Etichetta le immagini utilizzando l'API nella console

Etichetta le immagini utilizzando l'API nella console

Questa guida rapida illustra la procedura per:

• Creazione di un set di dati di immagini con riquadri di delimitazione etichettati.
• Addestra un modello personalizzato utilizzando il tuo set di dati.

In questa guida rapida, utilizzerai l'interfaccia utente (UI) personalizzata per interagire con l'API AutoML Vision. Puoi anche completare tutti i passaggi di questa guida rapida utilizzando l'API AutoML. Per ulteriori indicazioni sull'utilizzo dell'interfaccia utente o dell'API, consulta le guide illustrative.

Prima di iniziare

Requisito per la regione: attualmente le risorse del progetto devono trovarsi nella regione us-central1 per utilizzare questa API.

Prima di poter utilizzare AutoML Vision Object Detection, devi creare un progetto Google Cloud (uno mai utilizzato con altri prodotti AutoML) e abilitare AutoML Vision Object Detection per quel progetto.

1. Accedi al tuo account Google Cloud. Se non conosci Google Cloud, crea un account per valutare le prestazioni dei nostri prodotti in scenari reali. I nuovi clienti ricevono anche 300 $di crediti gratuiti per l'esecuzione, il test e il deployment dei carichi di lavoro.

2. Nella pagina del selettore di progetti della console Google Cloud, seleziona o crea un progetto Google Cloud.

   Nota: se non prevedi di conservare le risorse create in questa procedura, crea un progetto anziché selezionarne uno esistente. Dopo aver completato questi passaggi, puoi eliminare il progetto, rimuovendo tutte le risorse associate.

   Vai al selettore progetti

3. Assicurati che la fatturazione sia attivata per il tuo progetto Google Cloud.

4. Abilita le API Cloud AutoML and Storage.

   Abilita le API

5. Nella pagina del selettore di progetti della console Google Cloud, seleziona o crea un progetto Google Cloud.

   Nota: se non prevedi di conservare le risorse create in questa procedura, crea un progetto anziché selezionarne uno esistente. Dopo aver completato questi passaggi, puoi eliminare il progetto, rimuovendo tutte le risorse associate.

   Vai al selettore progetti

6. Assicurati che la fatturazione sia attivata per il tuo progetto Google Cloud.

7. Abilita le API Cloud AutoML and Storage.

   Abilita le API

Requisiti beta

1. Questa versione beta richiede l'uso di us-central1 come regione specificata.

Preparazione di un set di dati

In questa guida rapida utilizzerai un set di dati creato da Open Images Dataset V4. Questo set di dati Insalata disponibile pubblicamente si trova all'indirizzo gs://cloud-ml-data/img/openimage/csv/salads_ml_use.csv.

Il formato CSV è il seguente:

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

Ogni riga corrisponde a un oggetto localizzato all'interno di un'immagine più grande, con ciascun oggetto designato in modo specifico come dati di test, addestramento o convalida. Le tre righe incluse qui indicano tre oggetti distinti situati all'interno della stessa immagine disponibili in gs://cloud-ml-data/img/openimage/3/2520/3916261642_0a504acd60_o.jpg. Ogni riga ha un'etichetta diversa: Salad, Seafood, Tomato, oltre ad altre righe con etichette Baked goods o Cheese.

I riquadri di delimitazione vengono specificati per ogni immagine utilizzando i vertici in alto a sinistra e in basso a destra:

• (0,0) corrisponde al vertice più in alto a sinistra.
• (1,1) corrisponde al vertice in basso a destra.

Per la prima riga mostrata sopra, le coordinate (x, y) per il vertice in alto a sinistra dell'oggetto con etichetta Salad sono (0.0,0.0954) e le coordinate per il vertice in basso a destra dell'oggetto sono (0.977,0.957).

Per informazioni più dettagliate su come formattare il file CSV e sui requisiti minimi per creare un set di dati valido, consulta Preparazione dei dati di addestramento.

