Vertex AI API を使用した AutoML Edge モデルのトレーニング

Google Cloud コンソールから直接、またはプログラムでトレーニングパイプラインを作成することによって、API や、Vertex AI クライアントライブラリの 1 つを使用して AutoML モデルを作成します。

このモデルは、コンソールまたは API から提供される準備済みのデータセットを使用して作成されます。Vertex AI API は、データセットの項目を使用してモデルのトレーニングとテストを行い、モデルのパフォーマンスを評価します。評価結果を確認して、必要に応じてトレーニングデータセットを調整し、改善されたデータセットで新しいトレーニングパイプラインを作成します。

モデルのトレーニングが完了するまで数時間かかることがあります。Vertex AI API を使用すると、トレーニングのステータスを取得できます。

AutoML Edge トレーニングパイプラインを作成する

代表的なトレーニングアイテムのセットを含むデータセットを用意したら、AutoML Edge トレーニングパイプラインを作成します。

データタイプを選択します。

画像

目標に応じて以下のタブを選択してください。

REST

リクエストのデータを使用する前に、次のように置き換えます。

LOCATION: データセットが配置され、モデルが作成されるリージョン。例: us-central1
PROJECT: プロジェクト ID。
TRAININGPIPELINE_DISPLAYNAME: 必須。trainingPipeline の表示名。
DATASET_ID: トレーニングに使用するデータセットの ID 番号。
fractionSplit: 省略可。ML が使用する可能性のあるデータ分割オプションの 1 つ。fractionSplit の場合、値の合計 1 でなければなりません。例:
- {"trainingFraction": "0.7","validationFraction": "0.15","testFraction": "0.15"}
MODEL_DISPLAYNAME^*: TrainingPipeline によってアップロード（作成）されたモデルの表示名。
MODEL_DESCRIPTION^*: モデルの説明。
modelToUpload.labels^*: モデルを整理するための任意の Key-Value ペアのセット。例:
- "env": "prod"
- tier: backend
EDGE_MODELTYPE^†: トレーニングする Edge モデルのタイプ。次のオプションがあります。
- MOBILE_TF_LOW_LATENCY_1
- MOBILE_TF_VERSATILE_1
- MOBILE_TF_HIGH_ACCURACY_1
NODE_HOUR_BUDGET^†: 実際のトレーニング料金はこの値以下になります。Edge モデルでは、予算は 1,000～100,000 ミリノード時間（上限、下限を含む）にする必要があります。
PROJECT_NUMBER: プロジェクトのプロジェクト番号。

HTTP メソッドと URL:

POST http://LOCATION-aiplatform.googleapis.com/v1/projects/PROJECT/locations/LOCATION/trainingPipelines

JSON 本文のリクエスト:

{
  "displayName": "TRAININGPIPELINE_DISPLAYNAME",
  "inputDataConfig": {
    "datasetId": "DATASET_ID",
    "fractionSplit": {
      "trainingFraction": "DECIMAL",
      "validationFraction": "DECIMAL",
      "testFraction": "DECIMAL"
    }
  },
  "modelToUpload": {
    "displayName": "MODEL_DISPLAYNAME",
    "description": "MODEL_DESCRIPTION",
    "labels": {
      "KEY": "VALUE"
    }
  },
  "trainingTaskDefinition": "gs://google-cloud-aiplatform/schema/trainingjob/definition/automl_image_classification_1.0.0.yaml",
  "trainingTaskInputs": {
    "multiLabel": "false",
    "modelType": ["EDGE_MODELTYPE"],
    "budgetMilliNodeHours": NODE_HOUR_BUDGET
  }
}

リクエストを送信するには、次のいずれかのオプションを選択します。

curl

注: 次のコマンドは、gcloud init または gcloud auth login を実行して、ユーザーアカウントで gcloud CLI にログインしているか、Cloud Shell を使用して自動的に gcloud CLI にログインしていることを前提としています。gcloud auth list を実行すると、現在アクティブなアカウントを確認できます。

