Memberikan label pada gambar dengan menggunakan AutoML Vision Edge API

Memberikan label pada gambar dengan menggunakan AutoML Vision Edge API

Panduan memulai ini akan memandu Anda terkait proses:

• Menggunakan Deteksi Objek AutoML Vision untuk membuat set data, melatih model AutoML Vision Edge kustom, dan membuat prediksi.
• Mengekspor dan menggunakan model AutoML Vision Edge Anda.

Dalam panduan memulai ini, Anda akan menggunakan antarmuka pengguna (UI) untuk berinteraksi dengan AutoML Vision API dan mengekspor model AutoML Vision Edge.

Sebelum memulai

Persyaratan region: Saat ini, resource project harus berada di region us-central1 agar dapat menggunakan API ini.

Sebelum dapat menggunakan Deteksi Objek AutoML Vision, Anda harus membuat project Google Cloud (yang tidak pernah digunakan dengan produk AutoML lainnya) dan mengaktifkan Deteksi Objek AutoML Vision untuk project tersebut.

1. Login ke akun Google Cloud Anda. Jika Anda baru menggunakan Google Cloud, buat akun untuk mengevaluasi performa produk kami dalam skenario dunia nyata. Pelanggan baru juga mendapatkan kredit gratis senilai $300 untuk menjalankan, menguji, dan men-deploy workload.

2. Di konsol Google Cloud, pada halaman pemilih project, pilih atau buat project Google Cloud.

   Catatan: Jika tidak berencana untuk menyimpan resource yang Anda buat dalam prosedur ini, buatlah project, bukan memilih project yang ada. Setelah menyelesaikan langkah ini, Anda dapat menghapus project, yang menghapus semua resource yang terkait dengan project ini.

   Buka pemilih project

3. Pastikan penagihan telah diaktifkan untuk project Google Cloud Anda.

4. Enable the Cloud AutoML and Storage APIs.

   Enable the APIs

5. Di konsol Google Cloud, pada halaman pemilih project, pilih atau buat project Google Cloud.

   Catatan: Jika tidak berencana untuk menyimpan resource yang Anda buat dalam prosedur ini, buatlah project, bukan memilih project yang ada. Setelah menyelesaikan langkah ini, Anda dapat menghapus project, yang menghapus semua resource yang terkait dengan project ini.

   Buka pemilih project

6. Pastikan penagihan telah diaktifkan untuk project Google Cloud Anda.

7. Enable the Cloud AutoML and Storage APIs.

   Enable the APIs

Persyaratan versi beta

1. Fitur Beta ini mengharuskan Anda menggunakan us-central1 sebagai region yang ditentukan.

Mempersiapkan set data

Dalam panduan memulai ini, Anda akan menggunakan set data yang dibuat dari Open Images Dataset V4. Set data Salads yang tersedia secara publik ini berada di gs://cloud-ml-data/img/openimage/csv/salads_ml_use.csv.

Berikut format CSV-nya:

TRAINING,gs://cloud-ml-data/img/openimage/3/2520/3916261642_0a504acd60_o.jpg,Salad,0.0,0.0954,,,0.977,0.957,,
VALIDATION,gs://cloud-ml-data/img/openimage/3/2520/3916261642_0a504acd60_o.jpg,Seafood,0.0154,0.1538,,,1.0,0.802,,
TEST,gs://cloud-ml-data/img/openimage/3/2520/3916261642_0a504acd60_o.jpg,Tomato,0.0,0.655,,,0.231,0.839,,

3916261642_0a504acd60_o.jpg

Setiap baris sesuai dengan objek yang dilokalkan di dalam gambar yang lebih besar, dengan setiap objek yang secara khusus ditetapkan sebagai data pengujian, pelatihan, atau validasi. Tiga garis yang disertakan di sini menunjukkan tiga objek berbeda yang terletak di dalam gambar yang sama yang tersedia di gs://cloud-ml-data/img/openimage/3/2520/3916261642_0a504acd60_o.jpg. Setiap baris memiliki label yang berbeda: Salad, Seafood, Tomato, selain baris lain dengan label Baked goods atau Cheese.

Kotak pembatas ditentukan untuk setiap gambar menggunakan verteks kiri atas dan kanan bawah:

• (0,0) sesuai dengan verteks paling kiri atas.
• (1,1) sesuai dengan verteks paling kanan bawah.

