개요

이 실습에서는 이미지 분류 데이터 세트를 만들고, 이미지를 가져오고, AutoML 이미지 분류 모델을 학습시키고, 모델을 엔드포인트에 배포하고, 예측을 전송합니다.

학습 목표

• 이미지 분류 데이터 세트 만들기 및 이미지 가져오기
• AutoML 이미지 분류 모델 학습
• 엔드포인트에 모델을 배포하고 예측 전송

설정 및 요건

각 실습에서는 정해진 기간 동안 새 Google Cloud 프로젝트와 리소스 집합이 무료로 제공됩니다.

1. 시크릿 창을 사용하여 Qwiklabs에 로그인합니다.

2. 실습 사용 가능 시간(예: 1:15:00)을 참고하여 해당 시간 내에 완료합니다.
   일시중지 기능은 없습니다. 필요한 경우 다시 시작할 수 있지만 처음부터 시작해야 합니다.

3. 준비가 되면 실습 시작을 클릭합니다.

4. 실습 사용자 인증 정보(사용자 이름 및 비밀번호)를 기록해 두세요. Google Cloud Console에 로그인합니다.

5. Google Console 열기를 클릭합니다.

6. 다른 계정 사용을 클릭한 다음, 안내 메시지에 이 실습에 대한 사용자 인증 정보를 복사하여 붙여넣습니다.
   다른 사용자 인증 정보를 사용하는 경우 오류가 발생하거나 요금이 부과됩니다.

7. 약관에 동의하고 리소스 복구 페이지를 건너뜁니다.

API 사용 설정

1. Google Cloud 콘솔의 탐색 메뉴에서 Vertex AI > 대시보드를 클릭합니다.
2. 모든 권장 API 사용 설정을 클릭합니다.

Vertex AI 소개

이 실습에서는 Google Cloud에서 제공되는 최신 AI 제품을 사용합니다. Vertex AI는 Google Cloud 전반의 ML 제품을 원활한 개발 환경으로 통합합니다. 예전에는 AutoML로 학습된 모델과 커스텀 모델은 별도의 서비스를 통해 액세스할 수 있었습니다. 새 서비스는 다른 새로운 제품과 함께 두 가지 모두를 단일 API로 결합합니다. 기존 프로젝트를 Vertex AI로 마이그레이션할 수도 있습니다. 의견이 있는 경우 지원 받기 페이지를 참조하세요.

Vertex AI에는 엔드 투 엔드 ML 워크플로를 지원하는 다양한 제품이 포함되어 있습니다. 이 실습에서는 아래에 강조 표시된 학습/HP 조정 및 Notebooks 제품에 중점을 둡니다.

작업 1. 이미지 분류 데이터 세트 만들기 및 이미지 가져오기

이미지 데이터 입력 파일

이 튜토리얼에서 사용하는 이미지 파일은 이 Tensorflow 블로그 게시물에 사용된 꽃 데이터 세트에서 가져온 것입니다. 이러한 입력 이미지는 공개 Cloud Storage 버킷에 저장됩니다. 공개적으로 액세스할 수 있는 이 버킷에는 데이터 가져오기에 사용하는 CSV 파일도 포함되어 있습니다. 이 파일에는 두 개의 열이 있습니다. 첫 번째 열에는 Cloud Storage의 이미지 URI가 나열되고, 두 번째 열에는 이미지 라벨이 포함됩니다. 다음은 샘플 행입니다.

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

이미지 분류 데이터 세트 만들기 및 데이터 가져오기

1. 데이터 세트를 만들고 이미지 분류 모델을 학습시키는 과정을 시작하려면 Vertex AI 페이지의 탐색창에서 대시보드를 클릭합니다.

2. 가운데 창의 데이터 준비에서 데이터 세트 만들기를 클릭합니다.

3. 선택사항: 이 데이터 세트의 이름을 지정합니다.

4. 데이터 유형 및 목표 선택의 이미지 탭에서 단일 라벨 분류를 선택합니다.

5. 리전에서 리전을 선택합니다.

6. 빈 데이터 세트를 만들려면 만들기를 클릭합니다.
   가져오기 페이지가 열립니다.

7. Cloud Storage에서 파일 가져오기 선택를 선택하고 이미지 위치 및 라벨 데이터가 있는 CSV 파일의 Cloud Storage URI를 지정합니다.

CSV 파일의 위치는 gs://cloud-training/mlongcp/v3.0_MLonGC/toy_data/flowers_toy.csv입니다.

8. 파일 가져오기 경로에 cloud-training/mlongcp/v3.0_MLonGC/toy_data/flowers_toy.csv를 입력합니다.

9. 이미지 가져오기를 시작하려면 계속을 클릭합니다.

