Descripción general

Vertex AI AutoML ayuda a los desarrolladores con experiencia limitada en AA a entrenar modelos de alta calidad para el reconocimiento de imágenes. Después de subir imágenes a la IU de AutoML, puedes entrenar un modelo que estará disponible de inmediato en Google Cloud para generar predicciones a través de una API de REST fácil de usar.

En este lab, subirás imágenes a Cloud Storage y las usarás para entrenar un modelo personalizado para reconocer diferentes tipos de nubes (cúmulos, cumulonimbos, etcétera).

Qué aprenderás

En este lab, realizarás las siguientes actividades:

• Subir un conjunto de datos etiquetados a Cloud Storage y conectarlo a AutoML con un archivo de etiqueta CSV
• Entrenar un modelo con AutoML
• Generar predicciones en un modelo entrenado

Configuración y requisitos

Antes de hacer clic en el botón Comenzar lab

Lee estas instrucciones. Los labs son cronometrados y no se pueden pausar. El cronómetro, que comienza a funcionar cuando haces clic en Comenzar lab, indica por cuánto tiempo tendrás a tu disposición los recursos de Google Cloud.

Este lab práctico te permitirá realizar las actividades correspondientes en un entorno de nube real, no en uno de simulación o demostración. Para ello, se te proporcionan credenciales temporales nuevas que usarás para acceder a Google Cloud durante todo el lab.

Qué necesitas

Para completar este lab, necesitarás lo siguiente:

• Acceso a un navegador de Internet estándar (se recomienda el navegador Chrome)
• Tiempo para completar el lab

Nota: Si tienes un proyecto o una Cuenta de Google Cloud personal, no los uses en este lab. Nota: Si utilizas una Pixelbook, abre una ventana de incógnito para ejecutar este lab.

Accede a la consola de Google Cloud

1. En la pestaña o ventana del navegador que estás usando para esta sesión del lab, copia el Nombre de usuario del panel Detalles de la conexión y haz clic en el botón Abrir la consola de Google.

Nota: Si se te solicita que elijas una cuenta, haz clic en Usar otra cuenta.

2. Cuando se te solicite, pega el nombre de usuario y, luego, la contraseña.
3. Haz clic en Siguiente.
4. Acepta los Términos y Condiciones.

Dado que esta es una cuenta temporal que tendrá la misma duración del lab, sigue estas recomendaciones:

• No agregues opciones de recuperación.
• No te registres para las pruebas gratuitas.

5. Cuando se abra la consola, podrás ver la lista de servicios haciendo clic en el Menú de navegación () en la esquina superior izquierda.

Active Cloud Shell

Cloud Shell es una máquina virtual que contiene herramientas de desarrollo y un directorio principal persistente de 5 GB. Se ejecuta en Google Cloud. Cloud Shell proporciona acceso de línea de comandos a sus recursos de Google Cloud. gcloud es la herramienta de línea de comandos de Google Cloud, la cual está preinstalada en Cloud Shell y es compatible con la función de autocompletado con tabulador.

1. En el panel de navegación de Google Cloud Console, haga clic en Activar Cloud Shell ().

2. Haga clic en Continuar.
   El aprovisionamiento y la conexión al entorno tardan solo unos momentos. Una vez que se conecte, también estará autenticado, y el proyecto estará configurado con su PROJECT_ID. Por ejemplo:

Comandos de muestra

• Si desea ver el nombre de cuenta activa, use este comando:

gcloud auth list

(Resultado)

Credentialed accounts: - <myaccount>@<mydomain>.com (active)

(Resultado de ejemplo)

Credentialed accounts: - google1623327_student@qwiklabs.net

• Si desea ver el ID del proyecto, use este comando:

gcloud config list project

(Resultado)

[core] project = <project_ID>

(Resultado de ejemplo)

[core] project = qwiklabs-gcp-44776a13dea667a6

Tarea 1. Prepárate para usar AutoML

Crea un bucket de almacenamiento

1. Ahora ejecuta el siguiente comando para crear un bucket de almacenamiento:

gcloud storage buckets create gs://$GOOGLE_CLOUD_PROJECT-vcm \ -c standard \ -l us-central1

2. En la consola de Google Cloud, abre el menú de navegación y haz clic en Cloud Storage para verlo.

Haz clic en Revisar mi progreso para verificar el objetivo.

Crear un bucket de Cloud Storage

Tarea 2: Sube imágenes de entrenamiento a Cloud Storage

Para entrenar un modelo que clasifique imágenes de nubes, deberás proporcionar datos de entrenamiento etiquetados que le permitan al modelo comprender las características de las imágenes asociadas con diferentes tipos de nubes. En este ejemplo, tu modelo aprenderá a clasificar tres tipos diferentes de nubes: cirros, cúmulos y cumulonimbos. Para usar AutoML, debes subir las imágenes de entrenamiento a Cloud Storage.

