GSP223

Genel bakış

AutoML, makine öğrenimi konusunda uzmanlığı sınırlı olan geliştiricilerin yüksek kaliteli görüntü tanıma modelleri eğitmesine yardımcı olur. Görüntüleri AutoML kullanıcı arayüzüne yükledikten sonra, kullanımı kolay bir REST API aracılığıyla önceden eğitilmiş bir model kullanarak tahmin oluşturabilirsiniz. Bu laboratuvarda, Cloud Storage'a görüntüler yükleyecek ve önceden eğitilmiş bir AutoML modelinden bu görüntüler yardımıyla tahmin oluşturacaksınız.

Hedefler

Bu laboratuvarda aşağıdaki görevleri gerçekleştireceksiniz:

• Cloud Storage'a etiketli veri kümesi yükleme ve CSV etiket dosyası kullanarak bu veri kümesini AutoML'e bağlama
• Önceden eğitilmiş bir model kullanarak tahmin oluşturma

Kurulum ve şartlar

Laboratuvarı Başlat düğmesini tıklamadan önce

Buradaki talimatları okuyun. Laboratuvarlar süreli olduğundan duraklatılamaz. Start Lab'i (Laboratuvarı başlat) tıkladığınızda başlayan zamanlayıcı, Google Cloud kaynaklarının ne süreyle kullanımınıza açık durumda kalacağını gösterir.

Bu uygulamalı laboratuvarı kullanarak, laboratuvar etkinliklerini simülasyon veya demo ortamı yerine gerçek bir bulut ortamında gerçekleştirebilirsiniz. Bunu yapabilmeniz için size yeni, geçici kimlik bilgileri verilir. Bu kimlik bilgilerini laboratuvar süresince Google Cloud'da oturum açmak ve Google Cloud'a erişmek için kullanabilirsiniz.

Bu laboratuvarı tamamlamak için gerekenler:

• Standart bir internet tarayıcısına erişim (Chrome Tarayıcı önerilir)

Not: Bu laboratuvarı çalıştırmak için tarayıcıyı gizli modda (önerilen) veya gizli tarama penceresinde açın. Aksi takdirde, kişisel hesabınızla öğrenci hesabınız arasında oluşabilecek çakışmalar nedeniyle kişisel hesabınızdan ek ücret alınabilir.

• Laboratuvarı tamamlamak için yeterli süre (Laboratuvarlar başlatıldıktan sonra duraklatılamaz.)

Not: Bu laboratuvar için yalnızca öğrenci hesabını kullanın. Farklı bir Google Cloud hesabı kullanırsanız bu hesaptan ödeme alınabilir.

Laboratuvarınızı başlatma ve Google Cloud Console'da oturum açma

1. Laboratuvarı Başlat düğmesini tıklayın. Laboratuvar için ödeme yapmanız gerekiyorsa ödeme yöntemini seçebileceğiniz bir iletişim kutusu açılır. Soldaki "Laboratuvar ayrıntıları" panelinde şunlar yer alır:

   • "Google Cloud konsolunu aç" düğmesi
   • Kalan süre
   • Bu laboratuvarda kullanmanız gereken geçici kimlik bilgileri
   • Bu laboratuvarda ilerlemek için gerekebilecek diğer bilgiler

2. Google Cloud Console'u aç'ı tıklayın (veya Chrome Tarayıcı'yı kullanıyorsanız sağ tıklayıp Bağlantıyı gizli pencerede aç'ı seçin).

   Laboratuvar, kaynakları çalıştırır ve sonra "Oturum aç" sayfasını gösteren başka bir sekme açar.

   İpucu: Sekmeleri ayrı pencerelerde, yan yana açın.

   Not: Hesap seçin iletişim kutusunu görürseniz Başka bir hesap kullan'ı tıklayın.

3. Gerekirse aşağıdaki kullanıcı adını kopyalayıp Oturum açın iletişim kutusuna yapıştırın.

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

   Kullanıcı adını "Laboratuvar ayrıntıları" panelinde de bulabilirsiniz.

4. İleri'yi tıklayın.

5. Aşağıdaki şifreyi kopyalayıp Hoş geldiniz iletişim kutusuna yapıştırın.

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

   Şifreyi "Laboratuvar ayrıntıları" panelinde de bulabilirsiniz.

6. İleri'yi tıklayın.

