Beri label pada gambar dengan menggunakan API di Console

Beri label pada gambar dengan menggunakan API di Console

Panduan memulai ini akan memandu Anda melalui proses:

• Membuat set data gambar dengan kotak pembatas berlabel.
• Latih model kustom menggunakan set data Anda.

Dalam panduan memulai ini, Anda menggunakan antarmuka pengguna (UI) kustom untuk berinteraksi dengan AutoML Vision API. Anda juga dapat menyelesaikan semua langkah dalam panduan memulai ini menggunakan AutoML API. Untuk petunjuk selengkapnya tentang penggunaan UI atau API, lihat panduan cara kerja.

Sebelum memulai

Persyaratan region: Saat ini, resource project harus berada di region us-central1 agar dapat menggunakan API ini.

Sebelum dapat menggunakan Deteksi Objek AutoML Vision, Anda harus membuat project Google Cloud (yang tidak pernah digunakan dengan produk AutoML lainnya) dan mengaktifkan Deteksi Objek AutoML Vision untuk project tersebut.

1. Login ke akun Google Cloud Anda. Jika Anda baru menggunakan Google Cloud, buat akun untuk mengevaluasi performa produk kami dalam skenario dunia nyata. Pelanggan baru juga mendapatkan kredit gratis senilai $300 untuk menjalankan, menguji, dan men-deploy workload.

2. Di konsol Google Cloud, pada halaman pemilih project, pilih atau buat project Google Cloud.

   Catatan: Jika tidak berencana untuk menyimpan resource yang Anda buat dalam prosedur ini, buatlah project, bukan memilih project yang ada. Setelah menyelesaikan langkah ini, Anda dapat menghapus project, yang menghapus semua resource yang terkait dengan project ini.

   Buka pemilih project

3. Pastikan penagihan telah diaktifkan untuk project Google Cloud Anda.

4. Enable the Cloud AutoML and Storage APIs.

   Enable the APIs

5. Di konsol Google Cloud, pada halaman pemilih project, pilih atau buat project Google Cloud.

   Catatan: Jika tidak berencana untuk menyimpan resource yang Anda buat dalam prosedur ini, buatlah project, bukan memilih project yang ada. Setelah menyelesaikan langkah ini, Anda dapat menghapus project, yang menghapus semua resource yang terkait dengan project ini.

   Buka pemilih project

6. Pastikan penagihan telah diaktifkan untuk project Google Cloud Anda.

7. Enable the Cloud AutoML and Storage APIs.

   Enable the APIs

Persyaratan versi beta:

1. Versi Beta ini mengharuskan Anda untuk menggunakan us-central1 sebagai region yang ditentukan.

Mempersiapkan set data

Dalam panduan memulai ini, Anda akan menggunakan set data yang dibuat dari Open Images Dataset V4. Set data Salads yang tersedia secara publik ini berada di gs://cloud-ml-data/img/openimage/csv/salads_ml_use.csv.

Berikut format CSV-nya:

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

Setiap baris sesuai dengan objek yang dilokalkan di dalam gambar yang lebih besar, dengan setiap objek yang secara khusus ditetapkan sebagai data pengujian, pelatihan, atau validasi. Tiga garis yang disertakan di sini menunjukkan tiga objek berbeda yang terletak di dalam gambar yang sama yang tersedia di gs://cloud-ml-data/img/openimage/3/2520/3916261642_0a504acd60_o.jpg. Setiap baris memiliki label yang berbeda: Salad, Seafood, Tomato, selain baris lain dengan label Baked goods atau Cheese.

Kotak pembatas ditentukan untuk setiap gambar menggunakan verteks kiri atas dan kanan bawah:

• (0,0) sesuai dengan verteks paling kiri atas.
• (1,1) sesuai dengan verteks paling kanan bawah.

Untuk baris pertama yang ditampilkan di atas, koordinat (x, y) untuk verteks kiri atas objek berlabel Salad adalah (0.0,0.0954), dan koordinat untuk verteks kanan bawah objek adalah (0,977,0,957).

