Mantieni tutto organizzato con le raccolte Salva e classifica i contenuti in base alle tue preferenze.
Guida rapida: etichetta le immagini utilizzando l'API AutoML Vision Edge

Etichetta le immagini con l'API AutoML Vision Edge

Questa guida rapida ti accompagna nella procedura di:

  • Con AutoML Vision Object Detection, puoi creare il tuo set di dati, addestrare un modello AutoML personalizzato e fare una previsione.
  • Esportazione e utilizzo del modello AutoML Vision Edge.

In questa guida rapida, utilizzerai l'interfaccia utente (UI) per interagire con l'API AutoML Vision ed esportare il tuo modello AutoML Vision Edge.

Prima di iniziare

Prima di poter utilizzare AutoML Vision Object Detection, devi creare un progetto Google Cloud (non utilizzato mai con un altro prodotto 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 dei progetti in Google Cloud Console, seleziona o crea un progetto Google Cloud.

    Vai al selettore progetti

  3. Assicurati che la fatturazione sia attivata per il tuo progetto Cloud. Scopri come verificare se la fatturazione è abilitata su un progetto.

  4. Abilita le API Cloud AutoML and Storage.

    Abilita le API

  5. Nella pagina del selettore dei progetti in Google Cloud Console, seleziona o crea un progetto Google Cloud.

    Vai al selettore progetti

  6. Assicurati che la fatturazione sia attivata per il tuo progetto Cloud. Scopri come verificare se la fatturazione è abilitata su un progetto.

  7. Abilita le API Cloud AutoML and Storage.

    Abilita le API

Requisiti per la versione beta

  1. Questa funzionalità beta richiede l'uso di us-central1 come area geografica specifica.

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 disponibile pubblicamente per le insalate 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,,
esempio di immagine set di dati
3916261642_0a504acd60_o.jpg

Ogni riga corrisponde a un oggetto localizzato all'interno di un'immagine più grande, con ogni oggetto designato espressamente come dati di test, addestramento o convalida. Le tre righe incluse qui indicano tre oggetti distinti situati all'interno della stessa immagine disponibili all'indirizzo 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 sono specificati per ogni immagine utilizzando i vertici in alto a sinistra e in basso a destra:

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

Per la prima riga mostrata sopra, le coordinate (x, y) per il vertice in alto a sinistra dell'oggetto Salad etichettato 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 la sezione Preparare i dati di addestramento.


Crea il tuo set di dati

  1. Apri l'interfaccia utente di rilevamento degli oggetti di AutoML Vision e seleziona il tuo progetto dall'elenco a discesa nella barra del titolo.

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

  2. Seleziona Inizia nella finestra popup quando richiesto.

    Seleziona l'opzione Inizia

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

    Seleziona Crea nuovo set di dati

    Inserisci un nome univoco per il tuo set di dati.

    Seleziona il nome per la creazione di un nuovo set di dati

  4. Inserisci la posizione dei dati dell'addestramento da importare nella finestra che segue.

    Nella casella di testo Seleziona un file CSV in Cloud Storage, inserisci il percorso per il 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 i 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 il modello deve imparare a identificare. Per importare i dati di addestramento nel set di dati, utilizza un file CSV che rimandi ai file di immagine (JPEG, PNG, GIF, BMP o ICO); consulta la sezione Preparare i dati di addestramento per informazioni sul formato e sulle specifiche dell'immagine.

    Creazione di un'immagine CSV per il caricamento di un set di dati
  5. Seleziona Importa.

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

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

Immagine del set di dati della scheda

Se si verificano problemi durante l'importazione delle immagini, vedrai Warning: Importing images come stato. Seleziona il nome del set di dati e Dettagli per visualizzare gli errori di importazione di immagini specifiche.

Immagine di errore importazione

addestra il modello

  1. Dopo aver creato ed elaborato il set di dati, seleziona la scheda Addestra per avviare l'addestramento del modello.

    seleziona scheda Treno

  2. Per continuare, seleziona Inizia addestramento.

    Opzione Addestra nuovo modello

    Si aprirà una finestra laterale con le opzioni di addestramento.

