Etichetta le immagini con AutoML Vision

Etichetta le immagini con AutoML Vision

Questa guida rapida illustra la procedura per:

• Copia di un insieme di immagini in Cloud Storage.
• Creazione di un file CSV con l'elenco delle immagini e delle relative etichette di classificazione.
• Utilizzo di AutoML Vision per creare il tuo set di dati, addestrare ed eseguire il deployment del modello.
• Classificare un'immagine utilizzando il modello addestrato con etichette personalizzate.

Prima di iniziare

Requisito per la regione: attualmente le risorse del progetto devono trovarsi nella regione us-central1 per utilizzare questa API.

Configura il progetto

1. Accedi al tuo account Google Cloud. Se non conosci Google Cloud, crea un account per valutare le prestazioni dei nostri prodotti in scenari reali. I nuovi clienti ricevono anche 300 $di crediti gratuiti per l'esecuzione, il test e il deployment dei carichi di lavoro.
2. Installa Google Cloud CLI.

3. Per initialize gcloud CLI, esegui questo comando:

   gcloud init

4. Crea o seleziona un progetto Google Cloud.

   Nota: se non prevedi di conservare le risorse create in questa procedura, crea un progetto anziché selezionarne uno esistente. Dopo aver completato questi passaggi, puoi eliminare il progetto, rimuovendo tutte le risorse associate.

   • Crea un progetto Google Cloud:

     gcloud projects create PROJECT_ID

     Sostituisci PROJECT_ID con un nome per il progetto Google Cloud che stai creando.

   • Seleziona il progetto Google Cloud che hai creato:

     gcloud config set project PROJECT_ID

     Sostituisci PROJECT_ID con il nome del tuo progetto Google Cloud.

5. Assicurati che la fatturazione sia attivata per il tuo progetto Google Cloud.

6. Abilita le API AutoML and Cloud Storage.

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

7. Installa Google Cloud CLI.

8. Per initialize gcloud CLI, esegui questo comando:

   gcloud init

9. Crea o seleziona un progetto Google Cloud.

   Nota: se non prevedi di conservare le risorse create in questa procedura, crea un progetto anziché selezionarne uno esistente. Dopo aver completato questi passaggi, puoi eliminare il progetto, rimuovendo tutte le risorse associate.

   • Crea un progetto Google Cloud:

     gcloud projects create PROJECT_ID

     Sostituisci PROJECT_ID con un nome per il progetto Google Cloud che stai creando.

   • Seleziona il progetto Google Cloud che hai creato:

     gcloud config set project PROJECT_ID

     Sostituisci PROJECT_ID con il nome del tuo progetto Google Cloud.

10. Assicurati che la fatturazione sia attivata per il tuo progetto Google Cloud.

11. Abilita le API AutoML and Cloud Storage.

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

12. Imposta la variabile di ambiente PROJECT_ID sul tuo ID progetto.

    export PROJECT_ID=PROJECT_ID

    Le chiamate API e i nomi delle risorse AutoML includono l'ID progetto al loro interno. La variabile di ambiente PROJECT_ID consente di specificare facilmente l'ID.

Crea un bucket Cloud Storage

Utilizza Cloud Shell, una riga di comando Linux basata su browser connessa al progetto della console Google Cloud, per creare il tuo bucket Cloud Storage:

1. Apri Cloud Shell.

2. Creare un bucket Cloud Storage. Il nome del bucket deve essere nel formato: project-id-vcm.

   Il seguente comando crea un bucket di archiviazione denominato project-id-vcm nella regione us-central1. Per un elenco completo delle regioni disponibili, consulta la pagina Località dei bucket.

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

3. Imposta la variabile BUCKET.

   export BUCKET=${PROJECT_ID}-vcm

Copia le immagini di esempio nel tuo bucket

Ora copia il set di dati dei fiori utilizzato in questo post del blog di Tensorflow. Le immagini vengono archiviate in un bucket Cloud Storage pubblico, quindi puoi copiarle nel tuo bucket direttamente da qui.

1. Nella sessione di Cloud Shell inserisci:

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

   La copia del file richiede circa 20 minuti.

Creare il file CSV di classificazione delle immagini

Il set di dati di esempio contiene un file CSV con tutte le posizioni delle immagini e le etichette di ogni immagine. Lo utilizzerai per creare il tuo file CSV:

1. Aggiorna il file CSV in modo che punti ai file nel tuo 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. Copia il file CSV nel tuo bucket:

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

Crea il tuo set di dati di classificazione delle immagini

Visita l'interfaccia utente di AutoML Vision per iniziare il processo di creazione del set di dati e di addestramento del modello.

Quando richiesto, assicurati di selezionare il progetto che hai utilizzato per il bucket Cloud Storage.

1. Nella pagina AutoML Vision, fai clic su Nuovo set di dati:

   

2. Specifica un nome per il set di dati. Fai clic sul segno + per continuare.

   

3. Nella schermata Seleziona i file da importare, scegli l'opzione Seleziona un file CSV su Cloud Storage. Specifica l'URI Cloud Storage del file CSV. Per questa guida rapida, il file CSV si trova all'indirizzo:

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

   Sostituisci PROJECT_ID con l'ID progetto specifico.

   

4. Fai clic su Continua per avviare l'importazione dell'immagine. Il processo di importazione richiede pochi minuti. Al termine, si apre la pagina successiva, che contiene i dettagli su tutte le immagini identificate per il tuo set di dati, sia etichettate che non etichettate.

