Rotular imagens usando a API no Console

Rotular imagens usando a API no Console

Este guia de início rápido aborda os seguintes processos:

• A criação um conjunto de dados de imagens com caixas delimitadoras rotuladas.
• O treino de um modelo personalizado usando seu conjunto de dados.

Neste guia de início rápido, use a interface do usuário (IU) personalizada para interagir com a API AutoML Vision. Também é possível concluir todas as etapas neste guia de início rápido usando a API AutoML. Para instruções adicionais sobre como usar a interface do usuário ou a API, consulte os guias de instruções.

Antes de começar

Requisito de região: atualmente, os recursos do projeto precisam estar na região us-central1 para usar esta API.

Antes de usar o AutoML Vision Object Detection, crie um projeto do Google Cloud (nunca usado com outro produto do AutoML) e ative o AutoML Vision Object Detection para esse projeto.

1. Faça login na sua conta do Google Cloud. Se você começou a usar o Google Cloud agora, crie uma conta para avaliar o desempenho de nossos produtos em situações reais. Clientes novos também recebem US$ 300 em créditos para executar, testar e implantar cargas de trabalho.

2. No console do Google Cloud, na página do seletor de projetos, selecione ou crie um projeto do Google Cloud.

   Observação: se você não pretende manter os recursos criados neste procedimento, crie um projeto novo em vez de selecionar um que já existe. Depois de concluir essas etapas, é possível excluir o projeto. Para fazer isso, basta remover todos os recursos associados a ele.

   Acessar o seletor de projetos

3. Verifique se a cobrança está ativada para o seu projeto do Google Cloud.

4. Ative as APIs Cloud AutoML and Storage.

   Ative as APIs

5. No console do Google Cloud, na página do seletor de projetos, selecione ou crie um projeto do Google Cloud.

   Observação: se você não pretende manter os recursos criados neste procedimento, crie um projeto novo em vez de selecionar um que já existe. Depois de concluir essas etapas, é possível excluir o projeto. Para fazer isso, basta remover todos os recursos associados a ele.

   Acessar o seletor de projetos

6. Verifique se a cobrança está ativada para o seu projeto do Google Cloud.

7. Ative as APIs Cloud AutoML and Storage.

   Ative as APIs

Requisitos da versão Beta

1. Com esta versão Beta, exigimos que você use us-central1 como a região especificada.

Como preparar um conjunto de dados

Neste guia de início rápido, você usa um conjunto de dados criado no Open Images Dataset V4 (em inglês). Esse conjunto de dados "Saladas" está disponível ao público em gs://cloud-ml-data/img/openimage/csv/salads_ml_use.csv.

O formato CSV é o seguinte:

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

Cada linha corresponde a um objeto localizado em uma imagem maior. Cada objeto é designado especificamente como dados de teste, treinamento ou validação. As três linhas incluídas nesta página indicam três objetos diferentes localizados na mesma imagem disponível em gs://cloud-ml-data/img/openimage/3/2520/3916261642_0a504acd60_o.jpg. Cada linha tem um rótulo diferente: Salad, Seafood e Tomato, além de outras linhas com rótulos Baked goods ou Cheese.

As caixas delimitadoras são especificadas em cada imagem usando os vértices superior à esquerda e inferior à direita:

• (0,0) corresponde ao vértice superior à esquerda.
• (1,1) corresponde ao vértice inferior à direita.

Na primeira linha mostrada acima, as coordenadas (x, y) do vértice superior à esquerda do objeto com o rótulo Salad são (0.0,0.0954). Já as coordenadas do vértice inferior à direita do objeto são (0.977,0.957).

Para informações mais detalhadas sobre como formatar o arquivo CSV e os requisitos mínimos para criar um conjunto de dados válido, consulte Como preparar os dados de treinamento.

Criar um conjunto de dados e importar imagens de treinamento

1. Abra a IU do AutoML Vision Object Detection e selecione seu projeto na lista suspensa na barra de título.

   Na primeira vez que você abrir a IU do AutoML Vision Object Detection, você precisará Ativar a API AutoML se isso ainda não tiver sido feito.

2. Selecione Primeiros passos na janela pop-up quando solicitado.

   

3. Você será direcionado para a página da lista de conjuntos de dados. Crie um novo conjunto de dados selecionando Novo conjunto de dados.

   

   Insira um nome exclusivo para o conjunto de dados.

   

4. Insira a localização dos dados de treinamento a serem importados na janela seguinte.

   Na caixa de texto Selecionar um arquivo CSV no Cloud Storage, digite o caminho para o arquivo CSV de exemplo (o prefixo gs:// é adicionado automaticamente):

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

   Como alternativa, vocêé possível selecionar Procurar e navegar até o arquivo CSV em um dos seus buckets do Google Cloud Storage.

   Este guia de início rápido usa dados de amostra testados em um bucket público do Google Cloud Storage. Os dados de treinamento são imagens JPG de amostra anotadas com a caixa delimitadora e o rótulo dos objetos que você quer que o modelo aprenda a identificar. Para importar os dados de treinamento para o conjunto de dados, use um arquivo CSV que aponte para os arquivos de imagem (JPEG, PNG, GIF, BMP ou ICO). Além disso, consulte Como preparar seus dados de treinamento para informações sobre o formato e as especificações da imagem.

   
5. Selecione Importar.

   Seu conjunto de dados mostrará um status de Running:importing images enquanto suas imagens estiverem sendo importadas. Esse processo leva apenas alguns minutos.