   Önemli: Laboratuvarın sizinle paylaştığı giriş bilgilerini kullanmanız gerekir. Google Cloud hesabınızın kimlik bilgilerini kullanmayın. Not: Bu laboratuvarda kendi Google Cloud hesabınızı kullanabilmek için ek ücret ödemeniz gerekebilir.

7. Sonraki sayfalarda ilgili düğmeleri tıklayarak ilerleyin:

   • Hükümler ve koşulları kabul edin.
   • Geçici bir hesap kullandığınızdan kurtarma seçenekleri veya iki faktörlü kimlik doğrulama eklemeyin.
   • Ücretsiz denemelere kaydolmayın.

Birkaç saniye sonra Google Cloud konsolu bu sekmede açılır.

Not: Google Cloud ürün ve hizmetlerine erişmek için gezinme menüsünü tıklayın veya Arama alanına hizmetin veya ürünün adını yazın.

Cloud Shell'i etkinleştirme

Cloud Shell, çok sayıda geliştirme aracı içeren bir sanal makinedir. 5 GB boyutunda kalıcı bir ana dizin sunar ve Google Cloud üzerinde çalışır. Cloud Shell, Google Cloud kaynaklarınıza komut satırı erişimi sağlar.

1. Google Cloud konsolunun üst kısmından Activate Cloud Shell (Cloud Shell'i etkinleştir) simgesini tıklayın.

2. Aşağıdaki pencereleri tıklayın:

   • Cloud Shell bilgi penceresinde devam edin.
   • Google Cloud API çağrıları yapmak için Cloud Shell'e kimlik bilgilerinizi kullanma yetkisi verin.

Bağlandığınızda kimliğiniz zaten doğrulanmıştır. Proje ise Project_ID'nize () göre ayarlanmıştır. Çıkış, bu oturum için Project_ID'yi tanımlayan bir satır içerir:

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

gcloud, Google Cloud'un komut satırı aracıdır. Cloud Shell'e önceden yüklenmiştir ve sekmeyle tamamlamayı destekler.

3. (İsteğe bağlı) Etkin hesap adını şu komutla listeleyebilirsiniz:

gcloud auth list

4. Authorize'ı (Yetkilendir) tıklayın.

Çıkış:

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

5. (İsteğe bağlı) Proje kimliğini şu komutla listeleyebilirsiniz:

gcloud config list project

Çıkış:

[core] project = {{{project_0.project_id | "PROJECT_ID"}}} Not: gcloud ile ilgili tüm belgeleri, Google Cloud'daki gcloud CLI'a genel bakış rehberinde bulabilirsiniz.

1. görev: AutoML ortamını ayarlama

AutoML ortamında Cloud AutoML API'ın etkin olduğundan emin olun, Vertex AI kontrol panelini açın, ardından eğitim görüntülerini depolamak için bir depolama alanı paketi oluşturun.

Cloud AutoML API'nin etkinleştirildiğini doğrulama

Cloud AutoML API, minimum düzeyde çaba ve makine öğrenimi uzmanlığıyla yüksek kaliteli özel makine öğrenimi modelleri eğitmenize olanak tanır.

Cloud AutoML API'ın etkinleştirildiğini doğrulamak için:

1. Google Cloud Console'daki gezinme menüsünde () API'ler ve Hizmetler > Kitaplık'ı seçin.

2. API ve hizmet arayın alanına Cloud AutoML yazın, ardından arama sonuçlarında Cloud AutoML API'ı tıklayın.

3. Cloud AutoML API'ın Etkin durumda olduğunu doğrulayın.

Vertex AI kontrol panelini açma

Vertex AI kontrol panelinin, görüntü sınıflandırma modeli eğitip kullanmanızı sağlayacak hizmetlere erişmenize olanak tanıyan merkezi bir arayüzü vardır.

Vertex AI kontrol panelini açmak için:

• Gezinme menüsünden () Vertex AI'ı tıklayın.

Depolama alanı paketi oluşturma

Depolama alanı paketi, eğitim görüntülerinizi içerir.

• Cloud Shell'de -vcm adlı bir depolama alanı paketi oluşturmak için şu komutu çalıştırın:

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

Hedefi doğrulamak için İlerleme durumumu kontrol et'i tıklayın.