リクエスト本文を request.json という名前のファイルに保存して、次のコマンドを実行します。

curl -X POST \
    -H "Authorization: Bearer $(gcloud auth print-access-token)" \
    -H "Content-Type: application/json; charset=utf-8" \
    -d @request.json \
    "http://LOCATION-aiplatform.googleapis.com/v1/projects/PROJECT/locations/LOCATION/trainingPipelines"

PowerShell

リクエスト本文を request.json という名前のファイルに保存して、次のコマンドを実行します。

$cred = gcloud auth print-access-token
$headers = @{ "Authorization" = "Bearer $cred" }

Invoke-WebRequest `
    -Method POST `
    -Headers $headers `
    -ContentType: "application/json; charset=utf-8" `
    -InFile request.json `
    -Uri "http://LOCATION-aiplatform.googleapis.com/v1/projects/PROJECT/locations/LOCATION/trainingPipelines" | Select-Object -Expand Content

レスポンスには、仕様と TRAININGPIPELINE_ID に関する情報が含まれています。

レスポンス

{
  "name": "projects/PROJECT_NUMBER/locations/LOCATION/trainingPipelines/TRAININGPIPELINE_ID",
  "displayName": "TRAININGPIPELINE_DISPLAYNAME",
  "inputDataConfig": {
    "datasetId": "DATASET_ID",
    "fractionSplit": {
      "trainingFraction": 0.7,
      "validationFraction": 0.15,
      "testFraction": 0.15
    }
  },
  "trainingTaskDefinition": "gs://google-cloud-aiplatform/schema/trainingjob/definition/automl_image_classification_1.0.0.yaml",
  "trainingTaskInputs": {
    "modelType": "EDGE_MODELTYPE",
    "budgetMilliNodeHours": "NODE_HOUR_BUDGET"
  },
  "modelToUpload": {
    "displayName": "MODEL_DISPLAYNAME",
    "labels": {
      "KEY1": "VALUE1",
      "KEY2": "VALUE2"
    }
  },
  "state": "PIPELINE_STATE_PENDING",
  "createTime": "2020-07-14T17:16:55.098953Z",
  "updateTime": "2020-07-14T17:16:55.098953Z"
}

TRAININGPIPELINE_ID を使用すると、trainingPipeline ジョブのステータスを取得できます。

REST

リクエストのデータを使用する前に、次のように置き換えます。

LOCATION: データセットが配置され、モデルが作成されるリージョン。例: us-central1
PROJECT: プロジェクト ID。
TRAININGPIPELINE_DISPLAYNAME: 必須。trainingPipeline の表示名。
DATASET_ID: トレーニングに使用するデータセットの ID 番号。
fractionSplit: 省略可。ML が使用する可能性のあるデータ分割オプションの 1 つ。fractionSplit の場合、値の合計 1 でなければなりません。例:
- {"trainingFraction": "0.7","validationFraction": "0.15","testFraction": "0.15"}
MODEL_DISPLAYNAME^*: TrainingPipeline によってアップロード（作成）されたモデルの表示名。
MODEL_DESCRIPTION^*: モデルの説明。
modelToUpload.labels^*: モデルを整理するための任意の Key-Value ペアのセット。例:
- "env": "prod"
- tier: backend
EDGE_MODELTYPE^†: トレーニングする Edge モデルのタイプ。次のオプションがあります。
- MOBILE_TF_LOW_LATENCY_1
- MOBILE_TF_VERSATILE_1
- MOBILE_TF_HIGH_ACCURACY_1
NODE_HOUR_BUDGET^†: 実際のトレーニング料金はこの値以下になります。Edge モデルでは、予算は 1,000～100,000 ミリノード時間（上限、下限を含む）にする必要があります。
PROJECT_NUMBER: プロジェクトのプロジェクト番号。

HTTP メソッドと URL:

