GSP972

Présentation

Vertex AI regroupe les services Google Cloud vous permettant de créer des modèles de ML dans une interface utilisateur et une API unifiées. Avec Vertex AI, vous pouvez désormais entraîner et comparer facilement des modèles à l'aide d'AutoML ou de l'entraînement de code personnalisé. De plus, tous vos modèles sont stockés dans un dépôt central de modèles et peuvent dorénavant être déployés sur les mêmes points de terminaison dans Vertex AI.

AutoML Vision vous permet d'entraîner des modèles de classification d'images de haute qualité, quel que soit votre niveau d'expertise en ML. Dans cet atelier pratique, vous allez apprendre à créer un modèle de ML personnalisé qui reconnaît automatiquement les pièces automobiles endommagées. Le temps nécessaire pour entraîner le modèle dépasse le délai dont vous disposez pour l'atelier. Vous utiliserez donc un modèle hébergé dans un autre projet, entraîné à partir du même ensemble de données, et vous lui demanderez des prédictions. Vous modifierez ensuite les valeurs des données de la requête de prédiction et observerez comment cela affecte la prédiction renvoyée par le modèle.

Objectifs

Dans cet atelier, vous allez apprendre à :

• importer un ensemble de données étiquetées dans Cloud Storage à l'aide d'un fichier CSV et l'associer à Vertex AI en tant qu'ensemble de données géré ;
• inspecter les images importées pour vérifier que l'ensemble de données ne comporte pas d'erreurs ;
• lancer un job d'entraînement de modèle AutoML Vision ;
• demander des prédictions à un modèle hébergé entraîné à partir du même ensemble de données.

Préparation

Avant de cliquer sur le bouton "Démarrer l'atelier"

Lisez ces instructions. Les ateliers sont minutés, et vous ne pouvez pas les mettre en pause. Le minuteur, qui démarre lorsque vous cliquez sur Démarrer l'atelier, indique combien de temps les ressources Google Cloud resteront accessibles.

Cet atelier pratique vous permet de suivre vous-même les activités dans un véritable environnement cloud, et non dans un environnement de simulation ou de démonstration. Nous vous fournissons des identifiants temporaires pour vous connecter à Google Cloud le temps de l'atelier.

Pour réaliser cet atelier :

• vous devez avoir accès à un navigateur Internet standard (nous vous recommandons d'utiliser Chrome) ;

Remarque : Ouvrez une fenêtre de navigateur en mode incognito/navigation privée pour effectuer cet atelier. Vous éviterez ainsi les conflits entre votre compte personnel et le temporaire étudiant, qui pourraient entraîner des frais supplémentaires facturés sur votre compte personnel.

• vous disposez d'un temps limité ; une fois l'atelier commencé, vous ne pouvez pas le mettre en pause.

Remarque : Si vous possédez déjà votre propre compte ou projet Google Cloud, veillez à ne pas l'utiliser pour réaliser cet atelier afin d'éviter que des frais supplémentaires ne vous soient facturés.

Démarrer l'atelier et se connecter à la console Google Cloud

1. Cliquez sur le bouton Démarrer l'atelier. Si l'atelier est payant, un pop-up s'affiche pour vous permettre de sélectionner un mode de paiement. Sur la gauche, vous trouverez le panneau Détails concernant l'atelier, qui contient les éléments suivants :

   • Le bouton Ouvrir la console Google Cloud
   • Le temps restant
   • Les identifiants temporaires que vous devez utiliser pour cet atelier
   • Des informations complémentaires vous permettant d'effectuer l'atelier

2. Cliquez sur Ouvrir la console Google Cloud (ou effectuez un clic droit et sélectionnez Ouvrir le lien dans la fenêtre de navigation privée si vous utilisez le navigateur Chrome).

   L'atelier lance les ressources, puis ouvre la page Se connecter dans un nouvel onglet.

   Conseil : Réorganisez les onglets dans des fenêtres distinctes, placées côte à côte.

   Remarque : Si la boîte de dialogue Sélectionner un compte s'affiche, cliquez sur Utiliser un autre compte.

3. Si nécessaire, copiez le nom d'utilisateur ci-dessous et collez-le dans la boîte de dialogue Se connecter.

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

   Vous trouverez également le nom d'utilisateur dans le panneau Détails concernant l'atelier.

