Présentation

Dans cet atelier, vous allez créer un ensemble de données de classification d'images, y importer des images, entraîner un modèle de classification d'images AutoML, déployer le modèle sur un point de terminaison et envoyer une prédiction.

Objectifs de la formation

• Créer un ensemble de données de classification d'images et importer des images
• Entraîner un modèle de classification d'images AutoML
• Déployer le modèle sur un point de terminaison et envoyer une prédiction

Préparation

Pour chaque atelier, nous vous attribuons un nouveau projet Google Cloud et un nouvel ensemble de ressources pour une durée déterminée, sans frais.

1. Connectez-vous à Qwiklabs dans une fenêtre de navigation privée.

2. Vérifiez le temps imparti pour l'atelier (par exemple : 01:15:00) : vous devez pouvoir le terminer dans ce délai.
   Une fois l'atelier lancé, vous ne pouvez pas le mettre en pause. Si nécessaire, vous pourrez le redémarrer, mais vous devrez tout reprendre depuis le début.

3. Lorsque vous êtes prêt, cliquez sur Démarrer l'atelier.

4. Notez vos identifiants pour l'atelier (Nom d'utilisateur et Mot de passe). Ils vous serviront à vous connecter à Google Cloud Console.

5. Cliquez sur Ouvrir la console Google.

6. Cliquez sur Utiliser un autre compte, puis copiez-collez les identifiants de cet atelier lorsque vous y êtes invité.
   Si vous utilisez d'autres identifiants, des messages d'erreur s'afficheront ou des frais seront appliqués.

7. Acceptez les conditions d'utilisation et ignorez la page concernant les ressources de récupération des données.

Activer les API

1. Dans le menu de navigation de la console Google Cloud, cliquez sur Vertex AI > Tableau de bord.
2. Cliquez sur Activer toutes les API recommandées.

Présentation de Vertex AI

Cet atelier utilise la toute dernière offre de produits d'IA de Google Cloud. Vertex AI simplifie l'expérience de développement en intégrant toutes les offres de ML de Google Cloud. Auparavant, les modèles entraînés avec AutoML et les modèles personnalisés étaient accessibles depuis des services distincts. La nouvelle offre regroupe ces deux types de modèles mais aussi d'autres nouveaux produits en une seule API. Vous pouvez également migrer des projets existants vers Vertex AI. Pour envoyer un commentaire, veuillez consulter la page Obtenir de l'aide.

Vertex AI comprend de nombreux produits différents qui permettent de gérer les workflows de ML de bout en bout. Cet atelier se concentre sur les produits mis en évidence ci-dessous : l'entraînement, le réglage des hyperparamètres et Notebooks.

Tâche 1 : Créer un ensemble de données de classification d'images et importer des images

Fichier d'entrée de données d'image

Les fichiers image que vous allez utiliser dans ce tutoriel proviennent de l'ensemble de données d'images de fleurs utilisé dans cet article de blog TensorFlow. Ces images d'entrée sont stockées dans un bucket Cloud Storage public. Ce bucket contient également un fichier CSV qui vous permettra d'importer les données. Ce fichier comporte deux colonnes : la première indique l'URI d'une image dans Cloud Storage et la deuxième contient l'étiquette de l'image. Voici quelques exemples de lignes.

gs://cloud-training/mlongcp/v3.0_MLonGC/toy_data/flowers_toy.csv :

gs://cloud-samples-data/ai-platform/flowers/daisy/10559679065_50d2b16f6d.jpg,daisy gs://cloud-samples-data/ai-platform/flowers/dandelion/10828951106_c3cd47983f.jpg,dandelion gs://cloud-samples-data/ai-platform/flowers/roses/14312910041_b747240d56_n.jpg,roses gs://cloud-samples-data/ai-platform/flowers/sunflowers/127192624_afa3d9cb84.jpg,sunflowers gs://cloud-samples-data/ai-platform/flowers/tulips/13979098645_50b9eebc02_n.jpg,tulips

Créer un ensemble de données de classification d'images et y importer des données

1. Dans le volet de navigation de la page Vertex AI, cliquez sur Tableau de bord pour commencer à créer l'ensemble de données et à entraîner votre modèle de classification d'images.

2. Dans le volet central, sous Préparer les données, cliquez sur Créer un ensemble de données.

3. Facultatif : Spécifiez un nom pour cet ensemble de données.

4. Dans l'onglet Image, sélectionnez Classification à étiquette unique pour Sélectionner un type de données et un objectif.

5. Pour Région, sélectionnez .

6. Pour créer un ensemble de données vide, cliquez sur Créer.
   La page Importer s'ouvre.

7. Sélectionnez l'option Sélectionner des fichiers d'importation à partir de Cloud Storage, puis spécifiez l'URI Cloud Storage du fichier CSV comportant l'emplacement des images et les données d'étiquettes.

Ce fichier CSV se trouve à l'emplacement gs://cloud-training/mlongcp/v3.0_MLonGC/toy_data/flowers_toy.csv.