Untuk baris pertama yang ditampilkan di atas, koordinat (x, y) untuk verteks kiri atas objek berlabel Salad adalah (0.0,0.0954), dan koordinat untuk verteks kanan bawah objek adalah (0,977,0,957).

Untuk mengetahui informasi lebih detail tentang cara memformat file CSV Anda dan persyaratan minimum untuk membuat set data yang valid, lihat Menyiapkan data pelatihan Anda.

Membuat set data

1. Buka UI Deteksi Objek AutoML Vision , lalu pilih project Anda dari menu drop-down pada kolom judul.

   Saat pertama kali membuka UI Deteksi Objek AutoML Vision, Anda harus Mengaktifkan AutoML API jika belum diaktifkan.

2. Pilih Mulai saat jendela pop-up muncul.

   

3. Anda akan dibawa ke halaman daftar set data. Buat set data baru dengan memilih Set Data Baru.

   

   Masukkan nama unik untuk set data Anda.

   

4. Masukkan lokasi data pelatihan yang akan diimpor di jendela berikutnya.

   Di kotak teks Pilih file CSV di Cloud Storage, masukkan jalur untuk file CSV contoh (awalan gs:// ditambahkan secara otomatis):

   cloud-ml-data/img/openimage/csv/salads_ml_use.csv

   Atau, Anda dapat memilih Jelajahi dan membuka file CSV di salah satu bucket Google Cloud Storage.

   Panduan memulai ini menggunakan data sampel bertahap di bucket Google Cloud Storage publik. Data pelatihan adalah contoh gambar JPG yang diberi anotasi dengan kotak pembatas dan label objek yang ingin diidentifikasi oleh model untuk Anda pelajari. Untuk mengimpor data pelatihan ke dalam set data, gunakan file CSV yang mengarah ke file gambar (JPEG, PNG, GIF, BMP, atau ICO); lihat Menyiapkan data pelatihan Anda untuk mengetahui informasi tentang spesifikasi format dan gambar.

   
5. Pilih Impor

   Set data Anda akan menampilkan Status Running:importing images saat gambar sedang diimpor. Proses ini hanya memerlukan waktu beberapa menit.

Setelah data pelatihan Anda berhasil diimpor, kolom Status akan menampilkan Success:Creating dataset dan UI akan menampilkan ID yang dihasilkan untuk set data (digunakan saat melakukan panggilan AutoML API) serta jumlah item yang diimpor.

Jika terdapat masalah saat mengimpor gambar, Anda akan melihat status Warning: Importing images. Pilih nama set data dan Detail untuk melihat error pada impor gambar tertentu.

Melatih model Anda

1. Setelah set data Anda dibuat dan diproses, pilih tab Latih untuk memulai pelatihan model.

   

2. Pilih Mulai pelatihan untuk melanjutkan.

   

   Tindakan ini akan membuka jendela samping dengan opsi pelatihan.

3. Pada bagian pelatihan Tentukan model Anda, ubah nama model dan pilih Edge sebagai jenis model. Setelah memilih untuk melatih model Edge, pilih Lanjutkan.

   

4. Pada bagian Optimalkan model untuk berikut, pilih opsi default Pertukaran terbaik. Setelah memilih kriteria pengoptimalan, pilih Lanjutkan.

   

5. Pada bagian Tetapkan anggaran jam kerja node berikut, gunakan anggaran jam kerja node yang direkomendasikan (24).

   

   Anggaran jam kerja node: Waktu pelatihan yang direkomendasikan dihitung berdasarkan:

   • kurva pembelajaran model
   • ukuran set data pelatihan

   Jika pelatihan model berkumpul sebelum waktu yang direkomendasikan atau waktu kustom yang dipilih, sistem memungkinkan penghentian awal; hal ini berarti Anda hanya dikenai biaya untuk waktu yang diperlukan dalam melatih model. Sebaiknya gunakan jumlah jam yang disarankan untuk menghindari penggunaan resource lebih banyak daripada yang diperlukan dan mengurangi biaya penagihan.

6. Pilih Mulai pelatihan untuk memulai pelatihan model.

   Pelatihan dimulai untuk model Anda, dan akan memakan waktu sekitar satu jam. Pelatihan mungkin berhenti lebih awal dari jam kerja node yang Anda pilih. Layanan akan mengirimkan email kepada Anda setelah pelatihan selesai, atau jika terjadi error.

Setelah pelatihan selesai, Anda dapat melihat metrik evaluasi, serta menguji dan menggunakan model.