POST http://LOCATION-aiplatform.googleapis.com/v1/projects/PROJECT/locations/LOCATION/trainingPipelines

JSON 本文のリクエスト:

{
  "displayName": "TRAININGPIPELINE_DISPLAYNAME",
  "inputDataConfig": {
    "datasetId": "DATASET_ID",
    "fractionSplit": {
      "trainingFraction": "DECIMAL",
      "validationFraction": "DECIMAL",
      "testFraction": "DECIMAL"
    }
  },
  "modelToUpload": {
    "displayName": "MODEL_DISPLAYNAME",
    "description": "MODEL_DESCRIPTION",
    "labels": {
      "KEY": "VALUE"
    }
  },
  "trainingTaskDefinition": "gs://google-cloud-aiplatform/schema/trainingjob/definition/automl_image_classification_1.0.0.yaml",
  "trainingTaskInputs": {
    "multiLabel": "true",
    "modelType": ["EDGE_MODELTYPE"],
    "budgetMilliNodeHours": NODE_HOUR_BUDGET
  }
}

リクエストを送信するには、次のいずれかのオプションを選択します。

curl

リクエスト本文を request.json という名前のファイルに保存して、次のコマンドを実行します。

curl -X POST \
    -H "Authorization: Bearer $(gcloud auth print-access-token)" \
    -H "Content-Type: application/json; charset=utf-8" \
    -d @request.json \
    "http://LOCATION-aiplatform.googleapis.com/v1/projects/PROJECT/locations/LOCATION/trainingPipelines"

PowerShell

リクエスト本文を request.json という名前のファイルに保存して、次のコマンドを実行します。

$cred = gcloud auth print-access-token
$headers = @{ "Authorization" = "Bearer $cred" }

Invoke-WebRequest `
    -Method POST `
    -Headers $headers `
    -ContentType: "application/json; charset=utf-8" `
    -InFile request.json `
    -Uri "http://LOCATION-aiplatform.googleapis.com/v1/projects/PROJECT/locations/LOCATION/trainingPipelines" | Select-Object -Expand Content

レスポンスには、仕様と TRAININGPIPELINE_ID に関する情報が含まれています。

レスポンス

{
  "name": "projects/PROJECT_NUMBER/locations/LOCATION/trainingPipelines/TRAININGPIPELINE_ID",
  "displayName": "TRAININGPIPELINE_DISPLAYNAME",
  "inputDataConfig": {
    "datasetId": "DATASET_ID",
    "fractionSplit": {
      "trainingFraction": 0.7,
      "validationFraction": 0.15,
      "testFraction": 0.15
    }
  },
  "trainingTaskDefinition": "gs://google-cloud-aiplatform/schema/trainingjob/definition/automl_image_classification_1.0.0.yaml",
  "trainingTaskInputs": {
    "modelType": "EDGE_MODELTYPE",
    "budgetMilliNodeHours": "NODE_HOUR_BUDGET"
  },
  "modelToUpload": {
    "displayName": "MODEL_DISPLAYNAME",
    "labels": {
      "KEY1": "VALUE1",
      "KEY2": "VALUE2"
    }
  },
  "state": "PIPELINE_STATE_PENDING",
  "createTime": "2020-07-14T17:16:55.098953Z",
  "updateTime": "2020-07-14T17:16:55.098953Z"
}

TRAININGPIPELINE_ID を使用すると、trainingPipeline ジョブのステータスを取得できます。

オブジェクト検出

トレーニング時に、特定のユースケースで必要な AutoML Edge モデルのタイプを選択できます。

低レイテンシ（MOBILE_TF_LOW_LATENCY_1）
一般的な用途（MOBILE_TF_VERSATILE_1）
予測品質の向上（MOBILE_TF_HIGH_ACCURACY_1）