Quando seus dados de treinamento tiverem sido importados com êxito, a coluna Status informará Success:Creating dataset e a IU mostrará o ID gerado para o conjunto de dados, usado ao fazer chamadas de API AutoML, bem como o número de itens importados.

Se houver problemas na importação de imagens, você verá Warning: Importing images como status. Selecione o nome do conjunto de dados e Detalhes para ver os erros com importação de uma imagem específica.

treine o modelo

Depois de criar o conjunto de dados e importar seus dados de treinamento para seu conjunto de dados, você poderá treinar seu modelo personalizado.

1. Na página de listagem dos Conjuntos de dados, clique no nome do conjunto de dados.

   

2. Selecione a guia Treinar. Isso mostrará todos os rótulos e divisões em conjuntos de treinamento, teste e validação.

   

3. Selecione Iniciar treinamento para abrir um painel lateral com opções de treinamento.

   

4. Insira um nome para seu modelo personalizado ou aceite o nome padrão. Nesse painel, também é possível selecionar a otimização do modelo (para latência ou precisão).

   Selecione Implantar o modelo no nó após o treino para ativar a implantação automática. Caso contrário, você será solicitado a implantar o modelo manualmente após o treinamento antes de poder fazer previsões.

5. Selecione Iniciar treinamento.

   

Esse processo pode levar várias horas para ser concluído. O tempo de treinamento para a amostra geralmente é de cerca de uma hora.

Após o treinamento bem-sucedido do modelo, você receberá uma mensagem no endereço de e-mail usado para se inscrever no programa.

Avaliar o modelo personalizado

Após o treinamento de um modelo, o AutoML Vision Object Detection avaliará a qualidade e a precisão do novo modelo. Para ver as métricas de avaliação do seu modelo:

1. Abra a IU do AutoML Vision Object Detection e clique na guia Modelos (com o ícone da lâmpada) na barra de navegação esquerda.

2. Clique no nome do modelo que você quer avaliar.

3. Se necessário, clique na guia Avaliar abaixo da barra de título.

   Se o treinamento do modelo tiver sido concluído, o AutoML Vision Object Detection mostrará as métricas de avaliação. Ele fornece pontuações de precisão e de recall para o modelo como um todo e para cada rótulo de objeto em diferentes pontuações e limites de interseção sobre união (IoU, na sigla em inglês). Para ver as métricas de um rótulo de objeto específico, escolha o rótulo na lista "Filtrar rótulos".

   

Precisão e recall avaliam quanta informação o modelo está capturando e quanto está deixando de fora. A precisão indica, a partir de todos os objetos anotados com um rótulo específico, quantos precisariam ter sido atribuídos a esse rótulo. O recall indica que, de todos os objetos que precisam ser identificados como uma entidade particular, quantos foram realmente atribuídos a essa entidade.

Use esses dados para avaliar a prontidão do seu modelo:

• Índices de baixa precisão ou de recall podem indicar que seu modelo precisa de dados de treinamento adicionais.
• A precisão e o recall perfeitos podem indicar que os dados são muito fáceis e podem não ser bem generalizados.

Usar o modelo personalizado

Depois que o modelo for treinado com êxito, será possível usá-lo para identificar objetos em uma imagem com caixas delimitadoras e rótulos usando o modelo personalizado. Selecione a guia Testar e usar.

Se você não escolheu a implantação automática, será necessário implantar o modelo antes de fazer as previsões.

Implantação manual do modelo

O AutoML Vision exige que você implante o modelo treinado antes de enviar solicitações de previsão a ele.

1. Na guia Testar e usar, implante o modelo manualmente. Basta selecionar a opção Implantar modelo no banner abaixo do nome do modelo.

   Selecionar Implantar modelo abre a janela de opções de implantação.

2. Na janela de opções de implantação do modelo, é possível selecionar o número de nós a serem implantados e visualizar as consultas por segundo (QPS, na sigla em inglês) de previsão disponíveis.
3. Selecione Implantar para iniciar a implantação do modelo.
4. Você receberá um e-mail quando a implantação do modelo for concluída.

Observação: também é possível usar a IU para atualizar a contagem de nós de um modelo implantado.

Fazer uma previsão

Depois que o modelo for implantado, indique o caminho para a imagem de teste na página Testar e usar (como nesta imagem que foi salva localmente). O AutoML Vision analisa a imagem usando o modelo e exibe os objetos rotulados e as caixas delimitadoras na imagem.

Aviso: o tamanho mínimo da caixa delimitadora fornecida durante a preparação de dados e treinamento é 8 x 8 pixels. O desempenho da previsão do modelo pode ser ruim se as caixas previstas forem menores que isso.

Limpar

Para evitar cobranças na conta do Google Cloud pelos recursos usados nesta página, siga estas etapas.

É possível excluir seu modelo personalizado ou conjunto de dados se você não precisa mais deles.

Para evitar cobranças desnecessárias do Google Cloud Platform, use o Console do GCP para excluir o projeto se ele não for necessário.

Remover a implantação do modelo

O modelo gera cobranças enquanto está implantado.

1. Selecione a guia Testar e usar logo abaixo da barra de título.
2. Selecione Remover implantação no banner abaixo do nome do modelo para abrir a janela relacionada.

   

3. Selecione Remover implantação para remover a implantação do modelo.

   

4. Você receberá um e-mail quando a remoção da implantação do modelo for concluída.

Excluir o projeto (opcional)

Para evitar cobranças desnecessárias do Google Cloud Platform, use o console do Google Cloud para excluir o projeto se ele não for mais necessário.

A seguir

• Gerenciar modelos
• Gerenciar conjuntos de dados