Pilih tab Evaluasi untuk mendapatkan detail selengkapnya tentang skor F1, Presisi, dan Perolehan.

Pilih satu label individual di bagian Filter label untuk mendapatkan detail tentang positif benar, negatif palsu, dan positif palsu.

Membuat Prediksi

Setelah pelatihan selesai, model Anda harus di-deploy secara manual sebelum Anda dapat membuat prediksi online dengan model tersebut.

Pilih tab Uji & gunakan untuk men-deploy (dan membatalkan deployment) model Anda. Halaman Uji & gunakan juga berisi petunjuk tentang cara mengirim gambar ke model Anda untuk prediksi. Anda juga dapat melihat Membuat anotasi gambar untuk mengetahui contohnya.

Mengekspor dan menggunakan model Edge

Langkah terakhir dalam menggunakan model AutoML Vision Edge adalah mengekspor (mengoptimalkan dan mendownload) dan menggunakan model Anda.

Ada beberapa cara untuk mengekspor dan menggunakan model Anda untuk melakukan prediksi di perangkat Edge.

Opsi model dan ekspor: Tensorflow Lite dioptimalkan untuk ponsel dan perangkat ARM (sistem operasi perangkat seluler). Aplikasi ini dapat dikompilasi lebih lanjut untuk dijalankan di Edge TPU. Opsi ekspor lainnya - Tensorflow SavedModel - dapat digunakan di container Docker untuk dijalankan.

Dalam panduan memulai ini, Anda akan menggunakan Tensorflow Lite (TF Lite) sebagai contoh. Model TF Lite mudah digunakan dan memiliki banyak kasus penggunaan.

1. Pada bagian Gunakan model Anda, pilih opsi TF Lite.

   

2. Di jendela samping yang terbuka, tunjukkan lokasi Google Cloud Storage untuk model yang Anda ekspor.

   Persyaratan mengekspor model: Anda harus mengekspor model Edge ke bucket Cloud Storage yang sama dengan yang Anda gunakan untuk mengimpor data.

   Setelah Anda memberikan lokasi penyimpanan, pilih Ekspor untuk mengekspor paket TF Lite ke bucket penyimpanan Cloud Storage Anda. Proses ekspor biasanya memerlukan waktu beberapa menit.

   

3. Setelah ekspor selesai, pilih link Buka dengan Google Cloud Storage untuk membuka folder tujuan Google Cloud Storage di konsol Google Cloud Platform.

Di lokasi tujuan Google Cloud Storage, Anda akan menemukan folder yang dinamai dengan stempel waktu dan format model. Dalam folder tersebut, Anda dapat menemukan file berikut:

• file tflite (model.tflite),
• file kamus (dict.txt)
• file metadata (tflite_metadata.json)

Pembersihan

Agar tidak menimbulkan biaya pada akun Google Cloud Anda untuk resource yang digunakan pada halaman ini, ikuti langkah-langkah berikut.

Membatalkan deployment & menghapus petunjuk

Jika tidak lagi memerlukan model atau set data kustom Anda, Anda dapat menghapusnya.

Untuk menghindari tagihan Google Cloud Platform yang tidak perlu, gunakan Konsol GCP untuk menghapus project Anda jika tidak lagi diperlukan.

Membatalkan deployment model Anda

Model Anda akan dikenai biaya saat di-deploy.

1. Pilih tab Uji & gunakan tepat di bawah batang judul.
2. Pilih Hapus deployment dari banner di bawah nama model Anda untuk membuka jendela opsi batalkan deployment.

   

3. Pilih Hapus deployment untuk membatalkan deployment model.

   

4. Anda akan menerima email saat pembatalan deployment model telah selesai.

Menghapus project Anda (opsional)

Untuk menghindari tagihan Google Cloud Platform yang tidak perlu, gunakan konsol Google Cloud untuk menghapus project Anda jika tidak lagi diperlukan.

Langkah berikutnya

Dengan file ini, Anda dapat mengikuti tutorial untuk digunakan di perangkat Android, perangkat iOS, atau Raspberry Pi 3.

Opsi lain untuk menggunakan model:

• Anda juga dapat mengekspor model sebagai TensorFlow SavedModel dan menggunakannya dengan container Docker di tab Container. Lihat tutorial container tentang cara mengekspor ke container.
• Anda dapat mengekspor model untuk dijalankan di Edge TPU di tab Perangkat Edge. Anda dapat mengikuti dokumentasi resmi Edge TPU ini untuk menggunakan model.