1. Antes de agregar las imágenes de nubes, crea una variable de entorno con el nombre de tu bucket.

Ejecuta el siguiente comando en Cloud Shell:

export BUCKET=$GOOGLE_CLOUD_PROJECT-vcm

Las imágenes de entrenamiento están disponibles de forma pública en un bucket de Cloud Storage.

2. Usa la utilidad de línea de comandos gcloud storage de Cloud Storage para copiar las imágenes de entrenamiento en tu bucket:

gcloud storage cp -r gs://spls/gsp223/images/* gs://${BUCKET}

3. Cuando se terminen de copiar las imágenes, haz clic en el botón Actualizar, que se encuentra en la parte superior del navegador de Storage, y, luego, en el nombre de tu bucket. Deberías ver 3 carpetas de fotos para cada uno de los 3 tipos de nubes que se clasificarán.

Si haces clic en los archivos de imagen individuales de cada carpeta, podrás ver las fotos que utilizarás para entrenar tu modelo según los tipos de nube.

Tarea 3: Crea un conjunto de datos

Ahora que los datos de entrenamiento están en Cloud Storage, debes buscar la forma de que AutoML acceda a ellos. Crearás un archivo CSV en el que cada fila contendrá una URL a una imagen de entrenamiento y la etiqueta asociada a esa imagen. Este archivo CSV se creó para ti. Solo necesitas actualizarlo con el nombre de tu bucket.

1. Ejecuta el siguiente comando para copiar el archivo a tu instancia de Cloud Shell:

gcloud storage cp gs://spls/gsp223/data.csv .

2. Luego, actualiza el archivo CSV con los archivos de tu proyecto:

sed -i -e "s/placeholder/${BUCKET}/g" ./data.csv

3. Ahora, sube este archivo a tu bucket de Cloud Storage:

gcloud storage cp ./data.csv gs://${BUCKET}

4. Cuando el comando esté completo, haz clic en el botón Actualizar en la parte superior del navegador de Storage. Confirma que ves el archivo data.csv en tu bucket.

5. Abre la pestaña Conjuntos de datos de Vertex AI. Ahora, tu página debería ser similar a la siguiente:

6. En la parte superior de la consola, haz clic en + CREAR.

7. Escribe clouds en el campo Nombre del conjunto de datos.

8. Selecciona Clasificación de imágenes (una etiqueta).

Nota: En tus propios proyectos, te recomendamos que utilices una clasificación de clases múltiples.

9. Haz clic en Crear.

10. Elige Selecciona archivos de importación de Cloud Storage y agrega a la URL el nombre del archivo que acabas de subir: el-nombre-de-tu-bucket/data.csv.

Para obtener este vínculo fácilmente, regresa a la consola de Cloud, haz clic en el archivo data.csv y, luego, ve al campo de URI.

11. Haz clic en Continuar.

Importar las imágenes demorará de 2 a 5 minutos. Cuando finalice el proceso, se te redireccionará a una página con todas las imágenes de tu conjunto de datos.

Haz clic en Revisar mi progreso para verificar el objetivo.

Crear un conjunto de datos

Tarea 4: Inspecciona las imágenes

Cuando se complete la importación, se te redireccionará a la pestaña Explorar para ver las imágenes que subiste.

Intenta filtrar por diferentes etiquetas en el menú de la izquierda (por ejemplo, haz clic en cúmulos) para revisar las imágenes de entrenamiento:

Nota: Si quisieras compilar un modelo de producción, necesitarías al menos 100 imágenes por etiqueta para garantizar una precisión alta. En esta demostración, se usaron solo 20 imágenes de cada tipo de nube; por eso, se pudo entrenar el modelo rápidamente.

Si se etiqueta alguna imagen de manera incorrecta, puedes hacer clic en ella para cambiar la etiqueta:

Nota: Si estás trabajando con un conjunto de datos que todavía no está etiquetado, AutoML proporciona un servicio de etiquetado manual interno.

Tarea 5: Entrena tu modelo

Está todo listo para comenzar a entrenar tu modelo. AutoML se encarga de esto automáticamente, sin necesidad de que escribas el código del modelo.

1. Para entrenar el modelo de nubes, haz clic en ENTRENAR UN MODELO NUEVO.

2. En la pestaña Método de entrenamiento, haz clic en Continuar.

3. En la pestaña Detalles del modelo, haz clic en Continuar.

4. En la pestaña Opciones de entrenamiento, haz clic en Continuar.

5. En la pestaña Explicabilidad, haz clic en Continuar.

6. En la pestaña Procesamiento y precios, establece las horas de procesamiento de nodos en 8.

Nota: En este punto, haz clic en Comenzar el entrenamiento. Sin embargo, debido a que un entrenamiento puede tardar hasta 120 minutos en completarse, avanza a la siguiente tarea, en la que usarás un modelo previamente entrenado.

