Para criar um modelo personalizado, treine-o usando um conjunto de dados preparado. A API AutoML usa os itens do conjunto de dados para treinar o modelo, testá-lo e avaliar o desempenho dele. Você analisa os resultados, ajusta o conjunto de dados de treinamento conforme necessário e treina um novo modelo usando o conjunto de dados aprimorado.
Esse processo pode levar várias horas para ser concluído. A API AutoML permite verificar o status do treinamento.
Como o AutoML Vision cria um novo modelo sempre que você inicia o treinamento, o projeto poderá incluir vários modelos. É possível conseguir uma lista dos modelos no projeto e excluir modelos que não forem mais necessários. Como alternativa, é possível usar a interface do usuário do Cloud AutoML Vision para listar e excluir modelos desnecessários criados usando a API AutoML.
Os modelos são baseados em pesquisas de ponta (em inglês) no Google. Seu modelo estará disponível como um pacote TF Lite. Para mais informações sobre como integrar um modelo do TensorFlow Lite usando o SDK do TensorFlow Lite, consulte os links a seguir para iOS e Android (ambos em inglês).
Como treinar modelos do Edge
Quando você tiver um conjunto de dados com um conjunto sólido de itens de treinamento rotulados, estará pronto para criar e treinar seu modelo personalizado do Edge.
Outras linguagens
C#: Siga as Instruções de configuração do C# na página das bibliotecas de cliente e acesse a Documentação de referência do AutoML Vision para .NET.
PHP: Siga as Instruções de configuração do PHP na página das bibliotecas de cliente e acesse a Documentação de referência do AutoML Vision para PHP.
Ruby: Siga as Instruções de configuração do Ruby na página das bibliotecas de cliente e acesse a Documentação de referência do AutoML Vision para Ruby.
TensorFlow Serving e modelos do TF Lite
No momento do treinamento, escolha o tipo de modelo do Edge que você quer, de acordo com seu caso de uso específico:
- Baixa latência (
mobile-low-latency-1
) - Uso geral (
mobile-versatile-1
) - Maior qualidade de previsão (
mobile-high-accuracy-1
)
IU da Web
-
Abra o Vision Dashboard.
A página Conjuntos de dados mostra os conjuntos disponíveis para o projeto atual.
- Selecione aquele que você quer usar para treinar o modelo personalizado.
-
Quando o conjunto de dados estiver pronto, selecione a guia Treinar e o botão Treinar novo modelo.
Isso abrirá uma janela lateral Treinar novo modelo com opções de treinamento.
- Na seção de treinamento Definir seu modelo, altere o nome do modelo (ou use o valor padrão) e selecione radio_button_checked Edge como o tipo de modelo. Depois de selecionar para treinar um modelo do Edge, selecione Continuar.
-
Na seção Otimizar modelo para a seguir, selecione o critério de otimização desejado: radio_button_checked Precisão maior, Melhor compensação ou Previsão mais rápida. Depois de escolher a especificação de otimização, selecione Continuar.
-
Na seção Definir um orçamento de hora de uso do nó a seguir, use o orçamento de hora de uso do nó recomendado ou especifique um valor diferente.
Por padrão, 24 horas de uso do nó são suficientes para que a maioria dos conjuntos de dados treine seu modelo. Esse valor recomendado é uma estimativa para fazer o modelo convergir totalmente. No entanto, é possível escolher outra quantidade. A quantidade mínima de horas de uso do nó para a classificação de imagens é 8 horas. Para detecção de objeto, esse valor mínimo é de 20 horas.
-
Selecione Iniciar treinamento para começar o treinamento do modelo.
Esse processo pode levar várias horas para ser concluído. Depois que o modelo for treinado com êxito, você receberá uma mensagem no endereço de e-mail que usou no projeto do Google Cloud Platform.
REST
Ao treinar modelos do Edge, é possível especificar três valores distintos no campo modelType
,
dependendo das necessidades do seu modelo:
mobile-low-latency-1
para baixa latênciamobile-versatile-1
para uso geralmobile-high-accuracy-1
para maior qualidade de previsão
Antes de usar os dados da solicitação abaixo, faça estas substituições:
- project-id: o ID do projeto do GCP.
- display-name: um nome de exibição de string de sua escolha.