4. Cliquez sur Suivant.

5. Copiez le mot de passe ci-dessous et collez-le dans la boîte de dialogue Bienvenue.

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

   Vous trouverez également le mot de passe dans le panneau Détails concernant l'atelier.

6. Cliquez sur Suivant.

   Important : Vous devez utiliser les identifiants fournis pour l'atelier. Ne saisissez pas ceux de votre compte Google Cloud. Remarque : Si vous utilisez votre propre compte Google Cloud pour cet atelier, des frais supplémentaires peuvent vous être facturés.

7. Accédez aux pages suivantes :

   • Acceptez les conditions d'utilisation.
   • N'ajoutez pas d'options de récupération ni d'authentification à deux facteurs (ce compte est temporaire).
   • Ne vous inscrivez pas à des essais gratuits.

Après quelques instants, la console Cloud s'ouvre dans cet onglet.

Remarque : Pour afficher un menu contenant la liste des produits et services Google Cloud, cliquez sur le menu de navigation en haut à gauche.

Activer Cloud Shell

Cloud Shell est une machine virtuelle qui contient de nombreux outils pour les développeurs. Elle comprend un répertoire d'accueil persistant de 5 Go et s'exécute sur Google Cloud. Cloud Shell vous permet d'accéder via une ligne de commande à vos ressources Google Cloud.

1. Cliquez sur Activer Cloud Shell  en haut de la console Google Cloud.

Une fois connecté, vous êtes en principe authentifié et le projet est défini sur votre ID_PROJET. Le résultat contient une ligne qui déclare YOUR_PROJECT_ID (VOTRE_ID_PROJET) pour cette session :

Your Cloud Platform project in this session is set to YOUR_PROJECT_ID

gcloud est l'outil de ligne de commande pour Google Cloud. Il est préinstallé sur Cloud Shell et permet la complétion par tabulation.

2. (Facultatif) Vous pouvez lister les noms des comptes actifs à l'aide de cette commande :

gcloud auth list

3. Cliquez sur Autoriser.

4. Vous devez à présent obtenir le résultat suivant :

Résultat :

ACTIVE: * ACCOUNT: student-01-xxxxxxxxxxxx@qwiklabs.net To set the active account, run: $ gcloud config set account `ACCOUNT`

5. (Facultatif) Vous pouvez lister les ID de projet à l'aide de cette commande :

gcloud config list project

Résultat :

[core] project = <ID_Projet>

Exemple de résultat :

[core] project = qwiklabs-gcp-44776a13dea667a6 Remarque : Pour consulter la documentation complète sur gcloud, dans Google Cloud, accédez au guide de présentation de la gcloud CLI.

Tâche 1 : Importer des images d'entraînement dans Cloud Storage

Dans cette tâche, vous allez importer dans Cloud Storage les images d'entraînement que vous souhaitez utiliser. Il sera ainsi plus facile d'importer les données dans Vertex AI par la suite.

Pour entraîner un modèle à classer des images de pièces automobiles endommagées, vous devez lui fournir des données d'entraînement étiquetées, qu'il utilisera pour mieux comprendre chaque image et différencier les pièces automobiles en bon état de celles qui sont endommagées.

Remarque : Dans cet atelier, vous n'avez pas à étiqueter les images, car nous vous fournissons un ensemble de données étiquetées (autrement dit, les images et leurs étiquettes) sous forme de fichier CSV. La prochaine section explique comment utiliser le fichier CSV.

Dans cet exemple, votre modèle va apprendre à classer cinq types de pièces automobiles endommagées : les pare-chocs, les compartiments moteur, les capots, les portes latérales et les pare-brise.

Créer un bucket Cloud Storage

1. Tout d'abord, ouvrez une nouvelle fenêtre Cloud Shell et exécutez les commandes suivantes afin de définir certaines variables d'environnement :

export PROJECT_ID=$DEVSHELL_PROJECT_ID export BUCKET=$PROJECT_ID

2. Ensuite, exécutez la commande ci-dessous pour créer un bucket Cloud Storage :

gsutil mb -p $PROJECT_ID \ -c standard \ -l "{{{project_0.default_region | REGION}}}" \ gs://${BUCKET}

Importer des images de voitures dans votre bucket de stockage

Les images d'entraînement sont accessibles au public dans un bucket Cloud Storage. Une nouvelle fois, copiez le modèle de script ci-dessous et collez-le dans Cloud Shell pour importer les images dans votre propre bucket.