7. Haz clic en Cancelar y avanza a la siguiente tarea.

Tarea 6: Genera predicciones

Existen varias formas de generar predicciones. En este lab, utilizarás la IU para subir imágenes. Verás la manera en que tu modelo clasifica estas dos imágenes (la primera nube es un cirro; la segunda, un cumulonimbo).

1. Regresa a la terminal Cloud Shell.

2. Descarga estas imágenes en tu máquina local.

gcloud storage cp gs://spls/gsp223/examples/* .

3. Los archivos de ejemplo contienen imágenes de nubes codificadas en Base64. A continuación, se muestra una versión modificada del archivo CLOUD1-JSON.

{ "instances": [{ "content": "/9j/4AAQSkZJRgABAQAAAQABAAD2wCEAAUDBA0PDQ0NDQ0NDQ0NDQ0NDQ0 Q0ODQ0NDRUNDhERExMTDQ0WGBYSGBASExIBBQUFCAcIDwkJDxUVDxUVFRUV RUVFRUVFRUVFRUVFRUVFRUVFRUVFRUVFRUVFRUVFRUVFf/AABEIAeACgAMB aAAwDAQACEQMRAD8A+bzIcyW{{{{CONTENT REMOVED}}}aQDRJlsFBNCVq TqyIrhaQDRJlsFBNCVqjTqyIrhaQDRJlsFBNCVqjTqyIrhaQDRdkslFDpL9 tUVQXCuAAAsJoKCiYkSp//9k=" }], "parameters": { "confidenceThreshold": 0.5, "maxPredictions": 5 } }

4. Copia el valor de extremo para el modelo de AutoML implementado previamente en una variable de entorno.

ENDPOINT=$(gcloud run services describe automl-service --platform managed --region us-central1 --format 'value(status.url)')

5. Ingresa el siguiente comando para solicitar una predicción:

curl -X POST -H "Content-Type: application/json" $ENDPOINT/v1 -d "@${INPUT_DATA_FILE}" | jq La llamada anterior le solicitará una predicción a AutoML. Sin embargo, no hay datos de entrada especificados, por lo que fallará la solicitud. El código de error de HTTP 400 indica que los datos esperados no están presentes.

Resultado esperado:

{ "error": { "code": 400, "message": "Empty instances.", "status": "INVALID_ARGUMENT" } }

¡Examen sorpresa!

Completa un breve cuestionario sobre los temas abordados en este lab para poner a prueba tus conocimientos sobre AutoML.

Utiliza los conocimientos adquiridos en el lab para generar predicciones.

Comprueba si el modelo puede predecir el tipo de nube en una imagen:

1. Establece CLOUD1-JSON como archivo de entrada.

INPUT_DATA_FILE=CLOUD1-JSON

2. Ingresa el siguiente comando para solicitar una predicción:

curl -X POST -H "Content-Type: application/json" $ENDPOINT/v1 -d "@${INPUT_DATA_FILE}" | jq

3. Los mensajes devueltos confirmarán que esta nube es de tipo cirro.

"displayNames": [ "cirrus" ]

4. Prueba otra predicción.

Comprobemos si nuestro modelo puede predecir el tipo de nube de la imagen:

4. Establece CLOUD2-JSON como archivo de entrada.

INPUT_DATA_FILE=CLOUD2-JSON

5. Ingresa el siguiente comando para solicitar una predicción:

curl -X POST -H "Content-Type: application/json" $ENDPOINT/v1 -d "@${INPUT_DATA_FILE}" | jq

6. El mensaje devuelto confirmará que esta nube es de tipo cumulonimbos.

"displayNames": [ "cumulonimbus" ]

¡Felicitaciones!

Aprendió a entrenar su modelo de aprendizaje automático personalizado y generar predicciones mediante la IU web. Ya tiene el conocimiento necesario para entrenar un modelo en su propio conjunto de datos de imágenes.

Temas abordados

• Cómo subir imágenes de entrenamiento a Cloud Storage y crear un CSV para AutoML Vision para encontrar estas imágenes
• Cómo revisar etiquetas y entrenar un modelo en la IU de AutoML Vision
• Cómo generar predicciones en función de nuevas imágenes de nubes

Próximos pasos y más información

Finalice su lab

Cuando haya completado su lab, haga clic en Finalizar lab. Qwiklabs quitará los recursos que usó y limpiará la cuenta por usted.

Tendrá la oportunidad de calificar su experiencia en el lab. Seleccione la cantidad de estrellas que corresponda, ingrese un comentario y haga clic en Enviar.

La cantidad de estrellas indica lo siguiente:

• 1 estrella = Muy insatisfecho
• 2 estrellas = Insatisfecho
• 3 estrellas = Neutral
• 4 estrellas = Satisfecho
• 5 estrellas = Muy satisfecho

Puede cerrar el cuadro de diálogo si no desea proporcionar comentarios.

Para enviar comentarios, sugerencias o correcciones, use la pestaña Asistencia.