Ajouter des libellés à des images à l'aide de l'API dans la console

Ajouter des libellés à des images à l'aide de l'API dans la console

Ce guide de démarrage rapide vous présente les processus suivants :

• Création d'un ensemble de données d'images avec des cadres de délimitation.
• Entraînement d'un modèle personnalisé à l'aide de votre ensemble de données.

Dans ce guide de démarrage rapide, vous utiliserez l'interface utilisateur (UI) personnalisée pour interagir avec l'API AutoML Vision. Vous pouvez également suivre toutes les étapes de ce guide de démarrage rapide à l'aide de l'API AutoML. Pour en savoir plus sur l'utilisation de l'UI ou de l'API, consultez les guides d'utilisation.

Avant de commencer

Exigence de région : Pour utiliser cette API, les ressources du projet doivent actuellement se trouver dans la région us-central1.

Avant de pouvoir utiliser AutoML Vision Object Detection, vous devez créer un projet Google Cloud (qui n'est jamais utilisé avec un autre produit AutoML) et activer AutoML Vision Object Detection pour ce projet.

1. Connectez-vous à votre compte Google Cloud. Si vous débutez sur Google Cloud, créez un compte pour évaluer les performances de nos produits en conditions réelles. Les nouveaux clients bénéficient également de 300 $ de crédits gratuits pour exécuter, tester et déployer des charges de travail.

2. Dans Google Cloud Console, sur la page de sélection du projet, sélectionnez ou créez un projet Google Cloud.

   Remarque : Si vous ne comptez pas conserver les ressources créées dans cette procédure, créez un projet au lieu de sélectionner un projet existant. Après avoir suivi ces étapes, vous pouvez supprimer le projet. Cela entraîne la suppression de toutes les ressources qui lui sont associées.

   Accéder au sélecteur de projet

3. Vérifiez que la facturation est activée pour votre projet Google Cloud.

4. Activer les API Cloud AutoML and Storage.

   Activer les API

5. Dans Google Cloud Console, sur la page de sélection du projet, sélectionnez ou créez un projet Google Cloud.

   Remarque : Si vous ne comptez pas conserver les ressources créées dans cette procédure, créez un projet au lieu de sélectionner un projet existant. Après avoir suivi ces étapes, vous pouvez supprimer le projet. Cela entraîne la suppression de toutes les ressources qui lui sont associées.

   Accéder au sélecteur de projet

6. Vérifiez que la facturation est activée pour votre projet Google Cloud.

7. Activer les API Cloud AutoML and Storage.

   Activer les API

Conditions requises pour participer au programme bêta

1. Vous devez utiliser us-central1 comme région spécifiée pour cette version bêta.

Préparer un ensemble de données

Dans ce guide de démarrage rapide, vous allez utiliser un ensemble de données créé à partir de Open Images Dataset V4. Cet ensemble de données accessible au public intitulé "Salads" se trouve à l'adresse gs://cloud-ml-data/img/openimage/csv/salads_ml_use.csv.

Le format du fichier CSV est le suivant :

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

Chaque ligne correspond à un objet localisé dans une image plus grande, chaque objet étant spécifiquement désigné comme données de test, d'entraînement ou de validation. Les trois lignes incluses ici indiquent trois objets distincts situés dans la même image, disponible à l'adresse gs://cloud-ml-data/img/openimage/3/2520/3916261642_0a504acd60_o.jpg. Chaque ligne a une étiquette différente : Salad, Seafood, Tomato. D'autres lignes ont les étiquettes Baked goods ou Cheese.

Des cadres de délimitation sont spécifiés pour chaque image à l'aide du sommet supérieur gauche et du sommet inférieur droit :

• (0,0) correspond au sommet le plus en haut à gauche.
• (1,1) correspond au sommet le plus en bas à droite.

Pour la première ligne du haut, les coordonnées (x, y) du sommet supérieur gauche de l'objet étiqueté Salad sont (0.0,0.0954) et celles du sommet inférieur droit de l'objet sont (0.977,0.957).

Pour en savoir plus sur la mise en forme de votre fichier CSV et la configuration minimale requise pour créer un ensemble de données valide, consultez la page Préparer les données d'entraînement.

Créer un ensemble de données et importer des images d'entraînement

1. Accédez à l'interface de détection d'objets AutoML Vision, puis sélectionnez votre projet dans la liste déroulante de la barre de titre.