1. Exécutez la commande suivante pour importer les images dans votre bucket Cloud Storage :

gsutil -m cp -r gs://car_damage_lab_images/* gs://${BUCKET}

2. Dans le volet de navigation, cliquez sur Cloud Storage > Buckets.

3. Cliquez sur le bouton Actualiser en haut du navigateur Cloud Storage.

4. Cliquez sur le nom du bucket. Vous devez voir cinq dossiers de photos correspondant à chacune des cinq catégories de pièces automobiles endommagées que vous allez classer :

5. Vous pouvez cliquer sur l'un des dossiers pour consulter les images qu'il contient.

Parfait ! Vos images de voitures sont désormais organisées et prêtes pour l'entraînement.

Cliquez sur Vérifier ma progression pour valider l'objectif. Importer des images de voitures dans votre bucket de stockage

Tâche 2 : Créer un ensemble de données

Dans cette tâche, vous allez créer un ensemble de données et l'associer à vos images d'entraînement pour permettre à Vertex AI d'y accéder.

Normalement, vous devriez créer un fichier CSV dans lequel chaque ligne comporte l'URL d'une image d'entraînement et l'étiquette associée à cette image. Dans le cas présent, ce fichier CSV a déjà été créé. Vous n'avez donc plus qu'à le mettre à jour en indiquant le nom de votre bucket Cloud Storage et à l'importer dans celui-ci.

Modifier le fichier CSV

Copiez les modèles de script ci-dessous et collez-les dans Cloud Shell, puis appuyez sur la touche "Entrée" pour modifier et importer le fichier CSV.

1. Exécutez la commande suivante pour créer une copie du fichier :

gsutil cp gs://car_damage_lab_metadata/data.csv .

2. Exécutez la commande suivante pour indiquer le chemin d'accès de votre bucket de stockage dans le fichier CSV :

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

3. Vérifiez que le nom de votre bucket a été correctement inséré dans le fichier CSV :

cat ./data.csv

4. Pour importer le fichier CSV dans votre bucket Cloud Storage, exécutez la commande suivante :

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

5. Une fois l'opération terminée, cliquez sur le bouton Actualiser en haut du navigateur Cloud Storage, puis ouvrez votre bucket.

6. Vérifiez que votre bucket contient le fichier data.csv.

Créer un ensemble de données géré

1. Dans la console Google Cloud, accédez au menu de navigation (), puis cliquez sur Vertex AI > Tableau de bord.

2. Cliquez sur Activer toutes les API recommandées si ce n'est pas déjà fait.

3. Dans le menu de navigation de Vertex AI, cliquez sur Ensembles de données.

4. En haut de la console, cliquez sur + Créer.

5. Nommez l'ensemble de données damaged_car_parts.

6. Sélectionnez Classification d'images (étiquette unique). Remarque : Dans vos propres projets, vous pouvez cocher la case "Classification multi-étiquette" si vous effectuez une classification à classes multiples.

7. Sélectionnez la région .

8. Cliquez sur Créer.

Associer votre ensemble de données à vos images d'entraînement

Dans cette section, vous allez choisir l'emplacement des images d'entraînement que vous avez importées à l'étape précédente.

1. Dans la section Sélectionner une méthode d'importation, cliquez sur Sélectionner des fichiers d'importation à partir de Cloud Storage.

2. Dans la section Sélectionner des fichiers d'importation à partir de Cloud Storage, cliquez sur Parcourir.

3. Suivez les instructions pour accéder à votre bucket de stockage, puis cliquez sur le fichier data.csv. Cliquez sur Sélectionner.

4. Une fois que le fichier est sélectionné, une coche verte s'affiche à gauche de son chemin d'accès. Cliquez sur Continuer.

Remarque : L'importation et la classification des images peuvent prendre entre 9 et 12 minutes. Vous devez attendre la fin de cette étape avant de vérifier votre progression.

5. Une fois l'importation terminée, préparez-vous pour la section suivante en cliquant sur l'onglet Parcourir. (Astuce : vous devrez peut-être actualiser la page pour confirmer.)

Cliquez sur Vérifier ma progression pour valider l'objectif. Créer un ensemble de données

Tâche 3 : Inspecter les images

Dans cette tâche, vous allez examiner les images pour vérifier que votre ensemble de données ne comporte pas d'erreurs.

