Anda membuat model kustom dengan melatihnya menggunakan set data yang telah disiapkan. AutoML API menggunakan item dari set data untuk melatih, menguji, dan evaluate performa model. Anda akan meninjau hasilnya, menyesuaikan set data pelatihan sesuai kebutuhan, dan melatih model baru menggunakan set data yang ditingkatkan.
Melatih model dapat memakan waktu beberapa jam untuk diselesaikan. AutoML API memungkinkan Anda untuk memeriksa status pelatihan.
Karena AutoML Vision membuat model baru setiap kali Anda memulai pelatihan, project Anda mungkin akan mencakup banyak model. Anda bisa mendapatkan daftar model dalam project dan Anda dapat menghapus model yang tidak lagi Anda perlukan. Atau, Anda dapat menggunakan UI Cloud AutoML Vision untuk mencantumkan dan menghapus model yang dibuat melalui AutoML API yang tidak diperlukan lagi.
Melatih model
Jika memiliki set data dengan kumpulan perwakilan item pelatihan berlabel, Anda siap membuat dan melatih model kustom.
UI Web
Buka Dasbor Vision.
Halaman Set Data menampilkan set data yang tersedia untuk project saat ini.
Pilih set data yang ingin Anda gunakan untuk melatih model kustom.
Nama tampilan set data yang dipilih akan muncul di panel judul, dan halaman mencantumkan setiap item dalam set data beserta labelnya.
Setelah selesai meninjau set data, pilih tab Latih tepat di bawah panel judul.
Halaman pelatihan menyediakan analisis dasar set data dan memberi tahu Anda tentang apakah set data tersebut memadai untuk pelatihan (pilih Statistik label jika opsi ini tidak segera ditampilkan). Jika AutoML Vision menyarankan perubahan, pertimbangkan untuk kembali ke halaman Gambar dan menambahkan item atau label.
Saat set data sudah siap, pilih Mulai Pelatihan (atau Latih model baru jika sudah ada model).
Jendela samping dengan opsi pelatihan model akan muncul. Dari bagian Tentukan model, tentukan Nama model (atau terima nama default). Pilih radio_button_checked yang dihosting di Cloud sebagai jenis model (jika belum ditentukan). Setelah memilih untuk melatih model yang dihosting Cloud, pilih Lanjutkan.
Di bagian Tetapkan anggaran jam kerja node di jendela samping, pilih nilai anggaran pelatihan yang sesuai berdasarkan ukuran set data Anda.
Secara default, 24 jam kerja node seharusnya cukup bagi sebagian besar set data untuk melatih model Anda. Nilai yang direkomendasikan ini adalah estimasi untuk membuat model yang digabungkan sepenuhnya. Namun, Anda dapat memilih jumlah lain. Jumlah minimum jam kerja node untuk Klasifikasi Gambar adalah 8. Untuk Deteksi Objek, jumlah minimumnya adalah 20.
Opsional: Centang kotak check_box Deploy model ke node 1 setelah pelatiahn untuk menyertakannya dalam deployment model otomatis setelah pelatihan selesai.
Dengan deployment model otomatis, model Anda akan tersedia untuk prediksi segera setelah pelatihan. Selama di-deploy, model akan dikenai biaya sesuai yang dijelaskan di halaman Harga.
Pilih Mulai pelatihan.
REST
Sebelum menggunakan salah satu data permintaan, lakukan penggantian berikut:
- project-id: project ID GCP Anda.
- dataset-id: ID set data Anda. ID adalah elemen terakhir dari nama
set data Anda. Contoh:
- nama set data:
projects/project-id/locations/location-id/datasets/3104518874390609379
- id set data:
3104518874390609379
- nama set data:
- display-name: nama tampilan string pilihan Anda.
Metode HTTP dan URL:
POST https://automl.googleapis.com/v1/projects/PROJECT_ID/locations/us-central1/models
Isi JSON permintaan:
{ "displayName": "DISPLAY_NAME", "datasetId": "DATASET_ID", "imageClassificationModelMetadata": { "trainBudget": "1", "modelType": "cloud" } }
Untuk mengirim permintaan Anda, pilih salah satu opsi berikut:
curl
Simpan isi permintaan dalam file bernama request.json
,
dan jalankan perintah berikut:
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
Simpan isi permintaan dalam file bernama request.json
,
dan jalankan perintah berikut:
$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
Anda akan melihat output yang serupa dengan berikut ini: Anda dapat menggunakan ID operasi
(dalam contoh ini, ICN3819960680614725486
) untuk mendapatkan status tugas tersebut. Sebagai
contoh, lihat Bekerja dengan operasi yang berjalan lama.
