Kurzanleitung: Modell über die UI in der Cloud erstellen

In dieser Kurzanleitung werden folgende Verfahren erläutert:

  • Dataset mit Bildern, die Begrenzungsrahmen mit Labels enthalten, erstellen
  • Benutzerdefiniertes Modell mit dem Dataset trainieren

In dieser Kurzanleitung verwenden Sie die benutzerdefinierte Benutzeroberfläche (UI) zur Interaktion mit der Cloud AutoML API. Sie können alle Schritte in dieser Kurzanleitung auch mithilfe der AutoML API ausführen. Weitere Informationen zur Verwendung der Benutzeroberfläche oder der API finden Sie in den Anleitungen.

Projekt einrichten

Bevor Sie die Objekterkennung von Cloud AutoML Vision verwenden können, müssen Sie ein Google Cloud-Projekt erstellen, das noch nie mit einem anderen AutoML-Produkt verwendet wurde, und die Objekterkennung von Cloud AutoML Vision für dieses Projekt aktivieren.

  1. Melden Sie sich bei Ihrem Google-Konto an.

    Wenn Sie noch kein Konto haben, registrieren Sie sich hier für ein neues Konto.

  2. Wählen Sie in der Cloud Console auf der Projektauswahlseite ein Cloud-Projekt aus oder erstellen Sie eines.

    Zur Projektauswahl

  3. Die Abrechnung für das Google Cloud-Projekt muss aktiviert sein. So prüfen Sie, ob die Abrechnung für Ihr Projekt aktiviert ist.

  4. Aktivieren Sie die Cloud AutoML and Storage APIs.

    Aktivieren Sie die APIs

Beta-Anforderungen

  1. Für diese Betaversion müssen Sie us-central1 als Region angeben.

Dataset vorbereiten

In dieser Kurzanleitung verwenden Sie ein Dataset, das aus Open Images Dataset Version 4 erstellt wurde. Dieses öffentlich verfügbare "Salads"-Dataset ist unter gs://cloud-ml-data/img/openimage/csv/salads_ml_use.csv gespeichert.

Das CSV-Format lautet:

TRAIN,gs://cloud-ml-data/img/openimage/3/2520/3916261642_0a504acd60_o.jpg,Salad,0.0,0.0954,,,0.977,0.957,,
    VALIDATE,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,,
Grafik: Beispiel für Dataset-Bild
3916261642_0a504acd60_o.jpg

Jede Zeile entspricht einem Objekt, das sich in einem größeren Bild befindet. Alle Objekte sind dabei jeweils spezifisch als Test-, Trainings- oder Validierungsdaten festgelegt. Die drei hier angegebenen Zeilen geben drei verschiedene Objekte an, die sich im gleichen Bild befinden, das unter gs://cloud-ml-data/img/openimage/3/2520/3916261642_0a504acd60_o.jpg verfügbar ist. Jede Zeile hat ein anderes Label: Salad, Seafood, Tomato. Daneben gibt es weitere Zeilen mit Labels wie Baked goods oder Cheese.

Über die Eckpunkte oben links und unten rechts werden für jedes Bild Begrenzungsrahmen festgelegt:

  • (0, 0) entspricht dem Eckpunkt ganz oben links.
  • (1, 1) entspricht dem Eckpunkt ganz unten rechts.

Für die erste Zeile, die oben angezeigt wird, lauten die Koordinaten (x, y) für den Eckpunkt oben links des Objekts mit dem Label Salad (0,0, 0,0954). Die Koordinaten für den Eckpunkt unten rechts des Objekts lauten (0,977, 0,957).

Ausführliche Informationen zum Formatieren der CSV-Datei und zu den Mindestanforderungen zum Erstellen eines gültigen Datasets finden Sie unter Trainingsdaten vorbereiten.


Dataset erstellen und Trainingsbilder importieren

  1. Öffnen Sie die Benutzeroberfläche von Cloud AutoML Vision Object Detection und wählen Sie Ihr Projekt aus der Drop-down-Liste in der Titelleiste aus.

    Wenn Sie die Benutzeroberfläche zur Objekterkennung von Cloud AutoML Vision zum ersten Mal öffnen, müssen Sie dieAutoML API aktivieren, wenn sie nicht bereits aktiviert ist.