- dataset-id: o ID do conjunto de dados. O ID é o último elemento do nome
do conjunto de dados. Por exemplo:
- nome do conjunto de dados:
projects/project-id/locations/location-id/datasets/3104518874390609379
- ID do conjunto de dados:
3104518874390609379
- nome do conjunto de dados:
Método HTTP e URL:
POST https://automl.googleapis.com/v1/projects/PROJECT_ID/locations/us-central1/models
Corpo JSON da solicitação:
{ "displayName": "DISPLAY_NAME", "datasetId": "DATASET_ID", "imageClassificationModelMetadata": { "trainBudget": "1", "modelType": "mobile-low-latency-1" } }
Para enviar a solicitação, escolha uma destas opções:
curl
Salve o corpo da solicitação em um arquivo com o nome request.json
e execute o comando a seguir:
curl -X POST \
-H "Authorization: Bearer $(gcloud auth print-access-token)" \
-H "x-goog-user-project: project-id" \
-H "Content-Type: application/json; charset=utf-8" \
-d @request.json \
"https://automl.googleapis.com/v1/projects/PROJECT_ID/locations/us-central1/models"
PowerShell
Salve o corpo da solicitação em um arquivo com o nome request.json
e execute o comando a seguir:
$cred = gcloud auth print-access-token
$headers = @{ "Authorization" = "Bearer $cred"; "x-goog-user-project" = "project-id" }
Invoke-WebRequest `
-Method POST `
-Headers $headers `
-ContentType: "application/json; charset=utf-8" `
-InFile request.json `
-Uri "https://automl.googleapis.com/v1/projects/PROJECT_ID/locations/us-central1/models" | Select-Object -Expand Content
Será exibido um código semelhante a este. Use o ID da operação
(neste caso, ICN2106290444865378475
) para receber o status da tarefa. Veja um exemplo em Como trabalhar com operações de longa duração.
{ "name": "projects/PROJECT_ID/locations/us-central1/operations/ICN2106290444865378475", "metadata": { "@type": "type.googleapis.com/google.cloud.automl.v1.OperationMetadata", "createTime": "2019-10-30T20:06:08.253243Z", "updateTime": "2019-10-30T20:06:08.253243Z", "createModelDetails": {} } }
Go
Antes de testar esta amostra, siga as instruções de configuração dessa linguagem na página Bibliotecas de cliente.
Java
Antes de testar esta amostra, siga as instruções de configuração dessa linguagem na página Bibliotecas de cliente.
Node.js
Antes de testar esta amostra, siga as instruções de configuração dessa linguagem na página Bibliotecas de cliente.
Python
Antes de testar esta amostra, siga as instruções de configuração dessa linguagem na página Bibliotecas de cliente.
Listar status das operações
Use os exemplos de código a seguir para listar as operações do projeto e filtrar os resultados.
REST
Antes de usar os dados da solicitação abaixo, faça as substituições a seguir:
- project-id: o ID do projeto do GCP.
Método HTTP e URL:
GET https://automl.googleapis.com/v1/projects/PROJECT_ID/locations/us-central1/operations
Para enviar a solicitação, escolha uma destas opções:
curl
execute o seguinte comando:
curl -X GET \
-H "Authorization: Bearer $(gcloud auth print-access-token)" \
-H "x-goog-user-project: project-id" \
"https://automl.googleapis.com/v1/projects/PROJECT_ID/locations/us-central1/operations"
PowerShell
execute o seguinte comando:
$cred = gcloud auth print-access-token
$headers = @{ "Authorization" = "Bearer $cred"; "x-goog-user-project" = "project-id" }
Invoke-WebRequest `
-Method GET `
-Headers $headers `
-Uri "https://automl.googleapis.com/v1/projects/PROJECT_ID/locations/us-central1/operations" | Select-Object -Expand Content
A saída que você vê varia de acordo com as operações solicitadas.
Também é possível filtrar as operações retornadas usando os parâmetros de consulta selecionados (operationId
, done
e worksOn
). Por exemplo, para retornar uma lista de operações que concluíram a execução, modifique o URL:
GET https://automl.googleapis.com/v1/projects/PROJECT_ID/locations/us-central1/operations?filter="done=true"
Go
Antes de testar esta amostra, siga as instruções de configuração dessa linguagem na página APIs e referência > Bibliotecas de cliente.
Java
Antes de testar esta amostra, siga as instruções de configuração dessa linguagem na página APIs e referência > Bibliotecas de cliente.
Node.js
Antes de testar esta amostra, siga as instruções de configuração dessa linguagem na página APIs e referência > Bibliotecas de cliente.
Python
Antes de testar esta amostra, siga as instruções de configuração dessa linguagem na página APIs e referência > Bibliotecas de cliente.
Outras linguagens
C#: Siga as Instruções de configuração do C# na página das bibliotecas de cliente e acesse a Documentação de referência do AutoML Vision Object Detection para .NET.