{ "name": "projects/PROJECT_ID/locations/us-central1/operations/ICN3819960680614725486", "metadata": { "@type": "type.googleapis.com/google.cloud.automl.v1.OperationMetadata", "createTime": "2019-10-29T19:06:38.048492Z", "updateTime": "2019-10-29T19:06:38.048492Z", "createModelDetails": {} } }
Go
Sebelum mencoba contoh ini, ikuti petunjuk penyiapan untuk bahasa ini di halaman Library Klien.
Java
Sebelum mencoba contoh ini, ikuti petunjuk penyiapan untuk bahasa ini di halaman Library Klien.
Node.js
Sebelum mencoba contoh ini, ikuti petunjuk penyiapan untuk bahasa ini di halaman Library Klien.
Python
Sebelum mencoba contoh ini, ikuti petunjuk penyiapan untuk bahasa ini di halaman Library Klien.
Bahasa tambahan
C# : Ikuti Petunjuk penyiapan C# di halaman library klien, lalu kunjungi dokumentasi referensi AutoML Vision untuk .NET.
PHP : Ikuti Petunjuk penyiapan PHP di halaman library klien, lalu kunjungi dokumentasi referensi AutoML Vision untuk PHP.
Batu Delima : Ikuti Petunjuk penyiapan Ruby di halaman library klien, lalu kunjungi Dokumentasi referensi AutoML Vision untuk Ruby.
Mencantumkan operasi
Jika menjalankan operasi serentak seperti pelatihan model, Anda dapat menggunakan API untuk melihat semua operasi saat ini.
Gunakan contoh kode berikut untuk mencantumkan operasi project Anda, dan memfilter hasilnya.
REST
Sebelum menggunakan salah satu data permintaan, lakukan penggantian berikut:
- project-id: Project ID GCP Anda.
Metode HTTP dan URL:
GET https://automl.googleapis.com/v1/projects/PROJECT_ID/locations/us-central1/operations
Untuk mengirim permintaan Anda, pilih salah satu opsi berikut:
curl
Jalankan perintah berikut:
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
Jalankan perintah berikut:
$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
Output yang Anda lihat akan bervariasi, bergantung pada operasi yang Anda minta
Anda juga akan memfilter operasi yang ditampilkan menggunakan parameter kueri tertentu
(operationId
, done
, dan worksOn
). Contohnya,
Untuk menampilkan daftar operasi yang telah berjalan, ubah URL:
GET https://automl.googleapis.com/v1/projects/PROJECT_ID/locations/us-central1/operations?filter="done=true"
Go
Sebelum mencoba sampel ini, ikuti petunjuk penyiapan untuk bahasa ini di halaman API & Referensi > Library Klien.
Java
Sebelum mencoba sampel ini, ikuti petunjuk penyiapan untuk bahasa ini di halaman API & Referensi > Library Klien.
Node.js
Sebelum mencoba sampel ini, ikuti petunjuk penyiapan untuk bahasa ini di halaman API & Referensi > Library Klien.
Python
Sebelum mencoba sampel ini, ikuti petunjuk penyiapan untuk bahasa ini di halaman API & Referensi > Library Klien.
Bahasa tambahan
C# : Ikuti Petunjuk penyiapan C# di halaman library klien, lalu kunjungi Dokumentasi referensi Deteksi Objek Vision AutoML untuk .NET.
PHP : Ikuti petunjuk penyiapan PHP di halaman library klien, lalu kunjungi dokumentasi referensi Deteksi Objek AutoML Vision untuk PHP.
Ruby: Ikuti Petunjuk penyiapan Ruby di halaman client libraries lalu kunjungi Dokumentasi referensi Deteksi Objek AutoML Vision untuk Ruby.
Mendapatkan status operasi
Anda dapat menggunakan ID operasi tertentu untuk mendapatkan informasi tentang statusnya.
REST
Sebelum menggunakan salah satu data permintaan, lakukan penggantian berikut:
- project-id: project ID GCP Anda.
- operation-id: ID operasi Anda. ID tersebut adalah elemen terakhir dari nama
operasi Anda. Contoh:
- nama operasi:
projects/project-id/locations/location-id/operations/IOD5281059901324392598
- ID Operasi:
IOD5281059901324392598
- nama operasi:
Metode HTTP dan URL:
GET https://automl.googleapis.com/v1/projects/PROJECT_ID/locations/us-central1/operations/OPERATION_ID
Untuk mengirim permintaan Anda, pilih salah satu opsi berikut:
curl
Jalankan perintah berikut:
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
Jalankan perintah berikut:
$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" } }
Anda akan melihat output yang mirip dengan hal berikut ini untuk membuat operasi model yang telah selesai:
{ "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
Sebelum mencoba sampel ini, ikuti petunjuk penyiapan untuk bahasa ini di halaman API & Referensi > Library Klien.
