AutoML Vision を使用して画像にラベルを付ける

AutoML Vision を使用して画像にラベルを付ける

このクイックスタートでは、以下のプロセスを順を追って説明します。

• Cloud Storage に一連の画像をコピーする。
• 画像とその分類ラベルをリストした CSV を作成する。
• AutoML Vision を使用してデータセットを作成し、モデルをトレーニングしてデプロイする。
• カスタムラベルでトレーニングされたモデルを使用して画像を分類する。

始める前に

リージョンの要件: この API を使用するには、プロジェクト リソースが現在 us-central1 リージョンにある必要があります。

プロジェクトを設定する

1. Install the Google Cloud CLI.

2. Configure the gcloud CLI to use your federated identity.

   For more information, see Browser-based sign-in with the gcloud CLI.

3. To initialize the gcloud CLI, run the following command:

   gcloud init

4. Create or select a Google Cloud project.

   Note: If you don't plan to keep the resources that you create in this procedure, create a project instead of selecting an existing project. After you finish these steps, you can delete the project, removing all resources associated with the 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.

5. Make sure that billing is enabled for your Google Cloud project.

6. Enable the AutoML and Cloud Storage APIs:

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

7. 環境変数 PROJECT_ID をプロジェクト ID に設定します。

   export PROJECT_ID=PROJECT_ID

   AutoML API 呼び出しとリソース名には、プロジェクト ID が含まれています。環境変数 PROJECT_ID は、ID の指定に便利です。

Cloud Storage バケットを作成する

Google Cloud コンソール プロジェクトに接続されたブラウザベースの Linux コマンドラインである Cloud Shell を使用して Cloud Storage バケットを作成します。

1. Cloud Shell を開きます。

2. Cloud Storage バケットを作成します。バケット名の形式は、project-id-vcm にする必要があります。

   次のコマンドによって、project-id-vcm という名前の us-central1 リージョンにストレージ バケットが作成されます。利用可能なリージョンの一覧については、バケット ロケーション ページをご覧ください。

   gcloud storage buckets create gs://${PROJECT_ID}-vcm/ --project=${PROJECT_ID} --location=us-central1

3. BUCKET 変数を設定します。

   export BUCKET=${PROJECT_ID}-vcm

バケットへのサンプル画像のコピー

次に、この Tensorflow のブログ投稿で使用されている花のデータセットをコピーします。画像は公開 Cloud Storage バケットに保存されるため、そこから直接自分のバケットにコピーできます。

1. Cloud Shell セッションで、次のように入力します。

   gcloud storage cp gs://cloud-samples-data/ai-platform/flowers/ gs://${BUCKET}/img/ --recursive
   

   ファイルのコピーには約 20 分かかります。

画像分類 CSV ファイルの作成

サンプル データセットには、すべての画像の場所と各画像のラベルを含む CSV ファイルが含まれています。これを使用して独自の CSV ファイルを作成します。

1. CSV ファイルを更新して、自分のバケット内のファイルを指すようにします。

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

2. バケットに CSV ファイルをコピーします。

   gcloud storage cp all_data.csv gs://${BUCKET}/csv/
   

画像分類データセットの作成

データセットの作成とモデルのトレーニングを開始するには、AutoML Vision UI にアクセスします。

プロンプトが表示されたら、Cloud Storage バケットに使用したプロジェクトを必ず選択します。

1. AutoML Vision ページから、[新しいデータセット] をクリックします。

   

2. このデータセットの名前を指定します。[+] 記号をクリックして続行します。

   

3. [インポートするファイルを選択します] 画面で、[Cloud Storage で CSV ファイルを選択] ラジオボタンをオンにします。CSV ファイルの Cloud Storage URI を指定します。このクイックスタートでは、CSV ファイルの場所は次のとおりです。

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

   PROJECT_ID は、特定のプロジェクト ID に置き換えます。

   

4. [続行] を選択して、画像のインポートを開始します。インポートには数分かかります。完了すると、次のページが表示され、データセットに対して識別されたすべての画像（ラベル付きの画像とラベルなし画像の両方）の詳細がそこに記載されます。

   指定された花のデータセットを使用すると、いくつかの警告が表示されます。これは、自分のデータを使用すると発生する可能性のあるエラー メッセージを示すためのものです。

   

クラウドでホストされる AutoML Vision モデルのトレーニング

1. データセットが作成されて処理されたら、[トレーニング] タブを選択してモデルのトレーニングを開始します。

   

2. 続行するには [トレーニングを開始] を選択してください。これにより、[新しいモデルのトレーニング] ウィンドウが開き、トレーニング オプションが表示されます。

