GSP223

Présentation

AutoML permet aux développeurs peu expérimentés dans le domaine du machine learning d'entraîner des modèles de reconnaissance d'image de grande qualité. Après avoir importé des images dans l'interface utilisateur d'AutoML, vous pouvez générer des prédictions par rapport à un modèle pré-entraîné via une API REST facile d'utilisation.

Dans cet atelier, vous allez importer dans Cloud Storage des images qui vous serviront ensuite à entraîner un modèle personnalisé pour qu'il reconnaisse différents types de nuages (cumulus, cumulonimbus, etc.).

Points abordés

Dans cet atelier, vous allez effectuer les tâches suivantes :

• Importer un ensemble de données étiquetées dans Cloud Storage et l'associer à AutoML à l'aide d'un fichier d'étiquettes au format CSV
• Générer des prédictions par rapport à un modèle pré-entraîné

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 : Configurer AutoML

L'interface AutoML permet d'exécuter l'intégralité de l'entraînement d'un modèle de classification d'images et la génération de prédictions à partir de ce modèle. Avant toute chose, vous devez activer l'API Cloud AutoML.

1. Dans le menu de navigation, sélectionnez API et services > Bibliothèque.

2. Saisissez "Cloud AutoML" dans la barre de recherche.

3. Notez que l'API Cloud AutoML est à l'état Activée.

4. Dans une nouvelle session de navigateur, ouvrez l'interface utilisateur d'AutoML.

Créer un bucket de stockage

1. Créez un bucket de stockage en exécutant la commande suivante :

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

2. Dans la console Google Cloud, ouvrez le menu de navigation et cliquez sur Cloud Storage pour afficher le bucket.

Cliquez sur Vérifier ma progression pour valider l'objectif.

Créer un bucket Cloud Storage

Tâche 2 : Importer des images d'entraînement dans Cloud Storage

Pour pouvoir entraîner un modèle à classer des images de nuages, vous devez fournir des données d'entraînement étiquetées. Ainsi, le modèle sera en mesure de comprendre les caractéristiques des images associées à différents types de nuages. Dans notre exemple, le modèle va apprendre à classer trois familles de nuages : les cirrus, les cumulus et les cumulonimbus. Avant de pouvoir utiliser AutoML, vous devez importer les images d'entraînement dans Cloud Storage.

1. Avant d'ajouter les images de nuages, créez une variable d'environnement avec le nom de votre bucket.

Exécutez la commande suivante dans Cloud Shell :

export BUCKET=$GOOGLE_CLOUD_PROJECT-vcm

Les images d'entraînement sont mises à disposition du public dans un bucket Cloud Storage.

2. À l'aide de l'utilitaire de ligne de commande gsutil pour Cloud Storage, copiez les images d'entraînement dans votre bucket :

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

3. Une fois les images copiées, cliquez sur le bouton Actualiser en haut du navigateur Storage, puis cliquez sur le nom du bucket. Vous devez voir trois dossiers de photos correspondant à chacun des trois types de nuages que vous allez classer.

Si vous cliquez sur les fichiers image dans chaque dossier, vous accédez aux photos qui serviront à entraîner le modèle à distinguer chaque famille de nuages.

Tâche 3 : Créer un ensemble de données

Maintenant que vous avez importé vos données d'entraînement dans Cloud Storage, vous devez les rendre accessibles par AutoML. Pour cela, vous allez créer un fichier CSV dans lequel chaque ligne contient une URL pointant vers une image d'entraînement ainsi que l'étiquette associée à cette image. Ce fichier CSV a déjà été créé, donc vous n'avez plus qu'à le mettre à jour en indiquant le nom de votre bucket.

1. Exécutez la commande suivante pour copier le fichier dans votre instance Cloud Shell :

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

2. Ajoutez ensuite le nom des fichiers de votre projet dans le fichier CSV :

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

3. Importez maintenant ce fichier dans votre bucket Cloud Storage :

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

4. Une fois l'opération terminée, cliquez sur le bouton Actualiser en haut du navigateur Storage. Vérifiez que le fichier data.csv figure dans le bucket.

5. Ouvrez l'onglet Ensemble de données Vertex AI. La page doit se présenter comme suit :

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

7. Attribuez le nom "nuages" à cet ensemble de données.

8. Sélectionnez Classification d'images (étiquette unique).

Remarque : Dans vos projets, il peut être judicieux d'utiliser une classification à classes multiples.

9. Cliquez sur Créer.

10. Choisissez Sélectionner des fichiers d'importation à partir de Cloud Storage et ajoutez le nom du fichier à l'URL du fichier que vous venez d'importer (nom-du-bucket/data.csv).

