Guía de inicio rápido sobre la creación de modelos de Cloud mediante la IU

En esta guía de inicio rápido, se explicarán los siguientes procesos:

  • Crear un conjunto de datos de imágenes con cuadros de límite etiquetados
  • Entrenar un modelo personalizado con tu conjunto de datos

En esta guía de inicio rápido, debes usar la interfaz de usuario (IU) personalizada para interactuar con la API de Cloud AutoML. También puedes completar todos los pasos de esta guía mediante la API de AutoML. Si deseas obtener más instrucciones para usar la IU o la API, consulta las guías prácticas.

Configura tu proyecto

Si deseas usar la detección de objetos de Cloud AutoML Vision, primero debes crear un proyecto de Google Cloud (que nunca se haya usado con ningún otro producto AutoML) y habilitar la detección de objetos de Cloud AutoML Vision para ese proyecto.

  1. Accede a tu Cuenta de Google.

    Si todavía no tienes una cuenta, regístrate para obtener una nueva.

  2. En la página Selector de proyectos de Cloud Console, selecciona o crea un proyecto de Cloud.

    Ir a la página Selector de proyectos

  3. Asegúrate de que la facturación esté habilitada para tu proyecto de Google Cloud. Obtén información sobre cómo confirmar que tienes habilitada la facturación para tu proyecto.

  4. Habilita las API de Cloud AutoML and Storage.

    Habilita las API

Requisitos de la versión Beta

  1. Esta versión Beta requiere que uses us-central1 como la región especificada.

Prepara un conjunto de datos

En esta guía de inicio rápido, usarás un conjunto de datos creado a partir del conjunto de datos de imágenes abiertas V4. Este conjunto de datos de ensaladas público se encuentra en gs://cloud-ml-data/img/openimage/csv/salads_ml_use.csv.

El formato CSV es el siguiente:

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,,
Ejemplo de una imagen de conjunto de datos
3916261642_0a504acd60_o.jpg

Cada fila corresponde a un objeto ubicado dentro de una imagen mayor, con cada objeto designado de forma específica como datos de prueba, entrenamiento o validación. Las tres líneas que se incluyen aquí indican tres objetos distintos ubicados dentro de la misma imagen disponibles en gs://cloud-ml-data/img/openimage/3/2520/3916261642_0a504acd60_o.jpg. Cada fila tiene una etiqueta diferente: Salad, Seafood o Tomato, además de otras filas con etiquetas Baked goods o Cheese.

Se especifican cuadros de límite para cada imagen con el vértice superior izquierdo y el vértice inferior derecho:

  • (0,0) corresponde al vértice superior izquierdo.
  • (1,1) corresponde al vértice inferior derecho.

En la primera fila, las coordenadas (x, y) del vértice superior izquierdo del objeto etiquetado Salad son (0.0,0.0954), y las coordenadas del vértice inferior derecho del objeto son (0.977,0.957).

Si deseas obtener información más detallada sobre cómo dar formato al archivo CSV y los requisitos mínimos para crear un conjunto de datos válido, consulta Prepara los datos de entrenamiento.


Crea un conjunto de datos e importa imágenes de entrenamiento

  1. Abre la IU de la detección de objetos de Cloud AutoML Vision y selecciona tu proyecto de la lista desplegable en la barra de título.

    La primera vez que abras la IU de la detección de objetos de Cloud AutoML Vision, deberás “Habilitar la API de AutoML” si aún no está habilitada.

  2. Selecciona “Comenzar” (Get started) en la ventana emergente cuando se te solicite.

    Opción de seleccionar Comenzar

  3. Se te redireccionará a la página de la lista de conjuntos de datos. Para crear un nuevo conjunto de datos, selecciona Conjunto de datos nuevo (New dataset).

    Selecciona Crear conjunto de datos nuevo

    Ingresa un nombre único para tu conjunto de datos.

    Selecciona Crear el nombre del nuevo conjunto de datos

  4. Ingresa la ubicación de los datos de entrenamiento que deseas importar en la ventana que aparece a continuación.

    En el cuadro de texto Seleccionar un archivo CSV en Cloud Storage (Select a CSV file on Cloud Storage), ingresa la ruta del archivo CSV de muestra (el prefijo gs:// se agrega de forma automática):

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

    También puedes seleccionar Explorar (Browse) y navegar al archivo CSV en uno de tus depósitos de Google Cloud Storage.

    En esta guía de inicio rápido, se usan datos de muestra almacenados en un depósito público de Google Cloud Storage. Los datos de entrenamiento son imágenes JPG de muestra anotadas con el cuadro de límite y la etiqueta de los objetos que el modelo debe aprender a identificar. Para importar los datos de entrenamiento al conjunto de datos, usa un archivo CSV que se oriente a los archivos de imagen (JPEG, PNG, GIF, BMP o ICO). Consulta Prepara los datos de entrenamiento a fin de obtener información sobre las especificaciones de formato y de imagen.

    Imagen de Sube un CSV en Crea un conjunto de datos
  5. Selecciona Importar (Import).

    Tu conjunto de datos mostrará un estado de Running:importing images mientras se importen tus imágenes. Este proceso solo toma unos minutos.

Una vez que los datos de entrenamiento se importaron de forma correcta, en la columna Estado (Status), aparece Success:Creating dataset, y la IU muestra el ID que se generó para el conjunto de datos (que se usa cuando se realizan llamadas a la API de AutoML) y la cantidad de elementos importados.