お使いの言語または環境に応じて、以下のタブを選択してください。

REST

リクエストのデータを使用する前に、次のように置き換えます。

LOCATION: データセットが配置され、モデルが作成されるリージョン。例: us-central1
PROJECT: プロジェクト ID。
TRAININGPIPELINE_DISPLAYNAME: 必須。trainingPipeline の表示名。
DATASET_ID: トレーニングに使用するデータセットの ID 番号。
fractionSplit: 省略可。ML が使用する可能性のあるデータ分割オプションの 1 つ。fractionSplit の場合、値の合計 1 でなければなりません。例:
- {"trainingFraction": "0.7","validationFraction": "0.15","testFraction": "0.15"}
MODEL_DISPLAYNAME^*: TrainingPipeline によってアップロード（作成）されたモデルの表示名。
MODEL_DESCRIPTION^*: モデルの説明。
modelToUpload.labels^*: モデルを整理するための任意の Key-Value ペアのセット。例:
- "env": "prod"
- tier: backend
EDGE_MODELTYPE^†: トレーニングする Edge モデルのタイプ。次のオプションがあります。
- MOBILE_TF_LOW_LATENCY_1
- MOBILE_TF_VERSATILE_1
- MOBILE_TF_HIGH_ACCURACY_1
NODE_HOUR_BUDGET^†: 実際のトレーニング料金はこの値以下になります。Cloud モデルでは、予算は 20,000～900,000 ミリノード時間（上限、下限を含む）の範囲に収める必要があります。デフォルト値は 216,000 で、9 ノードが使用された場合の 1 日の経過時間に相当します。
PROJECT_NUMBER: プロジェクトのプロジェクト番号。

HTTP メソッドと URL:

POST http://LOCATION-aiplatform.googleapis.com/v1/projects/PROJECT/locations/LOCATION/trainingPipelines

JSON 本文のリクエスト:

{
  "displayName": "TRAININGPIPELINE_DISPLAYNAME",
  "inputDataConfig": {
    "datasetId": "DATASET_ID",
    "fractionSplit": {
      "trainingFraction": "DECIMAL",
      "validationFraction": "DECIMAL",
      "testFraction": "DECIMAL"
    }
  },
  "modelToUpload": {
    "displayName": "MODEL_DISPLAYNAME",
    "description": "MODEL_DESCRIPTION",
    "labels": {
      "KEY": "VALUE"
    }
  },
  "trainingTaskDefinition": "gs://google-cloud-aiplatform/schema/trainingjob/definition/automl_image_object_detection_1.0.0.yaml",
  "trainingTaskInputs": {
    "modelType": ["EDGE_MODELTYPE"],
    "budgetMilliNodeHours": NODE_HOUR_BUDGET
  }
}

リクエストを送信するには、次のいずれかのオプションを選択します。

curl

リクエスト本文を request.json という名前のファイルに保存して、次のコマンドを実行します。

curl -X POST \
    -H "Authorization: Bearer $(gcloud auth print-access-token)" \
    -H "Content-Type: application/json; charset=utf-8" \
    -d @request.json \
    "http://LOCATION-aiplatform.googleapis.com/v1/projects/PROJECT/locations/LOCATION/trainingPipelines"

PowerShell

リクエスト本文を request.json という名前のファイルに保存して、次のコマンドを実行します。

$cred = gcloud auth print-access-token
$headers = @{ "Authorization" = "Bearer $cred" }

Invoke-WebRequest `
    -Method POST `
    -Headers $headers `
    -ContentType: "application/json; charset=utf-8" `
    -InFile request.json `
    -Uri "http://LOCATION-aiplatform.googleapis.com/v1/projects/PROJECT/locations/LOCATION/trainingPipelines" | Select-Object -Expand Content