Cloud Storage paketi oluşturma

2. görev: Cloud Storage'a eğitim görüntüleri yükleme

Bir modeli bulut görüntülerini sınıflandıracak şekilde eğitmek için etiketli eğitim verilerine ihtiyacınız vardır. Bu verilerden yararlanan model, farklı bulut türleriyle ilişkili görüntü özelliklerini anlamaya başlayabilir. Bu örnekteki modeliniz; sirüs, kümülüs ve kümülonimbüs adlı üç farklı bulut türünü sınıflandırmayı öğrenecek.

Eğitim görüntülerini Cloud Storage paketinize yerleştirmek için:

1. Cloud Shell'de, paketinizin adını içeren bir ortam değişkeni oluşturmak için şu komutu çalıştırın:

export BUCKET=$GOOGLE_CLOUD_PROJECT-vcm

Eğitim görüntüleri, bir Cloud Storage paketinde herkese açık olarak barındırılır.

2. Eğitim görüntülerini paketinize kopyalamak için Cloud Storage'a yönelik gsutil komut satırı yardımcı programını kullanın:

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

3. Paketinize yeni kopyaladığınız görüntüleri görüntülemek için gezinme menüsünde Cloud Storage > Paketler'i, ardından paketinizin adını tıklayın. Sınıflandırılacak 3 farklı bulut türüne ait fotoğrafların yer aldığı 3 klasör göreceksiniz.

Bu klasörlerdeki görüntü dosyalarını tıkladığınızda, modeli farklı bulut türleri için eğitirken kullanacağınız fotoğrafları görebilirsiniz.

3. görev: Veri kümesi oluşturma

Eğitim verileriniz Cloud Storage'a yüklendiğine göre, AutoML'in bu verilere nasıl erişeceğini çözmeniz gerekir. Genellikle her satırında bir eğitim görüntüsünün URL'sini ve bu görüntüyle ilişkili etiketi barındıran bir CSV dosyası oluşturursunuz.

Bu laboratuvarda CSV dosyası sizin için oluşturuldu. Dosyayı paketinizin adıyla güncellemeniz yeterlidir.

1. CSV dosyasını Cloud Shell örneğinize kopyalamak için şu komutu çalıştırın:

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

2. CSV dosyasını projenizdeki dosyalarla güncelleyin:

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

3. Şimdi bu dosyayı Cloud Storage paketinize yükleyin:

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

4. Komutun çalışması tamamlandığında Storage tarayıcısının üst kısmındaki Yenile düğmesini tıklayın. Paketinizde data.csv dosyasının göründüğünü doğrulayın.

5. Gezinme menüsünden Vertex AI > Veri kümeleri'ni tıklayın.

6. Konsolun en üstünde Oluştur'u tıklayın.

7. Veri Kümesi Adı'nı clouds olarak ayarlayın.

8. Tek etiketli sınıflandırma'yı seçin.

Not: Kendi projelerinizde çok sınıflı sınıflandırmayı kullanmanız önerilir.

9. Oluştur'u tıklayın.

10. İçe aktarma dosyalarını Cloud Storage'dan seçme'yi, ardından Göz at > -vcm > data.csv'yi tıklayın. Seç'i tıklayın.

11. Devam'ı tıklayın.

Görüntülerinizin içe aktarılması 2 ila 5 dakika sürer.

Hedefi doğrulamak için İlerleme durumumu kontrol et'i tıklayın.

Veri kümesi oluşturma

4. görev: Görüntüleri inceleme

İçe aktarma işlemi tamamlandıktan sonra Göz at sekmesi açılır ve veri kümenizdeki tüm görüntüler gösterilir.

Eğitim görüntülerini incelemek için sol menüde farklı etiketlere göre filtreleme yapmayı (kümülüs seçeneğini tıklamayı) deneyin:

Not: Üretim modeli oluşturuyor olsaydınız doğruluk oranının yüksek olması için etiket başına en az 100 görüntü kullanmanız gerekirdi. Bu sadece bir demo olduğundan, modelin hızla eğitilebilmesi için yalnızca 20 görüntü kullanılmıştır.

Yanlış etiketlenen bir görüntü varsa görüntüyü tıklayarak etiketini değiştirebilirsiniz:

Not: Etiketlenmemiş bir veri kümesiyle çalışıyorsanız AutoML'in sunduğu, şirket içindeki gerçek kişilerce yapılan etiketleme hizmetinden yararlanabilirsiniz.