PHP: Siga as Instruções de configuração do PHP na página das bibliotecas de cliente e acesse a Documentação de referência do AutoML Vision Object Detection para PHP.
Ruby: Siga as Instruções de configuração do Ruby na página das bibliotecas de cliente e acesse a Documentação de referência do AutoML Vision Object Detection para Ruby.
Como trabalhar com operações de longa duração
REST
Antes de usar os dados da solicitação abaixo, faça as substituições a seguir:
- project-id: o ID do projeto do GCP.
- operation-id: o ID da operação. Ele é o último elemento do nome da operação. Por exemplo:
- nome da operação:
projects/project-id/locations/location-id/operations/IOD5281059901324392598
- ID da operação:
IOD5281059901324392598
- nome da operação:
Método HTTP e URL:
GET https://automl.googleapis.com/v1/projects/PROJECT_ID/locations/us-central1/operations/OPERATION_ID
Para enviar a solicitação, escolha uma destas opções:
curl
execute o seguinte comando:
curl -X GET \
-H "Authorization: Bearer $(gcloud auth print-access-token)" \
-H "x-goog-user-project: project-id" \
"https://automl.googleapis.com/v1/projects/PROJECT_ID/locations/us-central1/operations/OPERATION_ID"
PowerShell
execute o seguinte comando:
$cred = gcloud auth print-access-token
$headers = @{ "Authorization" = "Bearer $cred"; "x-goog-user-project" = "project-id" }
Invoke-WebRequest `
-Method GET `
-Headers $headers `
-Uri "https://automl.googleapis.com/v1/projects/PROJECT_ID/locations/us-central1/operations/OPERATION_ID" | Select-Object -Expand Content
{ "name": "projects/PROJECT_ID/locations/us-central1/operations/OPERATION_ID", "metadata": { "@type": "type.googleapis.com/google.cloud.automl.v1.OperationMetadata", "createTime": "2018-10-29T15:56:29.176485Z", "updateTime": "2018-10-29T16:10:41.326614Z", "importDataDetails": {} }, "done": true, "response": { "@type": "type.googleapis.com/google.protobuf.Empty" } }
Você verá uma saída semelhante à seguinte para uma operação de modelo de criação concluída:
{ "name": "projects/PROJECT_ID/locations/us-central1/operations/OPERATION_ID", "metadata": { "@type": "type.googleapis.com/google.cloud.automl.v1.OperationMetadata", "createTime": "2019-07-22T18:35:06.881193Z", "updateTime": "2019-07-22T19:58:44.972235Z", "createModelDetails": {} }, "done": true, "response": { "@type": "type.googleapis.com/google.cloud.automl.v1.Model", "name": "projects/PROJECT_ID/locations/us-central1/models/MODEL_ID" } }
Go
Antes de testar esta amostra, siga as instruções de configuração dessa linguagem na página APIs e referência > Bibliotecas de cliente.
Java
Antes de testar esta amostra, siga as instruções de configuração dessa linguagem na página APIs e referência > Bibliotecas de cliente.
Node.js
Antes de testar esta amostra, siga as instruções de configuração dessa linguagem na página APIs e referência > Bibliotecas de cliente.
Python
Antes de testar esta amostra, siga as instruções de configuração dessa linguagem na página APIs e referência > Bibliotecas de cliente.
Outras linguagens
C#: Siga as Instruções de configuração do C# na página das bibliotecas de cliente e acesse a Documentação de referência do AutoML Vision para .NET.
PHP: Siga as Instruções de configuração do PHP na página das bibliotecas de cliente e acesse a Documentação de referência do AutoML Vision para PHP.
Ruby: Siga as Instruções de configuração do Ruby na página das bibliotecas de cliente e acesse a Documentação de referência do AutoML Vision para Ruby.
Como cancelar uma operação
É possível cancelar uma tarefa de importação ou treinamento usando o ID da operação.
REST
Antes de testar esta amostra, siga as instruções de configuração dessa linguagem na página Bibliotecas de cliente.
Antes de usar os dados da solicitação abaixo, faça estas substituições:
- project-id: o ID do projeto do GCP.