レスポンスには、仕様と TRAININGPIPELINE_ID に関する情報が含まれています。

レスポンス

{
  "name": "projects/PROJECT_NUMBER/locations/LOCATION/trainingPipelines/TRAININGPIPELINE_ID",
  "displayName": "TRAININGPIPELINE_DISPLAYNAME",
  "inputDataConfig": {
    "datasetId": "DATASET_ID",
    "fractionSplit": {
      "trainingFraction": 0.7,
      "validationFraction": 0.15,
      "testFraction": 0.15
    }
  },
  "trainingTaskDefinition": "gs://google-cloud-aiplatform/schema/trainingjob/definition/automl_image_object_detection_1.0.0.yaml",
  "trainingTaskInputs": {
    "modelType": "EDGE_MODELTYPE",
    "budgetMilliNodeHours": "NODE_HOUR_BUDGET"
  },
  "modelToUpload": {
    "displayName": "MODEL_DISPLAYNAME",
    "labels": {
      "KEY1": "VALUE1",
      "KEY2": "VALUE2"
    }
  },
  "state": "PIPELINE_STATE_PENDING",
  "createTime": "2020-07-14T17:16:55.098953Z",
  "updateTime": "2020-07-14T17:16:55.098953Z"
}

TRAININGPIPELINE_ID を使用すると、trainingPipeline ジョブのステータスを取得できます。

動画

目標に応じて以下のタブを選択してください。

動作認識

トレーニング時に、次の AutoML エッジタイプを選択します。

MOBILE_VERSATILE_1: 一般的な用途

REST

リクエストのデータを使用する前に、次のように置き換えます。

PROJECT: プロジェクト ID。
LOCATION: データセットが配置され、モデルが作成されるリージョン。例: us-central1
TRAINING_PIPELINE_DISPLAY_NAME: 必須。TrainingPipeline の表示名。
DATASET_ID: トレーニングデータセットの ID。
TRAINING_FRACTION、TEST_FRACTION: fractionSplit オブジェクトは省略可です。データ分割の制御に使用します。データ分割の制御の詳細については、AutoML モデル用のデータ分割についてをご覧ください。例:
- {"trainingFraction": "0.8","validationFraction": "0","testFraction": "0.2"}
MODEL_DISPLAY_NAME: トレーニング済みモデルの表示名。
MODEL_DESCRIPTION: モデルの説明。
MODEL_LABELS: モデルを整理するための任意の Key-Value ペアのセット。例:
- "env": "prod"
- "tier": "backend"
EDGE_MODEL_TYPE:
- MOBILE_VERSATILE_1: 一般的な用途
PROJECT_NUMBER: プロジェクトのプロジェクト番号。

HTTP メソッドと URL:

POST http://LOCATION-aiplatform.googleapis.com/beta1/projects/PROJECT/locations/LOCATION/trainingPipelines

JSON 本文のリクエスト:

{
  "displayName": "TRAINING_PIPELINE_DISPLAY_NAME",
  "inputDataConfig": {
    "datasetId": "DATASET_ID",
    "fractionSplit": {
      "trainingFraction": "TRAINING_FRACTION",
      "validationFraction": "0",
      "testFraction": "TEST_FRACTION"
    }
  },
  "modelToUpload": {
    "displayName": "MODEL_DISPLAY_NAME",
    "description": "MODEL_DESCRIPTION",
    "labels": {
      "KEY": "VALUE"
    }
  },
  "trainingTaskDefinition": "gs://google-cloud-aiplatform/schema/trainingjob/definition/automl_video_action_recognition_1.0.0.yaml",
  "trainingTaskInputs": {
    "modelType": ["EDGE_MODEL_TYPE"],
  }
}

リクエストを送信するには、次のいずれかのオプションを選択します。

curl

リクエスト本文を request.json という名前のファイルに保存して、次のコマンドを実行します。

curl -X POST \
    -H "Authorization: Bearer $(gcloud auth print-access-token)" \
    -H "Content-Type: application/json; charset=utf-8" \
    -d @request.json \
    "http://LOCATION-aiplatform.googleapis.com/beta1/projects/PROJECT/locations/LOCATION/trainingPipelines"