Model eğitimi önemli ölçüde zaman gerektirdiğinden, bu laboratuvarda tahmin oluşturmak için önceden eğitilmiş bir model kullanılır. Aşağıdaki bölümde, Cloud Storage'a yüklediğiniz görüntülerle ilgili tahminler oluşturmak için bu modeli kullanacaksınız.

5. görev: Tahmin oluşturma

Tahmin oluşturmanın birkaç yolu vardır. Bu laboratuvarda, görüntüler yükleyecek ve modelinizin yüklenen iki görüntüyü nasıl sınıflandırdığını göreceksiniz (İlk görüntü bir sirüs, ikincisi ise bir kümülonimbus bulutuna aittir.).

1. Cloud Shell'de, iki görüntüyü yerel makinenize indirmek için şu komutu girin:

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

2. CLOUD1-JSON adlı örnek dosyayı görüntüleyin:

cat CLOUD1-JSON

Örnek çıkış:

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

3. Uç nokta değerini bir ortam değişkenine kopyalayın:

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

4. Tahmin istemek için şu komutu girin:

curl -X POST -H "Content-Type: application/json" $ENDPOINT/v1 | jq Yukarıdaki çağrı AutoML'den tahmin ister. Ancak giriş verisi belirtilmediğinden istek başarısız olur. 400 HTTP hata kodunda, beklenen verinin mevcut olmadığı belirtilir.

Beklenen çıkış:

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

6. görev: Sürpriz sınav

Bu laboratuvardaki konularla ilgili olan kısa sınavı tamamlayarak AutoML ile ilgili bilgilerinizi test edin. Bu laboratuvarda öğrendiğiniz bilgileri kullanarak tahmin üretin.

Modelin, görüntüdeki bulut türünü tahmin edip edemediğini kontrol edin:

1. CLOUD1-JSON'u giriş dosyası olarak belirleyin.

INPUT_DATA_FILE=CLOUD1-JSON

2. Tahmin istemek için şu komutu girin:

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

Modelin, görüntüdeki bulut türünü tahmin edip edemediğini kontrol edin:

3. CLOUD2-JSON'u giriş dosyası olarak belirleyin.

INPUT_DATA_FILE=CLOUD2-JSON

4. Tahmin istemek için şu komutu girin:

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

Tebrikler!

Tebrikler! Bu laboratuvarda, AutoML kullanarak bulut görüntülerini sınıflandırmayı öğrendiniz. Öncelikle eğitim görüntülerini Cloud Storage'a yüklediniz ve AutoML'in bu görüntüleri bulması için bir CSV dosyası oluşturdunuz. Ardından, önceden eğitilmiş bir model kullanarak yeni bulut görüntüleriyle ilgili tahminler oluşturdunuz.

Sonraki adımlar / Daha fazla bilgi

• Introducing Cloud AutoML (Cloud AutoML ile Tanışın) videosunu izleyin
• Google Cloud Podcast bölümünü dinleyerek AutoML'in nasıl çalıştığı hakkında daha fazla bilgi edinin.
• Duyurunun yapıldığı blog yayınını okuyun.
• Her bir adımı API ile nasıl uygulayabileceğinizi öğrenmek için Vertex AI'a Giriş başlıklı makaleyi inceleyin.

Google Cloud eğitimi ve sertifikası

...Google Cloud teknolojilerinden en iyi şekilde yararlanmanıza yardımcı olur. Derslerimizde teknik becerilere odaklanırken en iyi uygulamalara da yer veriyoruz. Gerekli yetkinlik seviyesine hızlıca ulaşmanız ve öğrenim maceranızı sürdürebilmeniz için sizlere yardımcı olmayı amaçlıyoruz. Temel kavramlardan ileri seviyeye kadar farklı eğitim programlarımız mevcut. Ayrıca, yoğun gündeminize uyması için talep üzerine sağlanan, canlı ve sanal eğitim alternatiflerimiz de var. Sertifikasyonlar ise Google Cloud teknolojilerindeki becerilerinizi ve uzmanlığınızı doğrulamanıza ve kanıtlamanıza yardımcı oluyor.

Kılavuzun Son Güncellenme Tarihi: 3 Aralık 2024

Laboratuvarın Son Test Edilme Tarihi: 3 Aralık 2024

Telif Hakkı 2025 Google LLC. Tüm hakları saklıdır. Google ve Google logosu, Google LLC şirketinin ticari markalarıdır. Diğer tüm şirket ve ürün adları ilişkili oldukları şirketlerin ticari markaları olabilir.