Examiner les étiquettes des images

1. Si votre page de navigateur a été actualisée, cliquez sur Ensembles de données. Sélectionnez le nom de l'image, puis cliquez sur Parcourir.

2. Sous Filtrer les étiquettes, cliquez sur l'une des étiquettes pour afficher les images d'entraînement associées (par exemple, engine_compartment).

Remarque : Pour créer un modèle de production, vous auriez besoin de 100 images par étiquette au minimum afin d'obtenir des résultats précis. Pour les besoins de cet exemple, nous n'avons utilisé que 20 images de chaque type afin d'entraîner rapidement le modèle.

3. Si une image n'est pas correctement étiquetée, vous pouvez cliquer dessus pour la supprimer de l'ensemble d'entraînement ou changer son étiquette.

4. Ensuite, cliquez sur l'onglet Analyser pour afficher le nombre d'images par étiquette. La fenêtre Statistiques relatives aux étiquettes s'affiche dans votre navigateur.

Remarque : Si vous avez besoin d'aide pour étiqueter votre ensemble de données, le service d'étiquetage de données Vertex AI vous permet de travailler avec des étiqueteurs humains pour obtenir des étiquettes très précises.

Tâche 4 : Entraîner le modèle

Votre modèle peut désormais être entraîné. Vertex AI s'en charge automatiquement pour vous, ce qui vous évite de devoir écrire du code.

1. Cliquez sur Entraîner le nouveau modèle à droite de l'écran.

2. Dans la fenêtre Méthode d'entraînement, conservez les paramètres configurés par défaut et sélectionnez AutoML comme méthode d'entraînement. Cliquez sur Continuer.

3. Dans la fenêtre Informations sur le modèle, nommez votre modèle damaged_car_parts_model. Cliquez sur Continuer.

4. Dans la fenêtre Options d'entraînement, sélectionnez Justesse supérieure (nouveau), puis cliquez sur Continuer.

5. Dans la fenêtre Options de calcul et tarifs, définissez le budget sur 8 heures-nœud au maximum.

6. Cliquez sur Démarrer l'entraînement.

Remarque : L'entraînement du modèle peut dépasser le temps imparti pour terminer l'atelier. Il n'est pas nécessaire d'attendre la fin de l'entraînement du modèle pour passer à la section suivante.

Cliquez sur Vérifier ma progression pour valider l'objectif. Entraîner le modèle

Tâche 5 : Demander une prédiction à un modèle hébergé

Pour les besoins de cet atelier, et pour vous permettre de respecter le délai imparti, un modèle entraîné à partir du même ensemble de données est hébergé dans un projet différent. Vous pouvez lui demander des prédictions en attendant que l'entraînement de votre modèle local soit terminé.

Un proxy vers le modèle pré-entraîné a été configuré. Aucune étape supplémentaire n'est ainsi nécessaire pour qu'il fonctionne dans votre environnement d'atelier.

Pour demander des prédictions au modèle, vous les enverrez à un point de terminaison situé dans votre projet, qui transférera la requête au modèle hébergé, puis vous retournera la sortie du modèle. Vous pouvez utiliser cette méthode pour vous exercer, car l'envoi de requêtes de prédiction via le proxy AutoML est très semblable à une interaction directe avec le modèle que vous venez de créer.

Obtenir le nom du point de terminaison du proxy AutoML

1. Dans le menu de navigation (≡) de la console Google Cloud, cliquez sur Cloud Run.

2. Cliquez sur automl-proxy.

3. Copiez l'URL du point de terminaison. Voici un exemple : https://automl-proxy-xfpm6c62ta-uc.a.run.app.

Vous utiliserez ce point de terminaison pour la requête de prédiction dans la section suivante.

Créer une requête de prédiction

1. Ouvrez une nouvelle fenêtre Cloud Shell.

2. Dans la barre d'outils Cloud Shell, cliquez sur Ouvrir l'éditeur. Si vous y êtes invité, cliquez sur Ouvrir dans une nouvelle fenêtre.

3. Cliquez sur Fichier > Nouveau fichier.

4. Copiez le contenu suivant dans le nouveau fichier que vous venez de créer :

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

5. Cliquez sur Fichier > Enregistrer, puis sélectionnez le chemin d'accès (/home/student_xx_xxxxx) dans le menu déroulant.