- operation-id: o ID da operação. Ele é o último elemento do nome da operação. Por exemplo:
- nome da operação:
projects/project-id/locations/location-id/operations/IOD5281059901324392598
- ID da operação:
IOD5281059901324392598
- nome da operação:
Método HTTP e URL:
POST https://automl.googleapis.com/v1/projects/PROJECT_ID/locations/us-central1/operations/OPERATION_ID:cancel
Para enviar a solicitação, escolha uma destas opções:
curl
execute o seguinte comando:
curl -X POST \
-H "Authorization: Bearer $(gcloud auth print-access-token)" \
-H "x-goog-user-project: project-id" \
-H "Content-Type: application/json; charset=utf-8" \
-d "" \
"https://automl.googleapis.com/v1/projects/PROJECT_ID/locations/us-central1/operations/OPERATION_ID:cancel"
PowerShell
execute o seguinte comando:
$cred = gcloud auth print-access-token
$headers = @{ "Authorization" = "Bearer $cred"; "x-goog-user-project" = "project-id" }
Invoke-WebRequest `
-Method POST `
-Headers $headers `
-Uri "https://automl.googleapis.com/v1/projects/PROJECT_ID/locations/us-central1/operations/OPERATION_ID:cancel" | Select-Object -Expand Content
{}
Como conseguir informações sobre um modelo
Use os exemplos de código a seguir para receber informações sobre um modelo treinado específico. Use as informações retornadas dessa solicitação para modificar o modo ou enviar uma solicitação de previsão.
REST
Antes de usar os dados da solicitação abaixo, faça as substituições a seguir:
- project-id: o ID do projeto do GCP.
- model-id: o ID do seu modelo, a partir da
resposta de quando você o criou. Ele é o último elemento no nome do modelo.
Por exemplo:
- Nome do modelo:
projects/project-id/locations/location-id/models/IOD4412217016962778756
- ID do modelo:
IOD4412217016962778756
- Nome do modelo:
Método HTTP e URL:
GET https://automl.googleapis.com/v1/projects/project-id/locations/us-central1/models/model-id
Para enviar a solicitação, escolha uma destas opções:
curl
execute o seguinte comando:
curl -X GET \
-H "Authorization: Bearer $(gcloud auth print-access-token)" \
-H "x-goog-user-project: project-id" \
"https://automl.googleapis.com/v1/projects/project-id/locations/us-central1/models/model-id"
PowerShell
execute o seguinte comando:
$cred = gcloud auth print-access-token
$headers = @{ "Authorization" = "Bearer $cred"; "x-goog-user-project" = "project-id" }
Invoke-WebRequest `
-Method GET `
-Headers $headers `
-Uri "https://automl.googleapis.com/v1/projects/project-id/locations/us-central1/models/model-id" | Select-Object -Expand Content
Você receberá uma resposta JSON semelhante a esta:
{ "name": "projects/project-id/locations/us-central1/models/model-id", "displayName": "display-name", "datasetId": "dataset-id", "createTime": "2019-10-30T20:06:08.253243Z", "deploymentState": "UNDEPLOYED", "updateTime": "2019-10-30T20:54:50.472328Z", "imageClassificationModelMetadata": { "trainBudget": "1", "modelType": "mobile-low-latency-1", "nodeQps": 3.2 } }
Go
Antes de testar esta amostra, siga as instruções de configuração dessa linguagem na página Bibliotecas de cliente.
Java
Antes de testar esta amostra, siga as instruções de configuração dessa linguagem na página Bibliotecas de cliente.
Node.js
Antes de testar esta amostra, siga as instruções de configuração dessa linguagem na página Bibliotecas de cliente.
Python
Antes de testar esta amostra, siga as instruções de configuração dessa linguagem na página Bibliotecas de cliente.
Outras linguagens
C#: Siga as Instruções de configuração do C# na página das bibliotecas de cliente e acesse a Documentação de referência do AutoML Vision Object Detection para .NET.
PHP: Siga as Instruções de configuração do PHP na página das bibliotecas de cliente e acesse a Documentação de referência do AutoML Vision Object Detection para PHP.
Ruby: Siga as Instruções de configuração do Ruby na página das bibliotecas de cliente e acesse a Documentação de referência do AutoML Vision Object Detection para Ruby.
Treinamento recuperável
Agora é possível pausar e retomar o treinamento de modelo personalizado para grandes conjuntos de dados com mais de
mil imagens. Pausar o treinamento de modelo não é uma ação manual que envolve um botão de pausa.
Em vez disso, o usuário define o orçamento de hora de uso do nó como um horário especificado. Por exemplo, duas horas.
Quando o tempo é atingido, o treinamento é interrompido automaticamente, independentemente do status do modelo.
O treinamento retomável está disponível com as seguintes restrições:
- Limite de tempo do modelo base: só é possível retomar o treinamento em modelos treinados nos últimos 14 dias. Os modelos base criados mais de 14 dias antes da solicitação não estão qualificados para treinamento retomável.