Pour obtenir facilement ce lien, revenez dans la console Cloud, cliquez sur le fichier data.csv, puis accédez au champ "URI".

11. Cliquez sur Continuer.

L'importation des images prend entre deux et cinq minutes. Vous accédez ensuite à une page présentant toutes les images de votre ensemble de données.

Cliquez sur Vérifier ma progression pour valider l'objectif.

Créer un ensemble de données

Tâche 4 : Inspecter les images

Une fois l'importation terminée, vous serez redirigé vers l'onglet Parcourir pour voir les images que vous avez importées.

Utilisez les étiquettes du menu de gauche pour filtrer les images d'entraînement afin de les examiner (cliquez sur "cumulus", par exemple) :

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 afin d'entraîner rapidement le modèle.

Si des images sont mal étiquetées, vous pouvez cliquer dessus pour changer l'étiquette :

Remarque : Si votre ensemble de données n'est pas encore étiqueté, vous pouvez utiliser le service d'étiquetage manuel d'AutoML.

Tâche 5 : Générer des prédictions

Il existe plusieurs méthodes pour générer des prédictions. Dans cet atelier, vous allez utiliser l'UI pour importer de nouvelles images et observer comment le modèle classe ces deux images (la première montre un cirrus, la seconde montre un cumulonimbus).

1. Revenez au terminal Cloud Shell.

2. Téléchargez ces images sur votre machine locale.

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

3. Affichez le fichier d'exemple CLOUD1-JSON :

cat CLOUD1-JSON

Exemple de résultat :

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

4. Copiez la valeur "Endpoint" dans une variable d'environnement :

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

5. Saisissez la commande suivante pour demander une prédiction :

curl -X POST -H "Content-Type: application/json" $ENDPOINT/v1 -d "@${INPUT_DATA_FILE}" | jq L'appel ci-dessus demande une prédiction à AutoML. Toutefois, comme aucune donnée d'entrée n'est spécifiée, la requête échoue. Le code d'erreur HTTP 400 indique que les données attendues ne sont pas présentes.

Résultat attendu :

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

Tâche 6 : Questionnaire

Testez vos connaissances sur AutoML en répondant à un court questionnaire sur les sujets abordés dans cet atelier. Utilisez les connaissances acquises lors de cet atelier pour générer des prédictions.

Vérifiez si le modèle peut prédire le type du nuage sur l'image :

1. Définissez CLOUD1-JSON comme fichier d'entrée.

INPUT_DATA_FILE=CLOUD1-JSON

2. Saisissez la commande suivante pour demander une prédiction :

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

Vérifiez si le modèle peut prédire le type du nuage sur l'image :

3. Définissez CLOUD2-JSON comme fichier d'entrée.

INPUT_DATA_FILE=CLOUD2-JSON

4. Saisissez la commande suivante pour demander une prédiction :

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

Félicitations !

Vous avez appris à entraîner votre propre modèle de machine learning et à l'utiliser pour générer des prédictions via l'interface utilisateur Web. Vous savez maintenant comment entraîner un modèle à partir d'un ensemble de données d'images personnalisé.

Dans cet atelier, vous avez :

• importé des images d'entraînement dans Cloud Storage et créé un fichier CSV pour permettre à AutoML de trouver ces images ;
• généré des prédictions sur de nouvelles images de nuages.

Terminer votre quête

Cet atelier d'auto-formation fait partie des quêtes Machine Learning APIs et Intro to ML: Image Processing. Une quête est une série d'ateliers associés qui constituent un parcours de formation. Si vous terminez une quête, vous obtenez un badge attestant de votre réussite. Vous pouvez rendre publics les badges que vous recevez et ajouter leur lien dans votre CV en ligne ou sur vos comptes de réseaux sociaux. Inscrivez-vous à cette quête ou à une autre quête contenant cet atelier pour obtenir immédiatement les crédits associés. Découvrez toutes les quêtes disponibles dans le catalogue Google Cloud Skills Boost.

Atelier suivant

Continuez sur votre lancée en suivant l'atelier Détecter des étiquettes, des visages et des points de repère dans des images grâce à l'API Cloud Vision, ou consultez nos suggestions :

• Awwvision : API Cloud Vision dans un cluster Kubernetes
• Analyse des entités et des sentiments avec l'API Natural Language

Étapes suivantes et informations supplémentaires

• Regardez la vidéo de présentation de Cloud AutoML.
• Découvrez comment fonctionne AutoML en écoutant cet épisode de Google Cloud Podcast.
• Consultez l'article de blog annonçant le lancement de Cloud AutoML.
• Pour apprendre à réaliser chaque étape avec l'API, consultez la page Présentation de 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 modification du manuel : 20 octobre 2023

Dernier test de l'atelier : 20 octobre 2023

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.