6. Nommez votre fichier payload.json, puis cliquez sur Enregistrer.

Pour référence, le contenu que vous avez fourni est une chaîne encodée en base64 de l'image suivante.

7. Définissez maintenant les variables d'environnement suivantes. Copiez dans l'emplacement approprié l'URL de proxy AutoML que vous avez récupérée précédemment.

AUTOML_PROXY=<automl-proxy url> INPUT_DATA_FILE=payload.json

8. Effectuez une requête API sur le point de terminaison du proxy AutoML pour demander la prédiction au modèle hébergé :

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

Si la prédiction a bien été exécutée, le résultat doit se présenter comme suit :

{"predictions":[{"confidences":[0.951557755],"displayNames":["bumper"],"ids":["1960986684719890432"]}],"deployedModelId":"4271461936421404672","model":"projects/1030115194620/locations/"{{{project_0.default_region | REGION}}}"/models/2143634257791156224","modelDisplayName":"damaged_car_parts_vertex","modelVersionId":"1"}

Pour ce modèle, les résultats de la prédiction sont assez explicites. Le champ displayNames devrait prédire correctement un bumper (pare-chocs) avec un seuil de confiance élevé. Vous pouvez maintenant modifier la valeur d'image encodée en base64 dans le fichier JSON que vous avez créé.

Cliquez sur Vérifier ma progression pour valider l'objectif. Créer la requête de prédiction

9. Effectuez un clic droit sur chaque image ci-dessous, puis sélectionnez Enregistrer l'image sous….

10. Suivez les instructions pour enregistrer chaque image sous un nom unique. (Astuce : vous pouvez leur attribuer un nom simple tel que "Image 1" et "Image 2" pour faciliter leur importation.)

11. Ouvrez l'utilitaire Base64 Image Encoder, puis suivez les instructions pour importer et encoder une image en une chaîne Base64.

12. Remplacez la valeur de chaîne encodée en Base64 dans le champ content de votre fichier de charge utile JSON et réexécutez la prédiction. Répétez la procédure pour toute autre image.

Votre modèle a-t-il été efficace ? A-t-il correctement prédit les trois images ? Les résultats doivent respectivement ressembler à ce qui suit :

{"predictions":[{"ids":["5419751198540431360"],"confidences":[0.985487759],"displayNames":["engine_compartment"]}],"deployedModelId":"4271461936421404672","model":"projects/1030115194620/locations/"{{{project_0.default_region | REGION}}}"/models/2143634257791156224","modelDisplayName":"damaged_car_parts_vertex","modelVersionId":"1"} {"predictions":[{"displayNames":["hood"],"ids":["3113908189326737408"],"confidences":[0.962432086]}],"deployedModelId":"4271461936421404672","model":"projects/1030115194620/locations/"{{{project_0.default_region | REGION}}}"/models/2143634257791156224","modelDisplayName":"damaged_car_parts_vertex","modelVersionId":"1"}

Félicitations !

Dans cet atelier, vous avez appris à entraîner votre propre modèle de machine learning personnalisé, ainsi qu'à générer des prédictions sur un modèle hébergé à l'aide d'une requête API. Vous avez également importé des images d'entraînement dans Cloud Storage et utilisé un fichier CSV pour permettre à Vertex AI de trouver ces images. Enfin, vous avez inspecté les images étiquetées afin de détecter d'éventuelles incohérences, avant d'évaluer un modèle entraîné. Vous êtes désormais capable d'entraîner un modèle à partir de votre propre ensemble de données d'images.

Étapes suivantes et informations supplémentaires

• Pour en savoir plus sur Vertex AI, consultez la documentation Vertex AI.

Formations et certifications Google Cloud

Les formations et certifications Google Cloud vous aident à tirer pleinement parti des technologies Google Cloud. Nos cours portent sur les compétences techniques et les bonnes pratiques à suivre pour être rapidement opérationnel et poursuivre votre apprentissage. Nous proposons des formations pour tous les niveaux, à la demande, en salle et à distance, pour nous adapter aux emplois du temps de chacun. Les certifications vous permettent de valider et de démontrer vos compétences et votre expérience en matière de technologies Google Cloud.

Dernière mise à jour du manuel : 17 janvier 2024

Dernier test de l'atelier : 17 janvier 2024

Copyright 2024 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.