Guía de inicio rápido sobre los modelos alojados en Cloud

AutoML Vision ahora está disponible en la nueva plataforma unificada de AI Platform. Para obtener más información, consulta la documentación de AI Platform.

En esta guía de inicio rápido, se te guiará por los siguientes procesos:

• Copia de un conjunto de imágenes en Google Cloud Storage
• Creación de un CSV que enumere las imágenes y sus etiquetas.
• Uso de AutoML Vision para crear tu conjunto de datos, entrenar y, luego, implementar tu modelo.

Antes de comenzar

Requisito de región: Por el momento, los recursos del proyecto deben estar en la región us-central1 para usar esta API.

Configura tu proyecto

1. Accede a tu Cuenta de Google.

   Si todavía no tienes una cuenta, regístrate para obtener una nueva.

2. En la página del selector de proyectos de Google Cloud Console, selecciona o crea un proyecto de Google Cloud.

   Nota: Si no planeas conservar los recursos que creaste durante este procedimiento, crea un proyecto en lugar de seleccionar uno existente. Cuando termines, puedes borrar el proyecto y quitar todos los recursos asociados con él.

   Ir a la página del selector de proyectos

3. Asegúrate de que la facturación esté habilitada para tu proyecto de Cloud. Descubre cómo confirmar que tienes habilitada la facturación en un proyecto.

4. Habilita las API de AutoML and Cloud Storage.

   Habilita las API

5. Instala la herramienta de línea de comandos de gcloud.
6. Sigue las instrucciones a fin de crear una cuenta de servicio y descargar un archivo de claves para esa cuenta.
   Las cuentas de servicio son la única opción de autenticación disponible con la API de AutoML.
7. Establece la variable de entorno GOOGLE_APPLICATION_CREDENTIALS en la ruta de acceso al archivo de claves de la cuenta de servicio que descargaste cuando creaste la cuenta de servicio.

   export GOOGLE_APPLICATION_CREDENTIALS=key-file

8. Establece la variable de entorno PROJECT_ID para tu ID del proyecto.

   export PROJECT_ID=your-project-id

   Las llamadas a la API de AutoML y los nombres de los recursos incluyen el ID del proyecto. La variable de entorno PROJECT_ID proporciona una manera conveniente de especificar el ID.
9. Si eres propietario del proyecto, agrega tu cuenta de servicio a la función de IAM del Editor de AutoML y reemplaza service-account-name por el nombre de la nueva cuenta de servicio. Por ejemplo, [e-mail].

   gcloud auth login
   gcloud projects add-iam-policy-binding $PROJECT_ID \
      --member="serviceAccount:service-account-name" \
      --role="roles/automl.editor"
   

10. De lo contrario (si no eres propietario del proyecto), pídele al propietario que agregue tu ID de usuario y tu cuenta de servicio a la función de IAM de editor de AutoML.

Crea un bucket de Cloud Storage

Usa Cloud Shell, una línea de comandos de Linux basada en el navegador conectada a tu proyecto de Cloud Console, para crear un bucket de Cloud Storage:

1. Abre Cloud Shell.

2. Crea un bucket de Google Cloud Storage. El nombre del bucket debe tener el siguiente formato: project-id-vcm.

   Con el siguiente comando, se crea un bucket de almacenamiento llamado project-id-vcm en la región us-central1. Para obtener una lista completa de las regiones disponibles, consulta la página Ubicaciones de depósitos.

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

3. Configura la variable BUCKET.

   export BUCKET=${PROJECT_ID}-vcm

Copia las imágenes de muestra en tu bucket

A continuación, copia el conjunto de datos de flores que se usa en esta entrada de blog de Tensorflow. Las imágenes se almacenan en un bucket público de Cloud Storage, de modo que puedes copiarlas directo desde allí hasta tu propio bucket.

1. En tu sesión de Cloud Shell, ingresa:

   gsutil -m cp -R gs://cloud-ml-data/img/flower_photos/ gs://${BUCKET}/img/
   

   La copia del archivo tarda unos 20 minutos en completarse.

Crea el archivo CSV

El conjunto de datos de muestra contiene un archivo CSV con todas las ubicaciones de las imágenes y las etiquetas de cada imagen. Lo usarás para crear tu propio archivo CSV:

1. Actualiza el archivo CSV para que se oriente a los archivos en tu propio bucket:

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

2. Copia el archivo CSV a tu bucket:

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

Crea tu conjunto de datos

Visita la IU de AutoML Vision para comenzar el proceso de creación de tu conjunto de datos y entrenamiento de tu modelo.

Cuando se te solicite, asegúrate de seleccionar el proyecto que usaste para el bucket de Cloud Storage.

1. En la página de AutoML Vision, haz clic en New dataset (Conjunto de datos nuevo):

   

2. Especifica un nombre para este conjunto de datos. Haz clic en el signo + para continuar.

   

3. En la pantalla Select files to import (Seleccionar archivos para importar), elige el botón de selección Select a CSV file on Cloud Storage (Seleccionar un archivo CSV en Cloud Storage). Especifica el URI de Cloud Storage de tu archivo CSV. En esta guía de inicio rápido, el archivo CSV se encuentra en la siguiente ubicación:

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

   Reemplaza PROJECT_ID por el ID de tu proyecto específico.

   

4. Haz clic en Continue (Continuar) para comenzar la importación de imágenes. El proceso de importación tarda unos minutos en completarse. Cuando finalice, se te redirigirá a la siguiente página, que contiene detalles de todas las imágenes identificadas para tu conjunto de datos, tanto las etiquetadas como las no etiquetadas.

