GSP223

概要

AutoML を使用すると、ML の専門知識が限られている開発者でも、高品質な画像認識モデルをトレーニングできます。AutoML UI に画像をアップロードすると、使いやすい REST API を介して、事前トレーニング済みのモデルで予測を生成することが可能です。このラボでは、画像を Cloud Storage にアップロードし、それを使用して事前トレーニング済みの AutoML モデルから予測を生成します。

目標

このラボでは、次のタスクを行います。

• ラベル付きデータセットを Cloud Storage にアップロードし、CSV ラベルファイルを使用して AutoML に接続する。
• 事前トレーニング済みのモデルで予測を生成する。

設定と要件

[ラボを開始] ボタンをクリックする前に

こちらの説明をお読みください。ラボには時間制限があり、一時停止することはできません。タイマーは、Google Cloud のリソースを利用できる時間を示しており、[ラボを開始] をクリックするとスタートします。

このハンズオンラボでは、シミュレーションやデモ環境ではなく実際のクラウド環境を使って、ラボのアクティビティを行います。そのため、ラボの受講中に Google Cloud にログインおよびアクセスするための、新しい一時的な認証情報が提供されます。

このラボを完了するためには、下記が必要です。

• 標準的なインターネット ブラウザ（Chrome を推奨）

注: このラボの実行には、シークレット モード（推奨）またはシークレット ブラウジング ウィンドウを使用してください。これにより、個人アカウントと受講者アカウント間の競合を防ぎ、個人アカウントに追加料金が発生しないようにすることができます。

• ラボを完了するための時間（開始後は一時停止できません）

注: このラボでは、受講者アカウントのみを使用してください。別の Google Cloud アカウントを使用すると、そのアカウントに料金が発生する可能性があります。

ラボを開始して Google Cloud コンソールにログインする方法

1. [ラボを開始] ボタンをクリックします。ラボの料金をお支払いいただく必要がある場合は、表示されるダイアログでお支払い方法を選択してください。 左側の [ラボの詳細] ペインには、以下が表示されます。

   • [Google Cloud コンソールを開く] ボタン
   • 残り時間
   • このラボで使用する必要がある一時的な認証情報
   • このラボを行うために必要なその他の情報（ある場合）

2. [Google Cloud コンソールを開く] をクリックします（Chrome ブラウザを使用している場合は、右クリックして [シークレット ウィンドウで開く] を選択します）。

   ラボでリソースがスピンアップし、別のタブで [ログイン] ページが表示されます。

   ヒント: タブをそれぞれ別のウィンドウで開き、並べて表示しておきましょう。

   注: [アカウントの選択] ダイアログが表示されたら、[別のアカウントを使用] をクリックします。

3. 必要に応じて、下のユーザー名をコピーして、[ログイン] ダイアログに貼り付けます。

   {{{user_0.username | "Username"}}}

   [ラボの詳細] ペインでもユーザー名を確認できます。

4. [次へ] をクリックします。

5. 以下のパスワードをコピーして、[ようこそ] ダイアログに貼り付けます。

   {{{user_0.password | "Password"}}}

   [ラボの詳細] ペインでもパスワードを確認できます。

6. [次へ] をクリックします。

   重要: ラボで提供された認証情報を使用する必要があります。Google Cloud アカウントの認証情報は使用しないでください。 注: このラボでご自身の Google Cloud アカウントを使用すると、追加料金が発生する場合があります。

7. その後次のように進みます。

   • 利用規約に同意してください。
   • 一時的なアカウントなので、復元オプションや 2 要素認証プロセスは設定しないでください。
   • 無料トライアルには登録しないでください。

その後、このタブで Google Cloud コンソールが開きます。

注: Google Cloud のプロダクトやサービスにアクセスするには、ナビゲーション メニューをクリックするか、[検索] フィールドにサービス名またはプロダクト名を入力します。

Cloud Shell をアクティブにする

Cloud Shell は、開発ツールと一緒に読み込まれる仮想マシンです。5 GB の永続ホーム ディレクトリが用意されており、Google Cloud で稼働します。Cloud Shell を使用すると、コマンドラインで Google Cloud リソースにアクセスできます。

1. Google Cloud コンソールの上部にある「Cloud Shell をアクティブにする」アイコン をクリックします。

2. ウィンドウで次の操作を行います。

   • Cloud Shell 情報ウィンドウで操作を進めます。
   • Cloud Shell が認証情報を使用して Google Cloud API を呼び出すことを承認します。

接続した時点で認証が完了しており、プロジェクトに各自の Project_ID、 が設定されます。出力には、このセッションの PROJECT_ID を宣言する次の行が含まれています。

Your Cloud Platform project in this session is set to {{{project_0.project_id | "PROJECT_ID"}}}

gcloud は Google Cloud のコマンドライン ツールです。このツールは、Cloud Shell にプリインストールされており、タブ補完がサポートされています。