Java
Sebelum mencoba sampel ini, ikuti petunjuk penyiapan untuk bahasa ini di halaman API & Referensi > Library Klien.
Node.js
Sebelum mencoba sampel ini, ikuti petunjuk penyiapan untuk bahasa ini di halaman API & Referensi > Library Klien.
Python
Sebelum mencoba sampel ini, ikuti petunjuk penyiapan untuk bahasa ini di halaman API & Referensi > Library Klien.
Bahasa tambahan
C# : Ikuti Petunjuk penyiapan C# di halaman library klien, lalu kunjungi dokumentasi referensi AutoML Vision untuk .NET.
PHP : Ikuti Petunjuk penyiapan PHP di halaman library klien, lalu kunjungi dokumentasi referensi AutoML Vision untuk PHP.
Ruby : Ikuti Petunjuk penyiapan Ruby di halaman library klien, lalu kunjungi dokumentasi referensi AutoML Vision untuk Ruby.
Membatalkan Operasi
Anda dapat membatalkan tugas impor atau pelatihan menggunakan ID operasi.
REST
Sebelum mencoba contoh ini, ikuti petunjuk penyiapan untuk bahasa ini di halaman Library Klien.
Sebelum menggunakan salah satu data permintaan, lakukan penggantian berikut:
- project-id: project ID GCP Anda.
- operation-id: ID operasi Anda. ID tersebut adalah elemen terakhir dari nama
operasi Anda. Contoh:
- nama operasi:
projects/project-id/locations/location-id/operations/IOD5281059901324392598
- ID Operasi:
IOD5281059901324392598
- nama operasi:
Metode HTTP dan URL:
POST https://automl.googleapis.com/v1/projects/PROJECT_ID/locations/us-central1/operations/OPERATION_ID:cancel
Untuk mengirim permintaan Anda, pilih salah satu opsi berikut:
curl
Jalankan perintah berikut:
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
Jalankan perintah berikut:
$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
{}
Mendapatkan informasi tentang model
Gunakan contoh kode berikut untuk mendapatkan informasi tentang model terlatih tertentu. Anda dapat menggunakan informasi yang ditampilkan dari permintaan ini untuk mengubah mode atau mengirim permintaan prediksi.
REST
Sebelum menggunakan salah satu data permintaan, lakukan penggantian berikut:
- project-id: Project ID GCP Anda.
- model-id: ID model Anda, dari
respons saat membuat model. ID adalah elemen terakhir dari nama model Anda.
Misalnya:
- nama model:
projects/project-id/locations/location-id/models/IOD4412217016962778756
- id model:
IOD4412217016962778756
- nama model:
Metode HTTP dan URL:
GET https://automl.googleapis.com/v1/projects/project-id/locations/us-central1/models/model-id
Untuk mengirim permintaan Anda, pilih salah satu opsi berikut:
curl
Jalankan perintah berikut:
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
Jalankan perintah berikut:
$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
Anda akan menerima respons JSON yang mirip seperti berikut:
{ "name": "projects/PROJECT_ID/locations/us-central1/models/MODEL_ID", "displayName": "DISPLAY_NAME", "datasetId": "DATASET_ID", "createTime": "2019-10-29T19:06:38.048492Z", "deploymentState": "UNDEPLOYED", "updateTime": "2019-10-29T19:35:19.104716Z", "imageClassificationModelMetadata": { "trainBudget": "1", "modelType": "cloud", "nodeQps": 3.2 } }
Go
Sebelum mencoba contoh ini, ikuti petunjuk penyiapan untuk bahasa ini di halaman Library Klien.
Java
Sebelum mencoba contoh ini, ikuti petunjuk penyiapan untuk bahasa ini di halaman Library Klien.
Node.js
Sebelum mencoba contoh ini, ikuti petunjuk penyiapan untuk bahasa ini di halaman Library Klien.
Python
Sebelum mencoba contoh ini, ikuti petunjuk penyiapan untuk bahasa ini di halaman Library Klien.
Bahasa tambahan
C# : Ikuti Petunjuk penyiapan C# di halaman library klien, lalu kunjungi Dokumentasi referensi Deteksi Objek Vision AutoML untuk .NET.
PHP : Ikuti petunjuk penyiapan PHP di halaman library klien, lalu kunjungi dokumentasi referensi Deteksi Objek AutoML Vision untuk PHP.
Ruby : Ikuti Petunjuk penyiapan Ruby di halaman library klien, lalu kunjungi Dokumentasi referensi Deteksi Objek AutoML Vision untuk Ruby.