  2. Wählen Sie Get started (Jetzt starten) im Pop-up-Fenster aus, wenn Sie dazu aufgefordert werden.

    Wählen Sie die Option Get started (Jetzt starten) aus

  3. Sie werden zu einer Seite mit einer Liste der Datasets weitergeleitet. Erstellen Sie ein neues Dataset, indem Sie New Dataset (Neues Dataset) auswählen.

    Wählen Sie New Dataset (Neues Dataset) aus.

    Geben Sie einen eindeutigen Namen für das Dataset ein.

    Wählen Sie einen Namen für das neue Dataset aus.

  4. Geben Sie im darauffolgenden Fenster den Speicherort der zu importierenden Trainingsdaten ein.

    Geben Sie im Textfeld Select a CSV file on Cloud Storage (CSV-Datei in Cloud Storage auswählen) den Pfad zu der Beispiel-CSV-Datei ein. Das Präfix gs:// wird automatisch hinzugefügt.

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

    Alternativ können Sie Browse (Durchsuchen) auswählen und in einem Ihrer Google Cloud Storage-Buckets die CSV-Datei aufrufen.

    In dieser Kurzanleitung werden Beispieldaten verwendet, die in einem öffentlichen Google Cloud Storage-Bucket bereitgestellt werden. Die Trainingsdaten sind Beispiel-JPG-Bilder, die mit dem Begrenzungsrahmen und dem Label der Objekte versehen sind, die das Modell zu identifizieren lernen soll. Verwenden Sie zum Importieren der Trainingsdaten in das Dataset eine CSV-Datei, die auf die Image-Dateien (JPEG, PNG, GIF, BMP oder ICO) verweist. Weitere Informationen zu den Format- und Bildspezifikationen finden Sie unter Trainingsdaten vorbereiten.

    CSV-Bild für Dataset-Upload erstellen
  5. Wählen Sie Importieren aus.

    Ihr Dataset zeigt während des Imports Ihrer Bilder den Status Running:importing images an. Dieser Vorgang dauert nur wenige Minuten.

Wenn Ihre Trainingsdaten erfolgreich importiert wurden, steht in der Spalte Status Success:Creating dataset und die Benutzeroberfläche zeigt die generierte ID für das Dataset (die bei AutoML API-Aufrufen verwendet wird) sowie die Anzahl der importierten Artikel an.

Bild der Auflistung von Datasets

Wenn beim Importieren der Bilder Probleme auftreten, wird als Status Warning: Importing images angezeigt. Wählen Sie den Dataset-Namen und Details aus, um die Fehler bei einem bestimmten Bildimport anzuzeigen.

Bild einer Importfehlermeldung

Modell trainieren

Nachdem Sie Ihr Dataset erstellt und Ihre Trainingsdaten in Ihr Dataset importiert haben, können Sie Ihr benutzerdefiniertes Modell trainieren.

  1. Klicken Sie auf der Seite mit der Liste der Datasets auf den Namen des Datasets.

    Grafik: Seite mit den aufgelisteten Datasets

  2. Wählen Sie den Tab Train (Trainieren) aus. Daraufhin werden alle Labels und ihre Verteilung auf Trainings-, Test- und Validierungs-Datasets angezeigt.

    Grafik: Trainingsoption mit Trainings-, Test- und Validierungs-Datasets

  3. Wählen Sie Start training (Training starten) aus, um eine Seitenleiste mit Trainingsoptionen zu öffnen.

    Grafik: Seitenleiste für das Training

  4. Geben Sie einen Namen für das benutzerdefinierte Modell ein oder übernehmen Sie den Standardnamen. Sie können in der Seitenleiste auch die Art der Modelloptimierung auswählen: "Latenz" oder "Genauigkeit".

    Klicken Sie auf das Kästchen check_box Modell nach dem Training auf dem Knoten bereitstellen, um die automatische Bereitstellung zu aktivieren. Andernfalls werden Sie nach dem Training dazu aufgefordert, das Modell manuell bereitzustellen, bevor Sie Vorhersagen treffen können.

  5. Wählen Sie Start Training (Training starten) aus.

    Grafik: Seite zum Starten des Modelltrainings

Das Trainieren eines Modells kann mehrere Stunden dauern. Die typische Trainingszeit für das Beispiel beträgt etwa eine Stunde.

Nachdem das Modell erfolgreich trainiert wurde, erhalten Sie eine Nachricht an die E-Mail-Adresse, unter der Sie sich beim Programm registriert haben.

