Kurzanleitung für ein in der Cloud gehostetes Modell

In dieser Kurzanleitung werden folgende Verfahren erläutert:

  • Bilder in Google Cloud Storage kopieren
  • CSV-Datei zum Auflisten von Bildern und den dazugehörigen Labels erstellen
  • Mithilfe von AutoML Vision ein Dataset erstellen und ein Modell trainieren und bereitstellen

Hinweis

Projekt einrichten

  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. Wählen Sie in der Google Cloud Console auf der Seite der Projektauswahl ein Google Cloud-Projekt aus oder erstellen Sie eines.

    Zur Projektauswahl

  3. Die Abrechnung für das Cloud-Projekt muss aktiviert sein. So prüfen Sie, ob die Abrechnung für Ihr Projekt aktiviert ist.

  4. AutoML and Cloud Storage APIs aktivieren.

    Aktivieren Sie die APIs

  5. Installieren Sie das gcloud-Befehlszeilentool.
  6. Folgen Sie der Anleitung, um ein Dienstkonto zu erstellen und eine Schlüsseldatei herunterzuladen.
  7. Legen Sie die Umgebungsvariable GOOGLE_APPLICATION_CREDENTIALS so fest, dass sie auf die Schlüsseldatei des Dienstkontos verweist. Die Schlüsseldatei haben Sie beim Erstellen des Dienstkontos heruntergeladen.
    export GOOGLE_APPLICATION_CREDENTIALS=key-file
  8. Legen Sie die Umgebungsvariable PROJECT_ID auf Ihre Projekt-ID fest:
    export PROJECT_ID=your-project-id
    Die AutoML API-Aufrufe und Ressourcennamen enthalten Ihre Projekt-ID. Die Umgebungsvariable PROJECT_ID bietet eine bequeme Möglichkeit, die ID anzugeben.
  9. Wenn Sie der Inhaber Ihres Projekts sind, fügen Sie Ihr Dienstkonto der IAM-Rolle AutoML Editor hinzu und ersetzen Sie service-account-name durch den Namen Ihres neuen Dienstkontos. Zum Beispiel: service-account1@myproject.iam.gserviceaccount.com.
    gcloud auth login
    gcloud projects add-iam-policy-binding $PROJECT_ID \
       --member="serviceAccount:service-account-name" \
       --role="roles/automl.editor"
    
  10. Wenn Sie jedoch kein Projektinhaber sind, bitten Sie einen Projektinhaber, der IAM-Rolle AutoML-Editor sowohl Ihre Nutzer-ID als auch das Dienstkonto hinzuzufügen.

Cloud Storage-Bucket erstellen

Verwenden Sie Cloud Shell, eine browserbasierte, mit Ihrem Cloud Console-Projekt verbundene Linux-Befehlszeile, um Ihren Cloud Storage-Bucket zu erstellen:

  1. Öffnen Sie Cloud Shell.

  2. Erstellen Sie einen Google Cloud Storage-Bucket. 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 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 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:

    Schaltfläche "New Dataset" (Neues Dataset) in der Konsole

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

    Neues Feld "Dataset-Name"

  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.

    Screenshot: Fenster für Dateiimport auswählen

  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.

    Bilder, die nach dem Import aufgelistet werden

Modell trainieren

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

    Tab "Train" auswählen

  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.

    Modellabschnitt für das Training definieren

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

    Edge-Modell trainieren

  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.

Benutzerdefiniertes Modell verwenden

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.

Vorhersagen treffen

Klicken Sie auf den Tab Vorhersagen, um zu erfahren, wie Sie zum Erstellen einer Vorhersage ein Bild an Ihr Modell senden können. Weitere Beispiele finden Sie unter Onlinevorhersagen treffen oder Batchvorhersagen treffen.

Clean-up

Wenn Sie das benutzerdefinierte Modell oder das Dataset nicht mehr benötigen, können Sie es löschen.

Löschen Sie das Projekt mit der GCP Console, wenn Sie es nicht mehr benötigen. Damit vermeiden Sie unnötige Kosten für die Google Cloud Platform.

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 Remove deployment (Deployment entfernen) aus, um das Fenster zum Aufheben der Bereitstellung zu öffnen.

    Grafik: Pop-up-Menü "Deployment entfernen"

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

    Grafik: Modellbereitstellung

  4. Sie erhalten eine E-Mail, wenn die Bereitstellung vollständig entfernt wurde.

Projekt löschen (optional)

Löschen Sie das Projekt mit der Cloud Console, wenn Sie es nicht mehr benötigen. Damit vermeiden Sie unnötige Kosten für die Google Cloud Platform.

Nächste Schritte