3. （省略可）次のコマンドを使用すると、有効なアカウント名を一覧表示できます。

gcloud auth list

4. [承認] をクリックします。

出力:

ACTIVE: * ACCOUNT: {{{user_0.username | "ACCOUNT"}}} To set the active account, run: $ gcloud config set account `ACCOUNT`

5. （省略可）次のコマンドを使用すると、プロジェクト ID を一覧表示できます。

gcloud config list project

出力:

[core] project = {{{project_0.project_id | "PROJECT_ID"}}} 注: Google Cloud における gcloud ドキュメントの全文については、gcloud CLI の概要ガイドをご覧ください。

タスク 1. AutoML 環境を設定する

AutoML 環境で、Cloud AutoML API が有効になっていることを確認します。Vertex AI ダッシュボードを開き、トレーニング画像を保存する Cloud Storage バケットを作成します。

Cloud AutoML API が有効になっていることを確認する

Cloud AutoML API を使用すると、最小限の労力と ML の専門知識で、高品質のカスタム ML モデルをトレーニングできます。

Cloud AutoML API が有効になっていることを確認するには:

1. Google Cloud コンソールのナビゲーション メニュー（）で、[API とサービス] > [ライブラリ] を選択します。

2. [API とサービスを検索] フィールドに「Cloud AutoML」と入力し、検索結果で [Cloud AutoML API] をクリックします。

3. Cloud AutoML API が有効になっていることを確認します。

Vertex AI ダッシュボードを開く

Vertex AI ダッシュボードは、画像分類モデルをトレーニングして使用するためのサービスに対する、一元化されたインターフェースを提供します。

Vertex AI ダッシュボードを開くには:

• ナビゲーション メニュー（）で、[Vertex AI] をクリックします。

Cloud Storage バケットを作成する

Cloud Storage バケットにはトレーニング画像が保存されます。

• Cloud Shell で、次のコマンドを実行して -vcm という名前の Cloud Storage バケットを作成します。

gsutil mb -p $GOOGLE_CLOUD_PROJECT \ -c standard \ -l us \ gs://$GOOGLE_CLOUD_PROJECT-vcm/

[進行状況を確認] をクリックして、目標に沿って進んでいることを確認します。

Cloud Storage バケットを作成する

タスク 2. トレーニング画像を Cloud Storage にアップロードする

雲の画像を分類するようにモデルをトレーニングするには、さまざまな種類の雲に関連付けられた画像の特徴をモデルが理解できるように、ラベル付けしたトレーニング データを用意する必要があります。この例のモデルは、3 種類の雲（巻雲、積雲、積乱雲）を分類できるように学習します。

トレーニング画像を Cloud Storage バケットに配置するには:

1. Cloud Shell で次のコマンドを実行して、バケットの名前で環境変数を作成します。

export BUCKET=$GOOGLE_CLOUD_PROJECT-vcm

トレーニング画像は Cloud Storage バケットで一般公開されています。

2. 次に、Cloud Storage の gsutil コマンドライン ユーティリティを使用して、バケットにトレーニング画像をコピーします。

gsutil -m cp -r gs://spls/gsp223/images/* gs://${BUCKET}

3. バケットにコピーした画像を表示するには、ナビゲーション メニューで [Cloud Storage] > [バケット] をクリックし、バケット名をクリックします。分類する 3 種類の雲ごとに 3 つの写真フォルダがあります。

各フォルダ内の個々の画像ファイルをクリックすると、雲の種類ごとにモデルをトレーニングするための写真を表示できます。

タスク 3. データセットを作成する

トレーニング データは Cloud Storage に格納されました。次は AutoML からそのデータにアクセスする方法が必要となります。通常は、トレーニング画像の URL とその画像に対応するラベルが各行に含まれる、CSV ファイルを作成します。

このラボでは、すでに用意してある CSV ファイルを先ほどのバケット名で更新します。

1. 次のコマンドを実行して、CSV ファイルを Cloud Shell インスタンスにコピーします。

gsutil cp gs://spls/gsp223/data.csv .