   La première fois que vous ouvrez l'UI de détection d'objets AutoML Vision, vous devez activer l'API AutoML si elle n'est pas déjà activée.

2. Lorsque vous y êtes invité, sélectionnez Premiers pas dans la fenêtre pop-up.

   

3. Vous êtes redirigé vers la page qui répertorie les ensembles de données. Pour créer un ensemble de données, sélectionnez Nouvel ensemble de données.

   

   Saisissez un nom unique pour l'ensemble de données.

   

4. Dans la fenêtre qui s'affiche, saisissez l'emplacement des données d'entraînement à importer.

   Dans la zone de texte Sélectionner un fichier CSV sur Cloud Storage, saisissez le chemin de l'exemple de fichier CSV. Le préfixe gs:// est ajouté automatiquement.

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

   Vous pouvez également sélectionner Parcourir et accéder au fichier CSV dans l'un de vos buckets Google Cloud Storage.

   Ce guide de démarrage rapide utilise des exemples de données stockés dans un bucket Google Cloud Storage public. Les données d'entraînement sont des exemples d'images JPG annotés avec le cadre de délimitation et le libellé des objets que le modèle doit apprendre à identifier. Pour importer les données d'entraînement dans l'ensemble de données, utilisez un fichier CSV pointant vers les fichiers image (JPEG, PNG, GIF, BMP ou ICO). Pour en savoir plus sur le format et les spécifications d'image, consultez la page Préparer les données d'entraînement.

   
5. Sélectionnez Importer.

   La colonne État de l'ensemble de données affiche Running:importing images pendant l'importation des images. Ce processus ne prend que quelques minutes.

Une fois les données d'entraînement importées, la colonne État indique Success:Creating dataset. L'interface utilisateur affiche le paramètre ID généré pour l'ensemble de données (et utilisé pour les appels de l'API AutoML), ainsi que le nombre d'éléments importés.

Si vous rencontrez des problèmes lors de l'importation des images, l'état Warning: Importing images s'affiche. Sélectionnez le nom de l'ensemble de données, puis Détails pour afficher les erreurs liées à l'importation d'une image spécifique.

Entraîner le modèle

Après avoir créé votre ensemble de données et y avoir importé vos données d'entraînement, vous pouvez entraîner votre modèle personnalisé.

1. Sur la page affichant la liste des Ensembles de données, cliquez sur le nom de l'ensemble de données.

   

2. Ouvrez l'onglet Entraînement. Vous verrez ainsi tous les libellés et leur répartition dans les ensembles d'entraînement, de test et de validation.

   

3. Sélectionnez Démarrer l'entraînement pour ouvrir un panneau latéral avec des options d'entraînement.

   

4. Attribuez un nom à votre modèle personnalisé ou acceptez celui par défaut. Dans ce panneau, vous pouvez également sélectionner l'optimisation du modèle (pour la latence ou la justesse).

   Sélectionnez Déployer le modèle sur le nœud après l'entraînement pour activer le déploiement automatique. Sinon, vous serez invité à déployer manuellement votre modèle après l'entraînement avant de pouvoir effectuer des prédictions.

5. Sélectionnez Démarrer l'entraînement.

   

L'entraînement d'un modèle peut prendre plusieurs heures. Le temps d'entraînement habituel de l'échantillon est d'environ une heure.

Une fois le modèle entraîné, vous recevez un message à l'adresse e-mail que vous avez utilisée pour vous inscrire au programme.

Évaluer le modèle personnalisé

Après l'entraînement d'un modèle, la détection d'objets AutoML Vision évalue la qualité et la précision du nouveau modèle. Pour afficher les métriques d'évaluation de votre modèle, procédez comme suit :

1. Ouvrez l'UI de détection d'objets AutoML Vision, puis cliquez sur l'onglet Modèles (avec une icône représentant une ampoule) dans la barre de navigation de gauche.