   가져오기를 완료할 때까지 약 15분 정도 걸립니다. 완료되면 다음 페이지에 데이터 세트에서 식별된 라벨이 지정되거나 지정되지 않은 모든 이미지가 표시됩니다.

작업 2. AutoML 이미지 분류 모델 학습

Google Cloud 콘솔을 사용하여 AutoML 이미지 분류 모델을 학습시킵니다. 데이터 세트를 만들고 데이터를 가져온 후에 Cloud 콘솔을 사용하여 학습 이미지를 검토하고 모델 학습을 시작합니다.

가져온 이미지 검토

데이터 세트를 가져온 후에는 탐색 탭이 열립니다. 사이드 메뉴에서 데이터 세트를 선택한 다음 새 데이터 세트와 연결된 주석 세트(단일 라벨 이미지 주석 세트)를 선택하여 이 탭에 액세스할 수도 있습니다.

AutoML 모델 학습 시작

탐색 탭에서 새 모델 학습을 선택하여 학습을 시작할 수 있습니다.

1. Vertex AI 페이지의 탐색창에서 Model Registry를 클릭합니다.
2. 만들기를 클릭하여 새 모델 학습 페이지를 엽니다.
3. 학습 방법에서 대상 데이터 세트 및 주석 세트가 자동으로 선택되지 않은 경우 선택합니다.
4. AutoML을 선택하고 계속을 클릭합니다.
5. 선택사항: 모델 세부정보에서 모델 이름을 입력합니다.
6. 계속을 클릭합니다.
7. 학습 옵션 섹션을 기본값으로 두고 계속을 클릭합니다.
8. 컴퓨팅 및 가격 책정의 예산에서 최대 노드 시간에 8을 입력합니다.
9. 학습 시작을 클릭합니다.

학습은 2시간 정도 소요됩니다. 모델 학습이 끝나면 녹색 체크 표시 상태 아이콘이 표시됩니다.

작업 3. 엔드포인트에 모델을 배포하고 예측 전송

AutoML 이미지 분류 모델 학습이 완료되면 Google Cloud 콘솔을 사용하여 엔드포인트를 만들고 모델을 엔드포인트에 배포합니다. 모델이 이 새로운 엔드포인트에 배포되면 라벨 예측을 위해 이미지를 모델에 보냅니다.

엔드포인트에 모델 배포하기

학습된 모델에 액세스하여 모델 페이지에서 신규 또는 기존 엔드포인트에 모델을 배포합니다.

1. Vertex AI 페이지의 탐색창에서 Model Registry를 클릭합니다.

2. 학습된 AutoML 모델을 선택한 다음 버전 ID를 클릭합니다.

   모델 성능 측정항목을 볼 수 있는 평가 탭이 열립니다.

3. 배포 및 테스트 탭에서 엔드포인트에 배포를 클릭합니다.
   엔드포인트 옵션 페이지가 열립니다.

4. 엔드포인트 정의에서 새 엔드포인트 만들기를 선택하고, 엔드포인트 이름으로는 hello_automl_image를 입력합니다.

5. 계속을 클릭합니다.

6. 모델 설정에서 트래픽 분할을 100%로 수락하고 컴퓨팅 노드 수를 1개로 설정합니다.

7. 배포를 클릭합니다.

엔드포인트를 만들고 AutoML 모델을 새 엔드포인트에 배포하는 데 약 20분이 소요됩니다.

모델에 예측 보내기

엔드포인트 생성 프로세스가 완료되면 Cloud 콘솔에서 단일 이미지 주석(예측) 요청을 보낼 수 있습니다.

• 이전 하위 태스크에서 엔드포인트를 만드는 데 사용한 것과 동일한 배포 및 테스트 탭의 모델 테스트 섹션에서 이미지 업로드를 클릭하고 예측을 위해 로컬 이미지를 선택하여 예측 라벨을 확인합니다.

실습 종료

실습을 완료하면 실습 종료를 클릭합니다. Qwiklabs에서 사용된 리소스를 자동으로 삭제하고 계정을 지웁니다.

실습 경험을 평가할 수 있습니다. 해당하는 별표 수를 선택하고 의견을 입력한 후 제출을 클릭합니다.

별점의 의미는 다음과 같습니다.

• 별표 1개 = 매우 불만족
• 별표 2개 = 불만족
• 별표 3개 = 중간
• 별표 4개 = 만족
• 별표 5개 = 매우 만족

의견을 제공하고 싶지 않다면 대화상자를 닫으면 됩니다.

의견이나 제안 또는 수정할 사항이 있다면 지원 탭을 사용하세요.

Copyright 2020 Google LLC All rights reserved. Google 및 Google 로고는 Google LLC의 상표입니다. 기타 모든 회사명 및 제품명은 해당 업체의 상표일 수 있습니다.