Crea un set di dati e importa le immagini di addestramento

1. Apri l'interfaccia utente di AutoML Vision Object Detection e seleziona il progetto dall'elenco a discesa nella barra del titolo.

   La prima volta che apri l'UI di rilevamento di oggetti di AutoML Vision, devi abilitare l'API AutoML, se non è già abilitata.

2. Seleziona Inizia nella finestra popup quando richiesto.

   

3. Verrà visualizzata la pagina con l'elenco dei set di dati. Crea un nuovo set di dati selezionando Nuovo set di dati.

   

   Inserisci un nome univoco per il set di dati.

   

4. Inserisci il percorso dei dati di addestramento da importare nella finestra che segue.

   Nella casella di testo Seleziona un file CSV in Cloud Storage, inserisci il percorso del file CSV di esempio (il prefisso gs:// viene aggiunto automaticamente):

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

   In alternativa, puoi selezionare Sfoglia e passare al file CSV in uno dei tuoi bucket Google Cloud Storage.

   Questa guida rapida utilizza dati di esempio inseriti in un bucket Google Cloud Storage pubblico. I dati di addestramento sono immagini JPG di esempio annotate con il riquadro di delimitazione e l'etichetta degli oggetti che vuoi che il modello impari a identificare. Per importare i dati di addestramento nel set di dati, utilizza un file CSV che rimanda ai file immagine (JPEG, PNG, GIF, BMP o ICO); consulta la sezione Preparazione dei dati di addestramento per informazioni sulle specifiche di formato e immagine.

   
5. Seleziona Importa.

   Il set di dati mostrerà uno Stato pari a Running:importing images durante l'importazione delle immagini. Questa procedura richiede solo pochi minuti.

Una volta importati i dati di addestramento, la colonna Stato indica Success:Creating dataset e la UI mostra l'ID generato per il set di dati (utilizzato per le chiamate API AutoML) e il numero di elementi importati.

In caso di problemi durante l'importazione delle immagini, lo stato visualizzato sarà Warning: Importing images. Seleziona il nome del set di dati e Dettagli per visualizzare gli errori con l'importazione di immagini specifiche.

addestra il modello

Dopo aver creato il set di dati e importato i dati di addestramento nel set di dati, puoi addestrare il modello personalizzato.

1. Nella pagina di elenco Set di dati, fai clic sul nome del set di dati.

   

2. Seleziona la scheda Addestra. In questo modo vedrai tutte le etichette e la relativa suddivisione in set di addestramento, test e convalida.

   

3. Seleziona Inizia addestramento per aprire un riquadro laterale con le opzioni di addestramento.

   

4. Inserisci un nome per il modello personalizzato o accetta il nome predefinito. In questo riquadro puoi anche selezionare l'ottimizzazione del modello (per latenza o accuratezza).

   Seleziona Esegui il deployment del modello nel nodo dopo l'addestramento per attivare il deployment automatico. In caso contrario, ti verrà chiesto di eseguire il deployment del modello manualmente dopo l'addestramento prima di poter fare previsioni.

5. Seleziona Inizia addestramento.

   

L'addestramento di un modello può richiedere diverse ore. Il tempo di addestramento tipico per il campione è di circa un'ora.

Dopo che il modello è stato addestrato, riceverai un messaggio all'indirizzo email che hai utilizzato per registrarti al programma.

Valuta il modello personalizzato

Dopo aver addestrato un modello, AutoML Vision Object Detection valuta la qualità e la precisione del nuovo modello. Per vedere le metriche di valutazione per il tuo modello:

1. Apri la UI di rilevamento di oggetti di AutoML Vision e fai clic sulla scheda Modelli (con l'icona a forma di lampadina) nella barra di navigazione a sinistra.

2. Fai clic sul nome del modello da valutare.

3. Se necessario, fai clic sulla scheda Valuta appena sotto la barra del titolo.

   Se è stato completato l'addestramento del modello, AutoML Vision Object Detection mostra le sue metriche di valutazione. Fornisce punteggi di precisione e richiamo per il modello nel suo complesso e per ogni etichetta dell'oggetto con un punteggio e soglie di intersezione sull'unione (IoU) diversi. Per visualizzare le metriche relative a una determinata etichetta dell'oggetto, scegli l'etichetta dall'elenco "Etichette filtro".