Untuk informasi lebih detail tentang cara memformat file CSV dan persyaratan minimum untuk membuat set data yang valid, lihat Mempersiapkan data pelatihan Anda.

Membuat set data dan mengimpor image pelatihan

1. Buka AutoML Vision Object Detection UI, lalu pilih project Anda dari menu drop-down pada kolom judul.

   Saat pertama kali membuka UI Deteksi Objek AutoML Vision, Anda harus Mengaktifkan AutoML API jika belum diaktifkan.

2. Pilih Mulai saat jendela pop-up muncul.

   

3. Anda akan dibawa ke halaman daftar set data. Buat set data baru dengan memilih Set Data Baru.

   

   Masukkan nama unik untuk set data Anda.

   

4. Masukkan lokasi data pelatihan yang akan diimpor di jendela berikutnya.

   Di kotak teks Pilih file CSV di Cloud Storage, masukkan jalur untuk file CSV contoh (awalan gs:// ditambahkan secara otomatis):

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

   Atau, Anda dapat memilih Jelajahi dan membuka file CSV di salah satu bucket Google Cloud Storage.

   Panduan memulai ini menggunakan data sampel bertahap di bucket Google Cloud Storage publik. Data pelatihan adalah contoh gambar JPG yang diberi anotasi dengan kotak pembatas dan label objek yang ingin diidentifikasi oleh model untuk Anda pelajari. Untuk mengimpor data pelatihan ke dalam set data, gunakan file CSV yang mengarah ke file gambar (JPEG, PNG, GIF, BMP, atau ICO); lihat Menyiapkan data pelatihan Anda untuk mengetahui informasi tentang spesifikasi format dan gambar.

   
5. Pilih Impor

   Set data Anda akan menampilkan Status Running:importing images saat gambar sedang diimpor. Proses ini hanya memerlukan waktu beberapa menit.

Setelah data pelatihan Anda berhasil diimpor, kolom Status akan menampilkan Success:Creating dataset dan UI akan menampilkan ID yang dihasilkan untuk set data (digunakan saat melakukan panggilan AutoML API) serta jumlah item yang diimpor.

Jika terdapat masalah saat mengimpor gambar, Anda akan melihat status Warning: Importing images. Pilih nama set data dan Detail untuk melihat error pada impor gambar tertentu.

Melatih model Anda

Setelah membuat set data dan mengimpor data pelatihan ke dalam set data, Anda dapat melatih model kustom.

1. Dari halaman listingan Set data, klik nama set data.

   

2. Pilih tab Pelatihan. Ini akan menampilkan semua label dan pembagiannya ke dalam set pelatihan, pengujian, dan validasi.

   

3. Pilih Mulai pelatihan untuk membuka panel samping yang berisi opsi pelatihan.

   

4. Masukkan nama untuk model kustom Anda atau setujui nama default. Di panel ini Anda juga dapat memilih pengoptimalan model (untuk latensi atau akurasi).

   Pilih Deploy model ke node setelah pelatihan untuk ikut serta dalam deployment otomatis. Jika tidak, Anda akan diminta untuk men-deploy model secara manual setelah pelatihan sebelum Anda dapat membuat prediksi.

5. Pilih Mulai Pelatihan.

   

Melatih model dapat memerlukan waktu beberapa jam untuk diselesaikan. Waktu pelatihan standar untuk sampel adalah sekitar satu jam.

Setelah model berhasil dilatih, Anda akan menerima pesan di alamat email yang Anda gunakan untuk mendaftar program.

Mengevaluasi model kustom

Setelah melatih model, AutoML Vision Object Detection akan mengevaluasi kualitas dan akurasi model baru. Untuk melihat metrik evaluasi model Anda:

1. Buka AutoML Vision Object Detection UI, lalu klik tab Models (dengan ikon bohlam) di menu navigasi sebelah kiri.

2. Klik nama model yang ingin dievaluasi.

3. Jika perlu, klik tab Evaluasi tepat di bawah panel judul.

   Jika pelatihan untuk model telah selesai, AutoML Vision Object Detection akan menampilkan metrik evaluasinya. Ini memberikan skor presisi dan perolehan untuk model secara keseluruhan dan untuk setiap label objek pada skor yang berbeda dan batas intersection over union (IoU). Untuk melihat metrik pada label objek tertentu, pilih label dari daftar "Label filter".

