ML di Panduan ML inklusif - AutoML.
• Latih model AutoML Vision Edge yang dapat diekspor menggunakan panduan memulai model perangkat Edge.
• Mulai dengan AutoML Vision API dalam bahasa pilihan Anda menggunakan Library Klien AutoML Vision API.
• Gunakan Panduan cara kerja untuk mempelajari lebih lanjut mengenai pembuatan dan pengelolaan resource tertentu (seperti set data dan model), atau cara mendapatkan anotasi untuk setiap gambar atau batch gambar.
• Pelajari salah satu tutorial.