2. CSV ファイルをプロジェクト内のファイルで更新します。

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

3. このファイルを Cloud Storage バケットにアップロードします。

gsutil cp ./data.csv gs://${BUCKET}

4. コマンドが完了したら、Cloud Storage ブラウザの上部にある [更新] ボタンをクリックします。バケットに data.csv ファイルが表示されることを確認します。

5. ナビゲーション メニューで、[Vertex AI] > [データセット] をクリックします。

6. コンソールの上部で、[作成] をクリックします。

7. [データセット名] を「clouds」に設定します。

8. [単一ラベル分類] を選択します。

注: ご自身のプロジェクトでは、マルチラベル分類を使用することもできます。

9. [作成] をクリックします。

10. [インポート ファイルを Cloud Storage から選択] を選択し、[参照] > [-vcm] > [data.csv] をクリックします。[選択] をクリックします。

11. [続行] をクリックします。

画像のインポートには、2～5 分ほどかかります。

[進行状況を確認] をクリックして、目標に沿って進んでいることを確認します。

データセットを作成する

タスク 4. 画像を調べる

インポートが完了すると、[参照] タブが開き、データセット内のすべての画像が表示されます。

左側のメニューからさまざまなラベルでフィルタして（積雲をクリックするなど）、トレーニング画像を確認してみてください。

注: 本番環境モデルを作成する際は、高い精度を確保するために、ラベルごとに少なくとも 100 枚の画像を用意する必要があります。今回はデモなので、モデルを短時間でトレーニングできるよう画像を 20 枚に絞っています。

ラベルが間違っている画像があった場合は、画像をクリックしてラベルを切り替えてください。

注: 使用するデータセットにまだラベルが付いていない場合、AutoML では Google のヒューマン ラベリング サービスを利用できます。

モデルのトレーニングにはかなりの時間がかかるため、このラボでは予測を生成するための事前トレーニング済みモデルが用意されています。次のセクションでは、このモデルを使用して、Cloud Storage にアップロードした画像の予測を生成します。

タスク 5. 予測を生成する

予測を生成する方法はいくつかあります。このラボでは、画像をアップロードし、モデルが 2 つの画像をどのように分類するかを確認します（1 つ目の画像は巻雲、2 つ目の画像は積乱雲です）。

1. Cloud Shell で次のコマンドを入力して、2 つの画像をローカルマシンにダウンロードします。

gsutil cp gs://spls/gsp223/examples/* .

2. サンプル ファイル CLOUD1-JSON の内容を確認します。

cat CLOUD1-JSON

出力例:

{ "instances": [{ "content": "YOUR_IMAGE_BYTES" }], "parameters": { "confidenceThreshold": 0.5, "maxPredictions": 5 } }

3. エンドポイントの値を環境変数にコピーします。

ENDPOINT=$(gcloud run services describe automl-service --platform managed --region {{{project_0.default_region | REGION}}} --format 'value(status.url)')

4. 以下のコマンドを入力して予測をリクエストします。

curl -X POST -H "Content-Type: application/json" $ENDPOINT/v1 | jq 上記の呼び出しは、AutoML に予測をリクエストします。 しかし、入力データが指定されていないため、リクエストは失敗します。 HTTP エラーコード 400 は、想定されたデータが存在しないことを示します。

予想される出力:

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

タスク 6. 理解度テスト

このラボで扱ったトピックに関する短い問題に答えて、AutoML の理解度をテストしてください。 ラボで得た知識を使って、予測を立てます。

このモデルが画像内の雲の種類を予測できるかどうかを確認してください。

1. CLOUD1-JSON を入力ファイルとして設定します。

INPUT_DATA_FILE=CLOUD1-JSON

2. 以下のコマンドを入力して予測をリクエストします。

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

このモデルが画像内の雲の種類を予測できるかどうかを確認してください。

3. CLOUD2-JSON を入力ファイルとして設定します。

INPUT_DATA_FILE=CLOUD2-JSON

4. 以下のコマンドを入力して予測をリクエストします。

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

お疲れさまでした

これで完了です。このラボでは、AutoML を使用して雲の画像を分類する方法について学習しました。まず、トレーニング画像を Cloud Storage にアップロードし、CSV ファイルを作成して AutoML がそれらの画像を見つけられるようにしました。次に、事前トレーニング済みモデルを使用して、新しい雲の画像の予測を生成しました。

次のステップと詳細情報

• Cloud AutoML の紹介を視聴する
• Google Cloud Podcast のエピソードを聴いて AutoML の仕組みを確認する
• ブログ投稿を読む
• Vertex Al の概要を参照して API で各ステップを実施する方法を確認する

Google Cloud トレーニングと認定資格

Google Cloud トレーニングと認定資格を通して、Google Cloud 技術を最大限に活用できるようになります。必要な技術スキルとベスト プラクティスについて取り扱うクラスでは、学習を継続的に進めることができます。トレーニングは基礎レベルから上級レベルまであり、オンデマンド、ライブ、バーチャル参加など、多忙なスケジュールにも対応できるオプションが用意されています。認定資格を取得することで、Google Cloud テクノロジーに関するスキルと知識を証明できます。

マニュアルの最終更新日: 2024 年 12 月 3 日

ラボの最終テスト日: 2024 年 12 月 3 日

Copyright 2025 Google LLC. All rights reserved. Google および Google のロゴは Google LLC の商標です。その他すべての企業名および商品名はそれぞれ各社の商標または登録商標です。