PowerShell

リクエスト本文を request.json という名前のファイルに保存して、次のコマンドを実行します。

$cred = gcloud auth print-access-token
$headers = @{ "Authorization" = "Bearer $cred" }

Invoke-WebRequest `
    -Method POST `
    -Headers $headers `
    -ContentType: "application/json; charset=utf-8" `
    -InFile request.json `
    -Uri "http://LOCATION-aiplatform.googleapis.com/beta1/projects/PROJECT/locations/LOCATION/trainingPipelines" | Select-Object -Expand Content

レスポンスには、仕様と TRAININGPIPELINE_ID に関する情報が含まれています。

レスポンス

{
  "name": "projects/PROJECT_NUMBER/locations/LOCATION/trainingPipelines/TRAININGPIPELINE_ID",
  "displayName": "TRAININGPIPELINE_DISPLAYNAME",
  "inputDataConfig": {
    "datasetId": "DATASET_ID",
    "fractionSplit": {
      "trainingFraction": 0.8,
      "validationFraction": 0,
      "testFraction": 0.2
    }
  },
  "trainingTaskDefinition": OBJECTIVE,
  "trainingTaskInputs": {
    "modelType": "EDGE_MODEL_TYPE",
  },
  "modelToUpload": {
    "displayName": "MODEL_DISPLAY_NAME",
    "labels": {
      "KEY1": "VALUE1",
      "KEY2": "VALUE2"
    }
  },
  "state": "PIPELINE_STATE_PENDING",
  "createTime": "2020-11-14T17:16:55.098953Z",
  "updateTime": "2020-11-14T17:16:55.098953Z"
}

trainingPipeline の進行状況のステータスを取得すると、終了時間を確認できます。

REST

リクエストのデータを使用する前に、次のように置き換えます。

PROJECT: プロジェクト ID。
LOCATION: データセットが配置され、モデルが作成されるリージョン。例: us-central1
TRAINING_PIPELINE_DISPLAY_NAME: 必須。TrainingPipeline の表示名。
DATASET_ID: トレーニングデータセットの ID。
TRAINING_FRACTION、TEST_FRACTION: fractionSplit オブジェクトは省略可です。データ分割の制御に使用します。データ分割の制御の詳細については、AutoML モデル用のデータ分割についてをご覧ください。例:
- {"trainingFraction": "0.8","validationFraction": "0","testFraction": "0.2"}
MODEL_DISPLAY_NAME: トレーニング済みモデルの表示名。
MODEL_DESCRIPTION: モデルの説明。
MODEL_LABELS: モデルを整理するための任意の Key-Value ペアのセット。例:
- "env": "prod"
- "tier": "backend"
EDGE_MODEL_TYPE:
- MOBILE_VERSATILE_1: 一般的な用途
PROJECT_NUMBER: プロジェクトのプロジェクト番号。

HTTP メソッドと URL:

POST http://LOCATION-aiplatform.googleapis.com/beta1/projects/PROJECT/locations/LOCATION/trainingPipelines

JSON 本文のリクエスト:

{
  "displayName": "TRAINING_PIPELINE_DISPLAY_NAME",
  "inputDataConfig": {
    "datasetId": "DATASET_ID",
    "fractionSplit": {
      "trainingFraction": "TRAINING_FRACTION",
      "validationFraction": "0",
      "testFraction": "TEST_FRACTION"
    }
  },
  "modelToUpload": {
    "displayName": "MODEL_DISPLAY_NAME",
    "description": "MODEL_DESCRIPTION",
    "labels": {
      "KEY": "VALUE"
    }
  },
  "trainingTaskDefinition": "gs://google-cloud-aiplatform/schema/trainingjob/definition/automl_video_classification_1.0.0.yaml",
  "trainingTaskInputs": {
    "modelType": ["EDGE_MODEL_TYPE"],
  }
}