3. 新しいモデル トレーニング ウィンドウの [モデルを定義する] セクションで、モデル名を変更し（省略可）、[クラウドでホスト] モデルのラジオボタンを選択します。[続行] を選択して次のセクションに進みます。

   

4. [ノード時間予算の設定] セクションで、推奨されるノード予算（32 ノード時間）をそのまま使用します。

   ノード時間予算: 推奨トレーニング時間は次の基準に基づいて計算されます。

   • モデルの学習曲線
   • トレーニング データセットのサイズ

   推奨時間またはカスタム時間を選択する前にモデル トレーニングが収束した場合、システムでは早期停止が許可されます。つまり、モデルのトレーニングにかかる時間に対してのみ料金が発生します。必要以上のリソースの使用を防ぎ、料金を削減するために、推奨された時間数を使用することをおすすめします。

   

5. モデルのトレーニングを開始するには、[トレーニングを開始] を選択します。

   モデルのトレーニングが開始されます。これには約 1 時間かかります。トレーニングは、選択したノード時間より前に停止することがあります。トレーニングが完了した後、またはエラーが発生した場合は、メールが届きます。

注: トレーニングが完了すると、評価指標の参照、モデルのテスト、モデルの使用を行えるようになります。[評価] タブを選択すると、F1、適合率、再現率のスコアの詳細が取得されます。[ラベルをフィルタ] の各ラベルを選択すると、真陽性、偽陰性、偽陽性の詳細が取得されます。

AutoML Vision 分類モデルのデプロイ

モデルのトレーニングが完了したら、カスタムモデルを使用して画像にラベルを付けることができます。[テストと使用] タブを選択します。

自動デプロイを選択しなかった場合は、予測を行う前にモデルのデプロイを促すメッセージが表示されます。

手動でのモデルのデプロイ

AutoML Vision では、トレーニング済みのモデルをデプロイすると、予測リクエストを送信できるようになります。

1. [テストと使用] タブで、モデル名の下のバナーから [モデルをデプロイ] オプションを選択して、手動でモデルをデプロイします。

   [モデルをデプロイ] を選択すると、モデルのデプロイのオプション ウィンドウが開きます。

2. モデルのデプロイのオプション ウィンドウで、デプロイするノード数を選択し、使用可能な予測秒間クエリ数（QPS）を表示できます。
3. [デプロイ] を選択して、モデルのデプロイを開始します。
4. モデルのデプロイが完了すると、メールが届きます。

注: UI を使用して、デプロイされたモデルのノード数を更新することもできます。

AutoML Vision モデルを使用した画像のラベル付け

画像をモデルに送信して画像のコンテンツ ラベルを取得する手順については、[予測] タブをクリックしてください。また、オンライン予測の作成やバッチ予測の作成などもご覧ください。

多くの場合、バッチ予測のほうが同期予測よりも推論コストが低く、スループットが高くなります。ただし、バッチ予測では長時間実行オペレーション（LRO）が発生します。つまり、LRO が完了するまで結果を得ることはできません。

クリーンアップ

このページで使用したリソースに対して Google Cloud アカウントで課金されないようにするには、Google Cloud プロジェクトとそのリソースを削除します。

不要になったカスタムモデルやデータセットは削除できます。

Google Cloud Platform の不必要な課金を避けるため、GCP Console を使用して、不要になったプロジェクトを削除します。

モデルのデプロイ解除

モデルがデプロイされている間は料金がかかります。

1. タイトルバーのすぐ下にある [テストと使用] タブを選択します。
2. モデル名の下にあるバナーから [デプロイメントを削除] を選択します。デプロイ解除オプションのウィンドウが開きます。

   

3. [デプロイメントを削除] を選択して、モデルのデプロイを解除します。

   

4. モデルのデプロイ解除が完了すると、メールが届きます。

プロジェクトを削除する（任意）

Google Cloud Platform で不必要な課金を避けるため、Google Cloud コンソールを使用して、不要になったプロジェクトを削除します。

次のステップ

• 機械学習（ML）の詳細については、初心者向けガイドをご覧ください。
• ML 公正性については、インクルーシブ ML ガイド - AutoML をご覧ください。
• Edge デバイスモデルのクイックスタートを使用して、エクスポート可能な AutoML Vision Edge モデルをトレーニングします。
• AutoML Vision API クライアント ライブラリを使用して、選択した言語で AutoML API の使用を開始します。
• 入門ガイドで、特定のリソースの作成と管理（データセットやモデルなど）の詳細、または個々の画像や画像バッチのアノテーションの取得方法を確認します。
• チュートリアルのいずれかを行います。