Pelatihan yang dapat dilanjutkan
Anda sekarang dapat menjeda dan melanjutkan pelatihan model kustom untuk set data besar (dengan lebih dari
seribu gambar). Menjeda pelatihan model bukanlah tindakan manual yang melibatkan tombol jeda.
Sebagai gantinya, pengguna dapat menetapkan anggaran jam kerja node ke waktu yang ditentukan, misalnya dua jam.
Setelah waktunya tercapai, pelatihan akan berhenti secara otomatis terlepas dari status modelnya.
Pelatihan yang dapat dilanjutkan tersedia dengan batasan berikut:
- Batas waktu model dasar - Anda dapat melanjutkan pelatihan hanya pada model yang telah dilatih dalam 14 hari terakhir; model dasar yang dibuat lebih dari 14 hari sebelum permintaan Anda tidak memenuhi syarat untuk diberi pelatihan yang dapat dilanjutkan.
- Tidak ada modifikasi label - Pelatihan yang dapat dilanjutkan akan gagal jika Anda mengubah label dalam set data model dasar.
- Tidak ada jaminan performa yang lebih baik - Menggunakan pelatihan yang dapat dilanjutkan pada suatu model tidak menjamin bahwa performa model akan menjadi lebih baik.
UI web
Sebelum mencoba contoh ini, ikuti petunjuk penyiapan untuk bahasa ini di halaman Library Klien.
-
Buka AutoML Vision UI
Halaman Set data menampilkan set data yang tersedia untuk project saat ini.
Pilih set data yang ingin Anda gunakan untuk melatih model kustom.
Nama tampilan set data yang dipilih akan muncul di panel judul, dan halaman akan mencantumkan setiap item dalam set data beserta labelnya.
Setelah selesai meninjau set data, pilih tab Latih tepat di bawah panel judul.
Jika sebelumnya Anda telah melatih model, model tersebut akan muncul dalam daftar di tab ini.
Jika pelatihan yang dapat dilanjutkan tersedia untuk suatu model, pelatihan tersebut akan muncul sebagai opsi di dekat opsi Lihat evaluasi lengkap.
Pilih Lanjutkan pelatihan untuk melanjutkan pelatihan pada model yang digunakan.
Serupa dengan melatih model asli, memilih Lanjutkan pelatihan akan membuka jendela samping "Latih model baru". Di bagian Menentukan model Anda, Anda dapat mengubah nama model baru. Anda juga akan melihat nama model dasar yang digunakan untuk melatih model ini.
Setelah menentukan model, pilih Lanjutkan untuk melanjutkan ke bagian berikutnya.
Di bagian Tetapkan anggaran jam kerja node berikut, tentukan anggaran jam kerja node. Anggaran ini mengikuti struktur pricing dan pembatasan kuota yang mirip dengan pelatihan model awal.
Setelah menentukan anggaran pelatihan, pilih Mulai pelatihan. Anda akan menerima email saat pelatihan yang dapat dilanjutkan telah selesai.
REST
Sebelum menggunakan salah satu data permintaan, lakukan penggantian berikut:
- base-model-id: ID model dasar (yang ada). Model baru dibuat berdasarkan
model dasar ini. Spesifikasi model baru berikut harus cocok dengan model dasar:
- project
- location
-
modelType
*
*
modelType
dasar dan baru akan diperiksa meskipun kolom ini dihilangkan dalam permintaan model baru. - project-id: ID project GCP Anda.
- display-name: nama tampilan string pilihan Anda.
- dataset-id: ID set data Anda. ID adalah elemen terakhir dari nama
set data Anda. Contoh:
- nama set data:
projects/project-id/locations/location-id/datasets/3104518874390609379
- id set data:
3104518874390609379
- nama set data:
Metode HTTP dan URL:
POST https://automl.googleapis.com/v1/projects/PROJECT_ID/locations/us-central1/models
Isi JSON permintaan:
{ "baseModelId": BASE_MODEL_ID, "displayName": "DISPLAY_NAME", "datasetId": "DATASET_ID", "imageClassificationModelMetadata": { "trainBudget": "1", "modelType": "mobile-low-latency-1" } }
Untuk mengirim permintaan Anda, pilih salah satu opsi berikut:
curl
Simpan isi permintaan dalam file bernama request.json
,
dan jalankan perintah berikut:
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
Simpan isi permintaan dalam file bernama request.json
,
dan jalankan perintah berikut:
$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
Anda akan melihat output yang serupa dengan berikut ini: Anda dapat menggunakan ID operasi
(dalam contoh ini, ICN2106290444865378475
) untuk mendapatkan status tugas tersebut. Sebagai
contoh, lihat Bekerja dengan operasi yang berjalan lama.
{ "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": {} } }