8. Sous Chemin du fichier d'importation, saisissez cloud-training/mlongcp/v3.0_MLonGC/toy_data/flowers_toy.csv.

9. Pour commencer l'importation des images, cliquez sur Continuer.

   Le processus d'importation prend environ 15 minutes. Une fois l'opération terminée, la page suivante affiche toutes les images (avec ou sans étiquette) identifiées dans votre ensemble de données.

Tâche 2 : Entraîner un modèle de classification d'images AutoML

Utilisez la console Google Cloud pour entraîner un modèle de classification d'images AutoML. Une fois l'ensemble de données créé et les données importées, utilisez la console Cloud pour vérifier les images d'entraînement et commencer l'entraînement du modèle.

Examiner les images importées

L'onglet "Parcourir" s'ouvre une fois les données importées. Vous pouvez également y accéder en cliquant sur "Ensembles de données" dans le menu latéral, puis en sélectionnant l'ensemble d'annotations (ensemble d'annotations d'images à étiquette unique) associé à votre nouvel ensemble de données.

Démarrer l'entraînement du modèle AutoML

Dans l'onglet Parcourir, vous pouvez sélectionner Entraîner un nouveau modèle pour commencer l'entraînement.

1. Dans le volet de navigation de la page Vertex AI, cliquez sur Model Registry.
2. Pour ouvrir la page Entraîner le nouveau modèle, cliquez sur Créer.
3. Sous Méthode d'entraînement, sélectionnez les cibles Ensemble de données et Ensemble d'annotations (si elles ne sont pas déjà sélectionnées).
4. Sélectionnez AutoML, puis cliquez sur Continuer.
5. Facultatif : Sous Informations sur le modèle, saisissez un nom pour le modèle dans le champ Nom du modèle.
6. Cliquez sur Continuer.
7. Conservez les options par défaut dans la section Options d'entraînement et cliquez sur Continuer.
8. Sous Options de calcul et tarifs, sélectionnez 8 heures-nœud au maximum pour Budget.
9. Cliquez sur Démarrer l'entraînement.

L'entraînement prend environ deux heures. Une fois l'entraînement terminé, une coche verte s'affiche à côté du modèle.

Tâche 3 : Déployer un modèle sur un point de terminaison et envoyer une prédiction

Lorsque l'entraînement de votre modèle de classification d'images AutoML est terminé, utilisez la console Google Cloud pour créer un point de terminaison sur lequel le déployer. Une fois votre modèle déployé sur ce nouveau point de terminaison, envoyez une image au modèle pour la prédiction d'étiquette.

Déployer le modèle sur un point de terminaison

Accédez au modèle entraîné pour le déployer sur un point de terminaison nouveau ou existant depuis la page "Modèles".

1. Dans le volet de navigation de la page Vertex AI, cliquez sur Model Registry.

2. Sélectionnez votre modèle AutoML entraîné, puis cliquez sur ID de version.

   L'onglet Évaluation affiche alors les métriques de performances du modèle.

3. Dans l'onglet Déployer et tester, cliquez sur Déployer sur un point de terminaison.
   La page Options du point de terminaison s'ouvre.

4. Sous Définir votre point de terminaison, sélectionnez Créer un point de terminaison, puis saisissez hello_automl_image dans le champ Nom du point de terminaison.

5. Cliquez sur Continuer.

6. Sous Paramètres du modèle, acceptez l'option Répartition du trafic de 100 % et définissez le champ Nombre de nœuds de calcul sur 1.

7. Cliquez sur Déployer.

La création du point de terminaison et le déploiement du modèle AutoML prennent environ 20 minutes.

Envoyer une prédiction au modèle

Une fois la création du point de terminaison terminée, vous pouvez envoyer une requête d'annotation d'image (prédiction) dans la console Cloud.

• Dans la section Tester votre modèle de l'onglet Déployer et tester que vous avez utilisé pour créer un point de terminaison à l'étape précédente, cliquez sur Importer une image, puis choisissez une image locale pour la prédiction et affichez son étiquette prédite.

Terminer l'atelier

Une fois l'atelier terminé, cliquez sur End Lab (Terminer l'atelier). Qwiklabs supprime les ressources que vous avez utilisées, puis efface le compte.

Si vous le souhaitez, vous pouvez noter l'atelier. Sélectionnez le nombre d'étoiles correspondant à votre note, saisissez un commentaire, puis cliquez sur Submit (Envoyer).

Le nombre d'étoiles que vous pouvez attribuer à un atelier correspond à votre degré de satisfaction :

• 1 étoile = très mécontent(e)
• 2 étoiles = insatisfait(e)
• 3 étoiles = ni insatisfait(e), ni satisfait(e)
• 4 étoiles = satisfait(e)
• 5 étoiles = très satisfait(e)

Si vous ne souhaitez pas donner votre avis, vous pouvez fermer la boîte de dialogue.

Pour soumettre des commentaires, suggestions ou corrections, veuillez utiliser l'onglet Support (Assistance).

Copyright 2020 Google LLC Tous droits réservés. Google et le logo Google sont des marques de Google LLC. Tous les autres noms d'entreprises et de produits peuvent être des marques des entreprises auxquelles ils sont associés.