Etichetta le immagini utilizzando l'API AutoML Vision Edge

Etichetta le immagini utilizzando l'API AutoML Vision Edge

Questa guida rapida illustra la procedura per:

• Utilizzare AutoML Vision Object Detection per creare il set di dati, addestrare un modello AutoML Vision Edge personalizzato ed eseguire 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

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 funzionalità 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 il tuo set di dati

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

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

   

2. Seleziona Inizia addestramento per continuare.

   

   Si aprirà una finestra laterale con le opzioni di addestramento.

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

   

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

   

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

   

   Budget per ora nodo: il tempo di addestramento consigliato viene calcolato in base a:

   • curve di apprendimento dei modelli
   • dimensione del set di dati di addestramento

   Se l'addestramento del modello converge prima della selezione del tempo consigliato o personalizzato, il sistema consente l'interruzione anticipata; ciò significa che ti viene addebitato solo il tempo necessario per l'addestramento del modello. Ti invitiamo a utilizzare la quantità di ore consigliata per evitare di utilizzare più risorse del necessario e ridurre i costi di fatturazione.

6. Seleziona Inizia addestramento per iniziare l'addestramento del modello.

   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, di precisione e di richiamo.

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

Esegui una previsione

Una volta completato l'addestramento, è necessario eseguire il deployment del modello manualmente prima di poter fare previsioni online con il modello.

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

Esporta e utilizza il modello Edge

Il passaggio finale nell'utilizzo di un modello AutoML Vision Edge consiste nell'esportare (ottimizzare e scaricare) e utilizzare il modello.

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

Opzioni per modello ed esportazione: Tensorflow Lite è ottimizzato per telefoni cellulari e dispositivi ARM (sistema operativo per dispositivi mobili). Può essere ulteriormente compilato per l'esecuzione su Edge TPU. È possibile utilizzare un'altra opzione di esportazione, Tensorflow SavingModel, che può essere utilizzata in un container Docker per la pubblicazione.

In questa guida rapida, utilizzerai Tensorflow Lite (TF Lite) come esempio. 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.

   

2. Nella finestra laterale che si apre indica una località di Google Cloud Storage per il modello esportato.

   Requisito di esportazione dei modelli: devi esportare un modello Edge nello stesso bucket Cloud Storage utilizzato per l'importazione dei dati.

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

   

3. Al termine dell'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 troverai una cartella denominata con timestamp e formato del modello, in cui 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.

Istruzioni per annullare il deployment ed eliminare

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

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

Altre opzioni per utilizzare il modello:

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