2. Cliquez sur le nom du modèle que vous souhaitez évaluer.

3. Si nécessaire, cliquez sur l'onglet Évaluation situé juste en dessous de la barre de titre.

   Si l'entraînement du modèle est terminé, la détection d'objets AutoML Vision affiche ses métriques d'évaluation. Il fournit des scores de précision et de rappel pour le modèle dans son ensemble et pour chaque libellé d'objet à différents seuils de score et IoU ("intersection over union", ratio entre l'aire d'intersection et l'aire d'union). Pour afficher les métriques relatives à un libellé d'objet particulier, choisissez le libellé dans la liste "Filter labels" (Filtrer les libellés).

   

Les métriques de précision et de rappel permettent d'évaluer la capacité de votre modèle à capturer des informations et à en laisser certaines de côté. La précision indique, parmi tous les objets annotés avec un libellé spécifique, combien étaient censés être attribués à ce libellé. Le rappel indique, parmi tous les objets qui auraient dû être identifiés en tant qu'entité spécifique, combien ont été effectivement attribués à cette entité.

Évaluez l'état de préparation de votre modèle à l'aide de ces données :

• Des scores de précision ou rappel faibles peuvent indiquer que votre modèle a besoin de données d'entraînement supplémentaires.
• Une précision et un rappel parfaits peuvent indiquer que les données sont trop simples et qu'elles risquent de ne pas être correctement généralisées.

Utiliser le modèle personnalisé

Une fois l'entraînement de votre modèle mené à bien, vous pouvez l'utiliser pour identifier des objets dans une image avec des cadres de délimitation et des libellés en utilisant votre modèle personnalisé. Sélectionnez l'onglet Test et utilisation.

Si vous n'avez pas opté pour le déploiement automatique, vous serez invité à déployer votre modèle avant de pouvoir effectuer des prédictions.

Déployer un modèle manuellement

Avant de pouvoir envoyer des requêtes de prédictions à AutoML Vision, vous devez déployer un modèle entraîné.

1. Dans l'onglet Test et utilisation, accédez à la bannière située sous le nom de votre modèle, puis sélectionnez l'option Déployer un modèle pour déployer votre modèle manuellement.

   Lorsque vous sélectionnez Déployer un modèle, la fenêtre des options de déploiement du modèle s'affiche.

2. Dans la fenêtre des options de déploiement du modèle, vous pouvez sélectionner le nombre de nœuds avec lesquels déployer et consulter les requêtes de prédiction par seconde (RPS) disponibles.
3. Sélectionnez Déployer pour lancer le déploiement du modèle.
4. Vous recevrez un e-mail une fois le déploiement terminé.

Remarque : L'interface utilisateur vous permet également de mettre à jour le nombre de nœuds d'un modèle déployé.

Effectuer une prédiction

Une fois votre modèle déployé, indiquez le chemin d'accès à votre image de test sur la page Test et utilisation (comme cette image, enregistrée localement). AutoML Vision analyse l'image à l'aide de votre modèle et affiche les objets libellés et leurs cadres de délimitation dans l'image.

Avertissement : La taille minimale du cadre de délimitation fourni lors de la préparation des données et de l'entraînement est de 8 x 8 px. Les performances prédictives du modèle peuvent être affectées lorsque les cadres de prédiction sont inférieurs à 8 x 8 px.

Effectuer un nettoyage

Pour éviter que les ressources utilisées sur cette page soient facturées sur votre compte Google Cloud, procédez comme suit :

Si vous n'avez plus besoin de votre modèle personnalisé ou de votre ensemble de données, vous pouvez les supprimer.

Pour éviter des frais Google Cloud Platform inutiles, supprimez votre projet à l'aide de la console GCP si vous n'en avez plus besoin.

Annuler le déploiement du modèle

Des frais vous sont facturés pour le déploiement du modèle. Pour les éviter :

1. Sélectionnez l'onglet Test & Use (Test et utilisation) situé juste en dessous de la barre de titre.
2. Sélectionnez Remove deployment (Supprimer le déploiement) dans la bannière située sous le nom de votre modèle pour ouvrir la fenêtre d'annulation du déploiement.

   

3. Sélectionnez Supprimer le déploiement pour annuler le déploiement du modèle.

   

4. Vous recevrez un e-mail une fois l'annulation du déploiement du modèle terminée.

Supprimer votre projet (facultatif)

Pour éviter d'encourir des frais inutiles liés à Google Cloud Platform, supprimez votre projet à l'aide de Cloud Console si vous n'en avez plus besoin.

Étape suivante

• Gérer les modèles
• Gérer les ensembles de données