   Cuando uses el conjunto de datos de flores indicado, verás varias alertas de advertencia. Esto tiene un propósito, sirve para mostrarte mensajes de error que puedes encontrar con tus propios datos.

   

Entrena tu modelo

1. Una vez que se creó y procesó el conjunto de datos, selecciona la pestaña Train (Entrenar) para iniciar el entrenamiento del modelo.

   

2. Selecciona Start training (Comenzar entrenamiento) para continuar. Se abrirá una ventana Train new model (Entrena un modelo nuevo) con opciones de entrenamiento.

3. En la sección Define your model (Define tu modelo) de la ventana de entrenamiento del modelo nuevo, cambia el nombre del modelo (opcional) y selecciona el botón de selección del modelo Cloud hosted (Alojado en la nube). Selecciona Continue (Continuar) para pasar a la siguiente sección.

   

4. En la sección Set a node hour budget (Configura un presupuesto por hora de procesamiento de nodo), acepta el presupuesto de nodo sugerido (32 node hours [32 horas de procesamiento de nodo]).

   

5. Selecciona “Iniciar entrenamiento” (Start training) para comenzar con el entrenamiento del modelo.

   Se inicia el entrenamiento de tu modelo y debería tomar alrededor de una hora. Es posible que el entrenamiento se detenga antes de la hora de procesamiento de nodo que seleccionaste. El servicio te enviará un correo electrónico una vez que se complete el entrenamiento o si se produce algún error.

Nota: Después de completar el entrenamiento, puedes consultar las métricas de evaluación, y probar y usar el modelo. Selecciona la pestaña Evaluate (Evaluar) para obtener más detalles sobre las puntuaciones F1, precisión y recuperación. Selecciona una etiqueta individual en Filtrar etiquetas para obtener detalles sobre verdaderos positivos, falsos negativos y falsos positivos.

Usa el modelo personalizado

Una vez que tu modelo se haya entrenado de forma correcta, puedes usarlo para etiquetar imágenes mediante el modelo personalizado. Selecciona la pestaña Prueba y uso.

Si no habilitaste la implementación automática, se te pedirá que implementes el modelo para poder hacer predicciones.

Implementa el modelo de forma manual

AutoML Vision requiere que implementes el modelo entrenado antes de que puedas enviarle solicitudes de predicción.

1. En la pestaña Test and Use (Prueba y uso), selecciona la opción Deploy model (Implementar modelo) en el cuadro debajo del nombre del modelo para implementar tu modelo de forma manual.

   Si seleccionas Deploy model (Implementar modelo), se abre la ventana de opciones de implementación del modelo.

2. En la ventana de opciones de implementación del modelo, puedes seleccionar la cantidad de nodos en los que se implementará y ver las consultas por segundo (QPS) de predicción disponibles.
3. Selecciona Deploy (Implementar) para comenzar la implementación del modelo.
4. Recibirás un correo electrónico cuando se complete la implementación del modelo.

Nota: También puedes usar la IU para actualizar el recuento de nodos de un modelo implementado.

Realiza una predicción

Haz clic en la pestaña Predecir con el fin de obtener instrucciones sobre cómo enviar una imagen a tu modelo para una predicción. También puedes consultar Haz una predicción en línea o Haz predicciones por lotes para ver ejemplos.

La predicción por lotes suele ofrecer un menor costo por inferencia y una capacidad de procesamiento más alta que la predicción síncrona (en línea). Sin embargo, la predicción por lotes produce una operación de larga duración (LRO), lo que significa que los resultados solo estarán disponibles una vez que se complete la LRO.

Realiza una limpieza

Si ya no necesitas tu conjunto de datos o modelo personalizado, puedes borrarlos.

A fin de evitar cargos innecesarios en Google Cloud Platform, usa GCP Console para borrar tu proyecto si no lo necesitas.

Anula la implementación de tu modelo

Tu modelo generará cargos mientras esté implementado.

1. Selecciona la pestaña Test & Use (Probar y usar) que se encuentra debajo de la barra de título.
2. Selecciona Remove deployment (Quitar implementación) en el cuadro que se encuentra debajo del nombre del modelo para abrir la ventana de la opción de anulación de la implementación.

   

3. Selecciona Quitar implementación (Remove deployment) para anular la implementación del modelo.

   

4. Recibirás un correo electrónico cuando se complete la anulación de la implementación del modelo.

Borra tu proyecto (opcional)

A fin de evitar cargos innecesarios de Google Cloud Platform, usa Cloud Console para borrar tu proyecto si no lo necesitas.

Qué sigue

• Obtén más información sobre el aprendizaje automático (AA) en la Guía para principiantes.
• Obtén más información sobre la equidad en el AA en la Guía para el AA inclusivo: AutoML.
• Entrena un modelo de AutoML Vision Edge exportable mediante la Guía de inicio rápido sobre los modelos de dispositivos de Edge.
• Comienza a usar la API de AutoML en el lenguaje que elijas mediante una biblioteca cliente de la API de AutoML.
• Usa las Guías prácticas a fin de obtener más información sobre la creación y administración de recursos específicos (como conjuntos de datos y modelos) o sobre cómo obtener anotaciones para una imagen individual o un lote de imágenes.
• Lee uno de los instructivos.
• Explora casos prácticos más específicos en la página de instructivos de la comunidad.