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

プロジェクトを設定する

  1. Google Cloud アカウントにログインします。Google Cloud を初めて使用する場合は、アカウントを作成して、実際のシナリオでの Google プロダクトのパフォーマンスを評価してください。新規のお客様には、ワークロードの実行、テスト、デプロイができる無料クレジット $300 分を差し上げます。
  2. Google Cloud CLI をインストールします。

  3. gcloud CLI を初期化するには:

    gcloud init

  4. Google Cloud プロジェクトを作成または選択します。

    • Google Cloud プロジェクトを作成します。

      gcloud projects create PROJECT_ID

      PROJECT_ID は、作成する Google Cloud プロジェクトの名前に置き換えます。

    • 作成した Google Cloud プロジェクトを選択します。

      gcloud config set project PROJECT_ID

      PROJECT_ID は、実際の Google Cloud プロジェクト名に置き換えます。

  5. Google Cloud プロジェクトで課金が有効になっていることを確認します。

  6. AutoML and Cloud Storage API を有効にします。 

    gcloud services enable storage-component.googleapis.comautoml.googleapis.comstorage-api.googleapis.com
    7.
  7. Google Cloud CLI をインストールします。

  8. gcloud CLI を初期化するには:

    gcloud init

  9. Google Cloud プロジェクトを作成または選択します。

    • Google Cloud プロジェクトを作成します。

      gcloud projects create PROJECT_ID

      PROJECT_ID は、作成する Google Cloud プロジェクトの名前に置き換えます。

    • 作成した Google Cloud プロジェクトを選択します。

      gcloud config set project PROJECT_ID

      PROJECT_ID は、実際の Google Cloud プロジェクト名に置き換えます。

  10. Google Cloud プロジェクトで課金が有効になっていることを確認します。

  11. AutoML and Cloud Storage API を有効にします。 

    gcloud services enable storage-component.googleapis.comautoml.googleapis.comstorage-api.googleapis.com
    12.
  12. 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。

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

  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。

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

    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。

    gsutil 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。

    gsutil 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。

    コンソールの [新しいデータセット] ボタン

  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。

    [New dataset name] フィールド

  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。

    インポート ウィンドウを選択する

  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。

    インポートの完了後に表示される画像

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。

    [トレーニング] タブを選択

  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。

    トレーニング用のモデル セクションを定義する

  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。

    Edge モデルのトレーニング

  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。

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。

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。

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。

    デプロイ解除のポップアップ メニュー

  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。

    モデルのデプロイ

  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