- Nenhuma modificação de rótulo: o treinamento retomável falhará se você alterar os rótulos no conjunto de dados do modelo base.
- Sem garantia de melhor desempenho: o uso de treinamento retomável em um modelo não garante melhor desempenho.
IU da Web
Antes de testar esta amostra, siga as instruções de configuração dessa linguagem na página Bibliotecas de cliente.
-
Abra o AutoML Vision UI.
A página Conjuntos de dados mostra os conjuntos disponíveis para o projeto atual.
Selecione aquele que você quer usar para treinar o modelo personalizado.
O nome de exibição do conjunto de dados selecionado é exibido na barra de título, e a página relaciona os itens individuais no conjunto de dados com os respectivos rótulos.
Quando terminar de revisar o conjunto de dados, selecione a guia Treinar logo abaixo da barra de título.
Se você treinou modelos anteriormente, eles serão exibidos em uma lista nesta guia.
Se o treinamento de um modelo for retomável, essa opção aparecerá ao lado de Ver avaliação completa.
Selecione Retomar treinamento para continuar o treinamento em um modelo aplicável.
Assim como o treinamento do modelo original, selecionar Retomar treinamento abrirá uma janela lateral "Treinar novo modelo". Na seção Definir seu modelo, você pode alterar o nome do novo modelo. Você também verá o nome do modelo de base usado para treinar esse modelo.
Depois de definir o modelo, selecione Continuar para ir para a próxima seção.
Na seção Definir um orçamento de hora de uso do nó, especifique um orçamento de hora de uso do nó. Esse orçamento está sujeito a uma estrutura de preçose restrições de cotas semelhantes ao treinamento inicial do modelo.
Depois de especificar um orçamento de treinamento, selecione Iniciar treinamento. Você receberá um e-mail quando o treinamento retomável for concluído.
REST
Antes de usar os dados da solicitação abaixo, faça as substituições a seguir:
- base-model-id: o ID do modelo base (existente). O novo modelo é criado com
base nesse modelo básico. As novas especificações de modelo a seguir precisam corresponder ao modelo base:
- projeto
- local
-
modelType
*
* A base e o novo
modelType
serão verificados mesmo que esse campo seja omitido na nova solicitação de modelo. - project-id: o ID do projeto do GCP.
- display-name: um nome de exibição de string de sua escolha.
- dataset-id: o ID do conjunto de dados. O ID é o último elemento do nome
do conjunto de dados. Por exemplo:
- nome do conjunto de dados:
projects/project-id/locations/location-id/datasets/3104518874390609379
- ID do conjunto de dados:
3104518874390609379
- nome do conjunto de dados:
Método HTTP e URL:
POST https://automl.googleapis.com/v1/projects/PROJECT_ID/locations/us-central1/models
Corpo JSON da solicitação:
{ "baseModelId": BASE_MODEL_ID, "displayName": "DISPLAY_NAME", "datasetId": "DATASET_ID", "imageClassificationModelMetadata": { "trainBudget": "1", "modelType": "mobile-low-latency-1" } }
Para enviar a solicitação, escolha uma destas opções:
curl
Salve o corpo da solicitação em um arquivo com o nome request.json
e execute o comando a seguir:
curl -X POST \
-H "Authorization: Bearer $(gcloud auth print-access-token)" \
-H "x-goog-user-project: project-id" \
-H "Content-Type: application/json; charset=utf-8" \
-d @request.json \
"https://automl.googleapis.com/v1/projects/PROJECT_ID/locations/us-central1/models"
PowerShell
Salve o corpo da solicitação em um arquivo com o nome request.json
e execute o comando a seguir:
$cred = gcloud auth print-access-token
$headers = @{ "Authorization" = "Bearer $cred"; "x-goog-user-project" = "project-id" }
Invoke-WebRequest `
-Method POST `
-Headers $headers `
-ContentType: "application/json; charset=utf-8" `
-InFile request.json `
-Uri "https://automl.googleapis.com/v1/projects/PROJECT_ID/locations/us-central1/models" | Select-Object -Expand Content
Será exibido um código semelhante a este. Use o ID da operação
(neste caso, ICN2106290444865378475
) para receber o status da tarefa. Para um
exemplo, consulte Como trabalhar com operações de longa duração.
{ "name": "projects/PROJECT_ID/locations/us-central1/operations/ICN2106290444865378475", "metadata": { "@type": "type.googleapis.com/google.cloud.automl.v1.OperationMetadata", "createTime": "2019-10-30T20:06:08.253243Z", "updateTime": "2019-10-30T20:06:08.253243Z", "createModelDetails": {} } }