リクエストを送信するには、次のいずれかのオプションを選択します。

curl

リクエスト本文を request.json という名前のファイルに保存して、次のコマンドを実行します。

curl -X POST \
    -H "Authorization: Bearer $(gcloud auth print-access-token)" \
    -H "Content-Type: application/json; charset=utf-8" \
    -d @request.json \
    "http://LOCATION-aiplatform.googleapis.com/beta1/projects/PROJECT/locations/LOCATION/trainingPipelines"

PowerShell

リクエスト本文を request.json という名前のファイルに保存して、次のコマンドを実行します。

$cred = gcloud auth print-access-token
$headers = @{ "Authorization" = "Bearer $cred" }

Invoke-WebRequest `
    -Method POST `
    -Headers $headers `
    -ContentType: "application/json; charset=utf-8" `
    -InFile request.json `
    -Uri "http://LOCATION-aiplatform.googleapis.com/beta1/projects/PROJECT/locations/LOCATION/trainingPipelines" | Select-Object -Expand Content

レスポンスには、仕様と TRAININGPIPELINE_ID に関する情報が含まれています。

レスポンス

{
  "name": "projects/PROJECT_NUMBER/locations/LOCATION/trainingPipelines/TRAININGPIPELINE_ID",
  "displayName": "TRAININGPIPELINE_DISPLAYNAME",
  "inputDataConfig": {
    "datasetId": "DATASET_ID",
    "fractionSplit": {
      "trainingFraction": 0.8,
      "validationFraction": 0,
      "testFraction": 0.2
    }
  },
  "trainingTaskDefinition": OBJECTIVE,
  "trainingTaskInputs": {
    "modelType": "EDGE_MODEL_TYPE",
  },
  "modelToUpload": {
    "displayName": "MODEL_DISPLAY_NAME",
    "labels": {
      "KEY1": "VALUE1",
      "KEY2": "VALUE2"
    }
  },
  "state": "PIPELINE_STATE_PENDING",
  "createTime": "2020-10-14T17:16:55.098953Z",
  "updateTime": "2020-10-14T17:16:55.098953Z"
}

trainingPipeline の進行状況のステータスを取得すると、終了時間を確認できます。

オブジェクトトラッキング

トレーニング時に、AutoML エッジタイプを選択します。

MOBILE_VERSATILE_1: 一般的な用途
MOBILE_CORAL_VERSATILE_1: Google Coral における予測品質の向上
MOBILE_CORAL_LOW_LATENCY_1: Google Coral のレイテンシの短縮
MOBILE_JETSON_VERSATILE_1: NVIDIA Jetson の予測品質の向上
MOBILE_JETSON_LOW_LATENCY_1: NVIDIA Jetson のレイテンシの短縮

REST

リクエストのデータを使用する前に、次のように置き換えます。

PROJECT: プロジェクト ID。
LOCATION: データセットが配置され、モデルが作成されるリージョン。例: us-central1
TRAINING_PIPELINE_DISPLAY_NAME: 必須。TrainingPipeline の表示名。
DATASET_ID: トレーニングデータセットの ID。
TRAINING_FRACTION、TEST_FRACTION: fractionSplit オブジェクトは省略可です。データ分割の制御に使用します。データ分割の制御の詳細については、AutoML モデル用のデータ分割についてをご覧ください。例:
- {"trainingFraction": "0.8","validationFraction": "0","testFraction": "0.2"}
MODEL_DISPLAY_NAME: トレーニング済みモデルの表示名。
MODEL_DESCRIPTION: モデルの説明。
MODEL_LABELS: モデルを整理するための任意の Key-Value ペアのセット。例:
- "env": "prod"
- tier: backend
EDGE_MODEL_TYPE: 以下のいずれか:
- MOBILE_VERSATILE_1: 一般的な用途
- MOBILE_CORAL_VERSATILE_1: Google Coral における予測品質の向上
- MOBILE_CORAL_LOW_LATENCY_1: Google Coral のレイテンシの短縮
- MOBILE_JETSON_VERSATILE_1: NVIDIA Jetson の予測品質の向上
- MOBILE_JETSON_LOW_LATENCY_1: NVIDIA Jetson のレイテンシの短縮
PROJECT_NUMBER: プロジェクトのプロジェクト番号。