  3. Nella sezione Definisci il modello, modifica il nome del modello e seleziona Edge come tipo di modello. Dopo aver scelto di addestrare un modello Edge, seleziona Continua.

    Immagine del pulsante di opzione per addestrare il modello del bordo

  4. Nella seguente sezione Ottimizza modello per, seleziona l'opzione predefinita Miglior compromesso. Dopo aver selezionato i criteri di ottimizzazione, seleziona Continua.

    Immagine pulsante di opzione Miglior compromesso

  5. Nella sezione Imposta un budget per l'ora nodo, utilizza il budget consigliato per le ore nodo (24).

    impostazione della sezione relativa al budget del nodo

  6. Per avviare l'addestramento del modello, seleziona Inizia addestramento.

    L'operazione richiede circa un'ora L'addestramento potrebbe interrompersi prima dell'ora nodo selezionata. Il servizio ti invierà un'email al termine dell'addestramento o in caso di errori.

Al termine dell'addestramento, puoi fare riferimento alle metriche di valutazione, nonché testare e utilizzare il modello.

Seleziona la scheda Valuta per ulteriori dettagli sui punteggi F1, Precisione e Richiamo.

Seleziona una singola etichetta in Filtra etichette per visualizzare i dettagli su veri positivi, falsi negativi e falsi positivi.

Fare una previsione

Una volta completato l'addestramento, devi eseguire il deployment manuale del modello per poter eseguire previsioni online con il modello.

Seleziona la scheda Testa e utilizza per eseguire il deployment del modello (e per annullarne il deployment). Nella pagina Testa e utilizza sono disponibili anche istruzioni su come inviare un'immagine al tuo modello per una previsione. Puoi anche consultare la sezione Annotazione delle immagini per esempi.

Esporta e utilizza il modello Edge

L'ultimo passaggio nell'utilizzo di un modello di dispositivo periferico AutoML Vision consiste nell'esportare (ottimizzare e scaricare) e utilizzare il modello.

Esistono diversi modi per esportare e utilizzare i modelli per la previsione sui dispositivi periferici.

In questa guida rapida, come esempio utilizzerai Tensorflow Lite (TF Lite). Entrambi i modelli TF Lite sono facili da usare e hanno una vasta gamma di casi d'uso.

  1. In Utilizza il tuo modello, seleziona l'opzione TF Lite.

    Esporta modello TF Lite

  2. Nella finestra laterale visualizzata, indica una posizione di Google Cloud Storage per il modello esportato.

    Dopo aver specificato una località di archiviazione, seleziona Esporta per esportare un pacchetto TF Lite nel tuo bucket di archiviazione Cloud Storage. In genere il processo di esportazione richiede diversi minuti.

    Scegli una posizione di archiviazione per l'immagine modello esportata

  3. Dopo aver completato l'esportazione, seleziona il link Apri in Google Cloud Storage per andare alla cartella di destinazione di Google Cloud Storage nella console di Google Cloud Platform.

Nel percorso di destinazione di Google Cloud Storage è presente una cartella, il cui nome include il timestamp e il formato del modello, nella quale puoi trovare i seguenti file:

  • un file tflite (model.tflite),
  • un file di dizionario (dict.txt)
  • un file di metadati (tflite_metadata.json)

Esegui la pulizia

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

Passaggi successivi

Con questi file, puoi seguire i tutorial da utilizzare sui dispositivi Android, sui dispositivi iOS o in Raspberry Pi 3.

Altre opzioni per utilizzare il modello:

  • Puoi anche esportare il modello nel formato SavedModel di TensorFlow e utilizzarlo con un container Docker nella scheda Container. Consulta il tutorial sui container su come esportare in un container.
  • Puoi esportare il modello per l'esecuzione su Edge TPU nella scheda Dispositivi periferici. Per utilizzare il modello, puoi seguire questa documentazione ufficiale di TPU di Edge.