   Quando utilizzi il set di dati floreale indicato, vedrai diversi avvisi di avviso. Lo scopo è mostrare i messaggi di errore che potresti incontrare con i tuoi dati.

   

Addestra il tuo modello AutoML Vision ospitato su cloud

1. Dopo aver creato ed elaborato il set di dati, seleziona la scheda Addestra per avviare l'addestramento del modello.

   

2. Seleziona Inizia addestramento per continuare. Si aprirà la finestra Addestra nuovo modello con le opzioni di addestramento.

3. Nella sezione Definisci il modello della finestra di addestramento del nuovo modello, modifica il nome del modello (facoltativo) e seleziona l'opzione per il modello Ospitato nel cloud. Seleziona Continua per passare alla sezione successiva.

   

4. Nella sezione Imposta un budget per l'ora nodo, accetta il budget nodo suggerito (32 ore nodo).

   Budget per ora nodo: il tempo di addestramento consigliato viene calcolato in base a:

   • curve di apprendimento dei modelli
   • dimensione del set di dati di addestramento

   Se l'addestramento del modello converge prima della selezione del tempo consigliato o personalizzato, il sistema consente l'interruzione anticipata; ciò significa che ti viene addebitato solo il tempo necessario per l'addestramento del modello. Ti invitiamo a utilizzare la quantità di ore consigliata per evitare di utilizzare più risorse del necessario e ridurre i costi di fatturazione.

   

5. Seleziona "Inizia addestramento" per iniziare l'addestramento del modello.

   L'operazione richiede circa un'ora L'addestramento potrebbe interrompersi prima dell'ora nodo selezionata. Il servizio ti invierà un'email al termine dell'addestramento o in caso di errori.

Nota: al termine dell'addestramento, puoi fare riferimento alle metriche di valutazione, nonché testare e utilizzare il modello. Seleziona la scheda Valuta per scoprire di più sui punteggi F1, di precisione e di richiamo. Seleziona una singola etichetta in Filtra etichette per visualizzare i dettagli su veri positivi, falsi negativi e falsi positivi.

Esegui il deployment del modello di classificazione AutoML Vision

Dopo che il modello è stato addestrato correttamente, puoi utilizzarlo per etichettare le immagini utilizzando il modello personalizzato. Seleziona la scheda Testa e utilizza.

Se non hai attivato il deployment automatico, ti verrà chiesto di eseguire il deployment del modello prima di poter fare previsioni.

Esegui manualmente il deployment del modello

AutoML Vision richiede che venga eseguito il deployment del modello addestrato prima di potervi inviare richieste di previsione.

1. Nella scheda Testa e utilizza esegui manualmente il deployment del modello selezionando l'opzione Esegui il deployment del modello dal banner sotto il nome del modello.

   Se selezioni Esegui il deployment del modello, si apre la finestra delle opzioni di deployment del modello

2. Nella finestra delle opzioni di deployment del modello puoi selezionare il numero di nodi su cui eseguire il deployment e visualizzare le query di previsione al secondo (QPS) disponibili.
3. Seleziona Esegui il deployment per iniziare il deployment del modello.
4. Al termine del deployment del modello, riceverai un'email.

Nota: puoi utilizzare la UI anche per aggiornare il conteggio dei nodi di un modello di cui è stato eseguito il deployment.

Etichetta un'immagine utilizzando il tuo modello AutoML Vision

Fai clic sulla scheda Previsione per istruzioni sull'invio di un'immagine al modello per ottenere le etichette dei contenuti delle immagini. Puoi anche consultare gli argomenti Esecuzione di una previsione online o Esecuzione di previsioni batch per alcuni esempi.

La previsione batch spesso offre un costo per inferenza inferiore e una velocità effettiva superiore rispetto alla previsione sincrona (online). Tuttavia, la previsione batch produce un'operazione a lunga esecuzione (LRO), il che significa che i risultati sono disponibili solo al termine dell'LRO.

Esegui la pulizia

Per evitare che al tuo account Google Cloud vengano addebitati costi relativi alle risorse utilizzate in questa pagina, elimina il progetto Google Cloud con le risorse.

Se non hai più bisogno di un modello o set di dati personalizzato, puoi eliminarli.

Per evitare addebiti inutili di Google Cloud Platform, utilizza la console di Google Cloud per eliminare il progetto se non ti serve.

Annulla il deployment del modello

Il modello prevede addebiti durante il deployment.

1. Seleziona la scheda Testa e utilizza subito sotto la barra del titolo.
2. Seleziona Rimuovi deployment dal banner sotto il nome del modello per aprire la finestra dell'opzione di annullamento del deployment.

   

3. Seleziona Rimuovi deployment per annullare il deployment del modello.

   

4. Riceverai un'email al completamento dell'annullamento del deployment del modello.

Elimina il progetto (facoltativo)

Per evitare addebiti inutili di Google Cloud Platform, utilizza la console Google Cloud per eliminare il progetto se non ti serve.

Passaggi successivi

• Scopri di più sul machine learning (ML) nella Guida per nuovi utenti.
• Per saperne di più sull'equità del machine learning, consulta la guida al machine learning inclusivo: AutoML.
• Addestra un modello AutoML Vision Edge esportabile utilizzando la guida rapida dei modelli di dispositivi Edge.
• Inizia a utilizzare l'API AutoML Vision nella lingua che preferisci utilizzando una libreria client dell'API AutoML Vision.
• Utilizza le guide illustrative per saperne di più sulla creazione e sulla gestione di risorse specifiche (come set di dati e modelli) o su come ottenere annotazioni per una singola immagine o un gruppo di immagini.
• Segui uno dei tutorial.