   

La precisione e il richiamo misurano il livello di efficacia dell'acquisizione delle informazioni da parte del modello e la quantità di informazioni omesse. La precisione indica, tra tutti gli oggetti annotati con un'etichetta specifica, quanti dovevano effettivamente essere assegnati a quell'etichetta. Il richiamo indica, tra tutti gli oggetti che dovrebbero essere stati identificati come una determinata entità, quanti sono stati effettivamente assegnati a tale entità.

Utilizza questi dati per valutare l'idoneità del modello:

• Punteggi bassi di precisione o richiamo possono indicare che il modello ha bisogno di ulteriori dati di addestramento.
• La precisione e il richiamo perfetti possono indicare che i dati sono troppo semplici e potrebbero non essere generalizzati correttamente.

Uso del modello personalizzato

Dopo che il modello è stato addestrato correttamente, puoi utilizzarlo per identificare gli oggetti in un'immagine con riquadri di delimitazione ed etichette utilizzando il tuo modello personalizzato. Seleziona la scheda Testa e utilizza.

Se non hai attivato il deployment automatico, ti verrà chiesto di eseguire il deployment del modello prima di poter fare previsioni.

Esegui manualmente il deployment del modello

AutoML Vision richiede che venga eseguito il deployment del modello addestrato prima di potervi inviare richieste di previsione.

1. Nella scheda Testa e utilizza esegui manualmente il deployment del modello selezionando l'opzione Esegui il deployment del modello dal banner sotto il nome del modello.

   Se selezioni Esegui il deployment del modello, si apre la finestra delle opzioni di deployment del modello

2. Nella finestra delle opzioni di deployment del modello puoi selezionare il numero di nodi su cui eseguire il deployment e visualizzare le query di previsione al secondo (QPS) disponibili.
3. Seleziona Esegui il deployment per iniziare il deployment del modello.
4. Al termine del deployment del modello, riceverai un'email.

Nota: puoi utilizzare la UI anche per aggiornare il conteggio dei nodi di un modello di cui è stato eseguito il deployment.

Fai una previsione

Dopo aver eseguito il deployment del modello, indica il percorso dell'immagine di test nella pagina Testa e utilizza, ad esempio questa immagine, salvata localmente. AutoML Vision analizza l'immagine utilizzando il tuo modello e visualizza gli oggetti etichettati e i relativi riquadri di delimitazione nell'immagine.

Avviso: la dimensione minima del riquadro di delimitazione fornita durante la preparazione dei dati e l'addestramento è di 8 x 8 px; le prestazioni di previsione del modello possono risentirne quando i riquadri previsti sono inferiori a 8 x 8 px.

Esegui la pulizia

Per evitare che al tuo account Google Cloud vengano addebitati costi relativi alle risorse utilizzate in questa pagina, segui questi passaggi.

Se non hai più bisogno di un modello o set di dati personalizzato, puoi eliminarli.

Per evitare addebiti inutili di Google Cloud Platform, utilizza la console di Google Cloud per eliminare il progetto se non ti serve.

Annulla il deployment del modello

Il modello prevede addebiti durante il deployment.

1. Seleziona la scheda Testa e utilizza subito sotto la barra del titolo.
2. Seleziona Rimuovi deployment dal banner sotto il nome del modello per aprire la finestra dell'opzione di annullamento del deployment.

   

3. Seleziona Rimuovi deployment per annullare il deployment del modello.

   

4. Riceverai un'email al completamento dell'annullamento del deployment del modello.

Elimina il progetto (facoltativo)

Per evitare addebiti inutili di Google Cloud Platform, utilizza la console Google Cloud per eliminare il progetto se non ti serve.

Passaggi successivi

• Gestire i modelli
• Gestione dei set di dati