HTTP メソッドと URL:

POST http://LOCATION-aiplatform.googleapis.com/beta1/projects/PROJECT/locations/LOCATION/trainingPipelines

JSON 本文のリクエスト:

{
  "displayName": "TRAINING_PIPELINE_DISPLAY_NAME",
  "inputDataConfig": {
    "datasetId": "DATASET_ID",
    "fractionSplit": {
      "trainingFraction": "TRAINING_FRACTION",
      "validationFraction": "0",
      "testFraction": "TEST_FRACTION"
    }
  },
  "modelToUpload": {
    "displayName": "MODEL_DISPLAY_NAME",
    "description": "MODEL_DESCRIPTION",
    "labels": {
      "KEY": "VALUE"
    }
  },
  "trainingTaskDefinition": "gs://google-cloud-aiplatform/schema/trainingjob/definition/automl_video_object_tracking_1.0.0.yaml",
  "trainingTaskInputs": {
    "modelType": ["EDGE_MODEL_TYPE"],
  }
}

リクエストを送信するには、次のいずれかのオプションを選択します。

curl

リクエスト本文を request.json という名前のファイルに保存して、次のコマンドを実行します。

curl -X POST \
    -H "Authorization: Bearer $(gcloud auth print-access-token)" \
    -H "Content-Type: application/json; charset=utf-8" \
    -d @request.json \
    "http://LOCATION-aiplatform.googleapis.com/beta1/projects/PROJECT/locations/LOCATION/trainingPipelines"

PowerShell

リクエスト本文を request.json という名前のファイルに保存して、次のコマンドを実行します。

$cred = gcloud auth print-access-token
$headers = @{ "Authorization" = "Bearer $cred" }

Invoke-WebRequest `
    -Method POST `
    -Headers $headers `
    -ContentType: "application/json; charset=utf-8" `
    -InFile request.json `
    -Uri "http://LOCATION-aiplatform.googleapis.com/beta1/projects/PROJECT/locations/LOCATION/trainingPipelines" | Select-Object -Expand Content

レスポンスには、仕様と TRAININGPIPELINE_ID に関する情報が含まれています。

レスポンス

{
  "name": "projects/PROJECT_NUMBER/locations/LOCATION/trainingPipelines/TRAININGPIPELINE_ID",
  "displayName": "

Vertex AI API を使用した AutoML Edge モデルのトレーニング

AutoML Edge トレーニングパイプラインを作成する

画像

分類

REST

curl

PowerShell

レスポンス

分類

REST

curl

PowerShell

レスポンス

オブジェクト検出

REST

curl

PowerShell

レスポンス

動画

動作認識

REST

curl

PowerShell

レスポンス

分類

REST

curl

PowerShell

レスポンス

オブジェクトトラッキング

REST

curl

PowerShell

レスポンス

*	`trainingTaskDefinition` で指定したスキーマファイルの説明により、このフィールドの使用方法が記述されます。
†	`trainingTaskDefinition` で指定したスキーマファイルにより、このフィールドが宣言および記述されます。

Vertex AI API を使用した AutoML Edge モデルのトレーニング

AutoML Edge トレーニング パイプラインを作成する

画像

分類

REST

curl

PowerShell

レスポンス

分類

REST

curl

PowerShell

レスポンス

オブジェクト検出

REST

curl

PowerShell

レスポンス

動画

動作認識

REST

curl

PowerShell

レスポンス

分類

REST

curl

PowerShell

レスポンス

オブジェクト トラッキング

REST

curl

PowerShell

レスポンス

AutoML Edge トレーニングパイプラインを作成する

オブジェクトトラッキング