Imagen de la lista de conjunto de datos

Si hay algún problema con la importación de las imágenes, verás el estado Warning: Importing images. Selecciona el nombre del conjunto de datos y Detalles para ver los errores de una importación de imagen específica.

Imagen de error de importación

Entrena tu modelo

Luego de crear tu conjunto de datos y de importar los datos de entrenamiento en el conjunto, puedes entrenar el modelo personalizado.

  1. En la página de la lista de Datasets (Conjuntos de datos), haz clic en el nombre del conjunto de datos.

    Página de enumeración de conjuntos de datos

  2. Selecciona la pestaña Train (Entrenar). Verás todas las etiquetas y su división en conjuntos de entrenamiento, prueba y validación.

    Opción de entrenamiento con conjuntos de entrenamiento, prueba y validación

  3. Selecciona Comenzar entrenamiento (Start training) para abrir un panel lateral con opciones de entrenamiento.

    Panel de entrenamiento

  4. Ingresa un nombre para tu modelo personalizado o acepta el nombre predeterminado. En este panel, también puedes seleccionar la optimización del modelo (para latencia o precisión).

    Selecciona check_box Deploy model to node after training (Implementar el modelo en el nodo después del entrenamiento) para habilitar la implementación automática. De lo contrario, se te solicitará que implementes tu modelo de forma manual después del entrenamiento para que puedas hacer predicciones.

  5. Selecciona Start training (Comenzar entrenamiento).

    Página de inicio de entrenamiento de modelos

El entrenamiento de un modelo puede tardar varias horas en completarse. El tiempo de entrenamiento típico para la muestra es de alrededor de una hora.

Después de que el modelo se entrene con éxito, recibirás un mensaje en la dirección de correo electrónico que usaste para registrarte en el programa.

Evalúa el modelo personalizado

Después de entrenar un modelo, la detección de objetos de Cloud AutoML Vision evalúa la calidad y precisión del modelo nuevo. Para ver las métricas de evaluación de tu modelo, haz lo siguiente:

  1. Abre la IU de la detección de objetos de Cloud AutoML Vision y haz clic en la pestaña Modelos (el ícono de bombilla) en la barra de navegación izquierda.

  2. Haz clic en el nombre del modelo que deseas evaluar.

  3. Si es necesario, haz clic en la pestaña Evaluar (Evaluate) que se encuentra justo debajo de la barra de título.

    Si se completó el entrenamiento del modelo, la detección de objetos de Cloud AutoML Vision mostrará sus métricas de evaluación. Proporciona puntuaciones de precisión y recuperación para el modelo completo y cada etiqueta de objeto con diferentes puntuaciones y umbrales de intersección sobre la unión (IoU). Para ver las métricas de una etiqueta de objeto específica, elige la etiqueta de la lista “Filter labels” (Filtrar etiquetas).

    Página de evaluación del modelo

La precisión y la recuperación miden qué tan bien capta la información el modelo y qué omite. A partir de todos los objetos anotados con una etiqueta específica, la precisión indica cuántos debían asignarse a esa etiqueta. A partir de todos los objetos que deben identificarse como una entidad determinada, la recuperación indica cuántos se asignaron en realidad a esa entidad.

Usa los siguientes datos para evaluar la preparación de tu modelo:

  • Las puntuaciones de precisión o recuperación bajas pueden indicar que tu modelo necesita datos de entrenamiento adicionales.
  • La precisión y la recuperación perfectas pueden indicar que los datos son demasiado fáciles y que no pueden generalizarse bien.

Usa el modelo personalizado

Una vez que tu modelo se haya entrenado de forma correcta, puedes usarlo para identificar objetos en una imagen con cuadros de límite y etiquetas. Selecciona la pestaña Test and Use (Probar y usar).

Si no habilitaste la implementación automática, se te pedirá que implementes el modelo para poder hacer predicciones.

Realiza una predicción

Después de implementar tu modelo, indica la ruta de acceso a tu imagen de prueba en la página Test & Use (Probar y usar) (como esta imagen, que está guardada de forma local). La detección de objetos de Cloud AutoML Vision analiza la imagen mediante tu modelo y muestra los objetos etiquetados y sus cuadros de límite en la imagen.

Página de predicción en una imagen subida

Realiza una limpieza

Si ya no necesitas tu conjunto de datos o modelo personalizado, puedes borrarlos.

A fin de evitar cargos innecesarios en Google Cloud Platform, usa GCP Console para borrar tu proyecto si no lo necesitas.

Anula la implementación de tu modelo

Tu modelo generará cargos mientras esté implementado.

  1. Selecciona la pestaña Test & Use (Probar y usar) que se encuentra debajo de la barra de título.
  2. Selecciona Remove deployment (Quitar implementación) en el cuadro que se encuentra debajo del nombre del modelo para abrir la ventana de la opción de anulación de la implementación.

    Menú emergente para anular la implementación

  3. Selecciona Quitar implementación (Remove deployment) para anular la implementación del modelo.

    Implementación del modelo

  4. Recibirás un correo electrónico cuando se complete la anulación de la implementación del modelo.

Borra tu proyecto (opcional)

A fin de evitar cargos innecesarios en Google Cloud Platform, usa Cloud Console para borrar tu proyecto si no lo necesitas.