   

Presisi dan perolehan mengukur seberapa baik model menangkap informasi, dan seberapa banyak bagian yang tertinggal. Presisi menunjukkan, dari semua objek yang dianotasi dengan label tertentu, berapa banyak objek yang sebenarnya ditetapkan ke label tersebut. Perolehan menunjukkan, dari semua objek yang seharusnya diidentifikasi sebagai entitas tertentu, berapa banyak objek yang sebenarnya ditetapkan pada entitas tersebut.

Gunakan data ini untuk mengevaluasi kesiapan model Anda:

• Skor presisi atau perolehan rendah dapat menunjukkan bahwa model Anda memerlukan data pelatihan tambahan.
• Presisi dan perolehan yang sempurna dapat menunjukkan bahwa data terlalu mudah dan mungkin tidak disamaratakan dengan baik.

Gunakan model kustom

Setelah model Anda berhasil dilatih, Anda dapat menggunakannya untuk mengidentifikasi objek dalam sebuah gambar dengan kotak pembatas dan label menggunakan model kustom Anda. Pilih tab Pengujian dan Penggunaan.

Jika Anda tidak memilih ikut serta dalam deployment otomatis, Anda akan diminta untuk men-deploy model Anda sebelum Anda dapat membuat prediksi.

Men-deploy model secara manual

AutoML Vision mengharuskan Anda men-deploy model terlatih Anda sebelum Anda dapat mengirim permintaan prediksi ke model tersebut.

1. Di tab Uji dan Gunakan, deploy model Anda secara manual dengan memilih opsi Deploy Model dari banner di bawah nama model Anda.

   Memilih Deploy Model akan membuka jendela opsi deployment model

2. Di jendela opsi deployment model, Anda dapat memilih jumlah node yang akan di-deploy dan melihat kueri prediksi per detik (QPS) yang tersedia.
3. Pilih Deploy untuk memulai deployment model.
4. Anda akan menerima email saat deployment model selesai.

Catatan: Anda juga dapat menggunakan UI untuk memperbarui jumlah node dari model yang di-deploy.

Membuat prediksi

Setelah model Anda di-deploy, tunjukkan jalur ke gambar pengujian Anda pada Pengujian dan Penggunaan (seperti ini gambar, disimpan secara lokal). AutoML Vision menganalisis gambar menggunakan model Anda dan menampilkan objek berlabel serta kotak pembatasnya pada gambar.

Peringatan: Ukuran kotak pembatas minimum yang disediakan selama penyiapan data dan pelatihan adalah 8x8 piksel; Performa prediksi model dapat terpengaruh jika kotak yang diprediksi berukuran kurang dari 8 x 8 piksel.

Pembersihan

Agar tidak menimbulkan biaya pada akun Google Cloud Anda untuk resource yang digunakan pada halaman ini, ikuti langkah-langkah berikut.

Jika tidak lagi memerlukan model atau set data kustom Anda, Anda dapat menghapusnya.

Untuk menghindari tagihan Google Cloud Platform yang tidak perlu, gunakan Konsol GCP untuk menghapus project Anda jika tidak lagi diperlukan.

Membatalkan deployment model Anda

Model Anda akan dikenai biaya saat di-deploy.

1. Pilih tab Uji & gunakan tepat di bawah batang judul.
2. Pilih Hapus deployment dari banner di bawah nama model Anda untuk membuka jendela opsi batalkan deployment.

   

3. Pilih Hapus deployment untuk membatalkan deployment model.

   

4. Anda akan menerima email saat pembatalan deployment model telah selesai.

Menghapus project Anda (opsional)

Untuk menghindari tagihan Google Cloud Platform yang tidak perlu, gunakan konsol Google Cloud untuk menghapus project Anda jika tidak lagi diperlukan.

Langkah selanjutnya

• Mengelola model
• Mengelola set data