Benutzerdefiniertes Modell bewerten

Nach dem Training eines Modells bewertet die Objekterkennung von Cloud AutoML Vision die Qualität und Genauigkeit des neuen Modells. So rufen Sie die Bewertungsmesswerte für Ihr Modell auf:

  1. Öffnen Sie die UI der Cloud AutoML Vision-Objekterkennung und klicken Sie in der linken Navigationsleiste auf den Tab Modelle mit dem Glühbirnensymbol.

  2. Klicken Sie auf den Namen des Modells, das bewertet werden soll.

  3. Klicken Sie ggf. unterhalb der Titelleiste auf den Tab Evaluate (Bewerten).

    Wenn das Training für das Modell abgeschlossen wurde, zeigt die Cloud AutoML Vision-Objekterkennung die Bewertungsmesswerte für das Modell an. Sie liefert Werte für Genauigkeit und Trefferquote des Modells als Ganzes sowie für jedes Objektlabel bei unterschiedlichen Werten und Schwellenwerten für Intersection over Union (IoU). Um die Messwerte für ein bestimmtes Objektlabel aufzurufen, wählen Sie das Label aus der Liste "Filterlabels" aus.

    Screenshot: Seite für Modellbewertung

Mit Genauigkeit und Trefferquote wird gemessen, wie gut das Modell Informationen erfasst und wie viele es auslässt. Die Genauigkeit gibt für alle Objekte, die mit einem bestimmten Label versehen wurden, an, wie viele davon tatsächlich dieses Label hätten erhalten sollen. Die Trefferquote gibt an, wie viele der Objekte, die als eine bestimmte Entität hätten identifiziert werden sollen, dann tatsächlich dieser Entität zugeordnet waren.

Mit folgenden Daten können Sie nun bewerten, ob Ihr Modell einsatzbereit ist:

  • Geringe Genauigkeits- oder Trefferquotenwerte können darauf hinweisen, dass das Modell zusätzliche Trainingsdaten benötigt.
  • Eine perfekte Genauigkeit und Trefferquote kann darauf hindeuten, dass die Daten zu einfach sind und sich unter Umständen nicht gut verallgemeinern lassen.

Benutzerdefiniertes Modell verwenden

Nachdem das benutzerdefinierte Modell erfolgreich trainiert wurde, können Sie es verwenden, um Objekte in einem Bild mit Begrenzungsrahmen und Labels zu identifizieren. Wählen Sie den Tab Test & Use (Test und Nutzung) aus.

Wenn Sie die automatische Bereitstellung nicht aktiviert haben, werden Sie aufgefordert, ein Modell bereitzustellen, bevor Sie Vorhersagen treffen können.

Vorhersagen treffen

Nachdem das Modell bereitgestellt wurde, geben Sie den Pfad zu Ihrem Testbild auf der Seite Testen und verwenden an, z. B. dieses lokal gespeicherte Bild. Die Objekterkennung von Cloud AutoML Vision analysiert das Bild mithilfe des Modells und zeigt dann mit Labels versehene Objekte und deren Begrenzungsrahmen im Bild an.

Seite mit der Vorhersage auf hochgeladenem Bild

Bereinigen

Wenn Sie das benutzerdefinierte Modell oder das Dataset nicht mehr benötigen, können Sie es löschen.

Löschen Sie Ihr Projekt mit der GCP Console, wenn Sie es nicht mehr benötigen, um unnötige Google Cloud Platform-Gebühren zu vermeiden.

Bereitstellung eines Modells entfernen

Während der Bereitstellung fallen für das Modell Gebühren an.

  1. Wählen Sie den Tab Test & Use (Test und Nutzung) direkt unter der Titelleiste aus.
  2. Wählen Sie aus dem Banner unterhalb des Modellnamens Remove Deployment (Deployment entfernen) aus, um das Fenster zum Aufheben der Bereitstellung zu öffnen.

    Grafik: Pop-up-Menü

  3. Wählen Sie Remove deployment (Deployment entfernen) aus, um die Bereitstellung des Modells zu entfernen.

    Grafik: Modellbereitstellung

  4. Sie erhalten eine E-Mail, wenn die Bereitstellung vollständig entfernt wurde.

Projekt löschen (optional)

Löschen Sie Ihr Projekt mit der Cloud Console, wenn Sie es nicht mehr benötigen, um unnötige Google Cloud Platform-Gebühren zu vermeiden.