Introduzione all'addestramento personalizzato: fornisci previsioni da un modello di classificazione delle immagini personalizzato

Questa pagina illustra la pubblicazione di previsioni dal modello di classificazione delle immagini e la visualizzazione delle previsioni in un'app web.

Questo tutorial è composto da diverse pagine:

1. Configurazione del progetto e dell'ambiente.

2. Addestramento di un modello di classificazione delle immagini personalizzato.

3. Fornitura di previsioni da un modello di classificazione delle immagini personalizzato.

4. Pulizia del progetto in corso...

Ogni pagina presuppone che tu abbia già eseguito le istruzioni dalle pagine precedenti del tutorial.

La parte restante di questo documento presuppone che tu stia utilizzando lo stesso ambiente Cloud Shell creato durante la prima pagina di questo tutorial. Se la sessione originale di Cloud Shell non è più aperta, puoi tornare all'ambiente nel seguente modo:

1. Nella console Google Cloud, attiva Cloud Shell.

   Attiva Cloud Shell

2. Nella sessione di Cloud Shell, esegui questo comando:

   cd hello-custom-sample
   

Crea un endpoint

Per ottenere previsioni online dal modello ML che hai addestrato seguendo la pagina precedente di questo tutorial, crea un endpoint Vertex AI. Gli endpoint forniscono previsioni online da uno o più modelli.

1. Nella sezione Vertex AI della console Google Cloud, vai alla pagina Modelli.

   Vai a Modelli

2. Individua la riga del modello che hai addestrato nel passaggio precedente di questo tutorial, hello_custom, e fai clic sul nome del modello per aprire la relativa pagina dei dettagli.

3. Nella scheda Deployment e test, fai clic su Esegui il deployment sull'endpoint per aprire il riquadro Esegui il deployment nell'endpoint.

4. Nel passaggio Definisci l'endpoint, aggiungi alcune informazioni di base per l'endpoint:

   1. Seleziona Crea nuovo endpoint.

   2. Nel campo Nome endpoint, inserisci hello_custom.

   3. Nella sezione Impostazioni modello, assicurati di vedere il nome del modello, anch'esso chiamato hello_custom. Specifica le seguenti impostazioni del modello:

      1. Nel campo Suddivisione del traffico, inserisci 100. Vertex AI supporta la suddivisione del traffico per un endpoint in più modelli, ma questo tutorial non utilizza questa funzionalità.

      2. Nel campo Numero minimo di nodi di computing, inserisci 1.

      3. Nell'elenco a discesa Tipo di macchina, seleziona n1-standard-2 dalla sezione Standard.

      4. Fai clic su Fine.

   4. Nella sezione Logging, assicurati che siano abilitati entrambi i tipi di logging di previsione.

   Fai clic su Continua.

5. Nel passaggio Dettagli endpoint, conferma che verrà eseguito il deployment dell'endpoint in us-central1 (Iowa).

   Non selezionare la casella di controllo Utilizza una chiave di crittografia gestita dal cliente (CMEK). Questo tutorial non utilizza CMEK.

6. Fai clic su Esegui il deployment per creare l'endpoint ed eseguire il deployment del modello nell'endpoint.

Dopo qualche minuto, check_circle viene visualizzato accanto al nuovo endpoint nella tabella Endpoint. Allo stesso tempo, riceverai anche un'email che indica che hai creato l'endpoint e ne hai eseguito il deployment del modello nell'endpoint.

Esegui il deployment di una funzione Cloud Functions

Puoi ottenere previsioni dall'endpoint Vertex AI appena creato inviando richieste all'interfaccia REST dell'API Vertex AI. Tuttavia, solo le entità con l'autorizzazione aiplatform.endpoints.predict possono inviare richieste di previsione online. Non puoi rendere pubblico l'endpoint per consentire a nessuno di inviare richieste, ad esempio tramite un'app web.

In questa sezione, esegui il deployment del codice in Cloud Functions per gestire le richieste non autenticate. Il codice campione che hai scaricato quando leggi la prima pagina di questo tutorial contiene il codice per questa Cloud Function nella directory function/. Se vuoi, esegui questo comando per esplorare il codice della Cloud Function:

less function/main.py

Il deployment della funzione ha i seguenti scopi:

• Puoi configurare una Cloud Function per ricevere richieste non autenticate. Inoltre, le funzioni vengono eseguite utilizzando un account di servizio con il ruolo Editor per impostazione predefinita, che include l'autorizzazione aiplatform.endpoints.predict necessaria per ottenere previsioni dall'endpoint Vertex AI.

• Questa funzione esegue anche un'utile pre-elaborazione delle richieste. L'endpoint Vertex AI prevede richieste di previsione nel formato del primo livello del grafico TensorFlow Keras addestrato: un tensore di valori in virgola mobile normalizzati con dimensioni fisse. La funzione prende l'URL di un'immagine come input e pre-elabora l'immagine in questo formato prima di richiedere una previsione dall'endpoint di Vertex AI.

Per eseguire il deployment della Cloud Function, segui questi passaggi:

1. Nella console Google Cloud, nella sezione Vertex AI, vai alla pagina Endpoint.

   Vai a Endpoints

2. Trova la riga dell'endpoint creato nella sezione precedente, denominata hello_custom. In questa riga, fai clic su Richiesta di esempio per aprire il riquadro Richiesta di esempio.

3. Nel riquadro Richiesta di esempio, trova la riga di codice della shell che corrisponde al seguente pattern:

   ENDPOINT_ID="ENDPOINT_ID"
   

   ENDPOINT_ID è un numero che identifica questo particolare endpoint.

   Copia questa riga di codice ed eseguila nella sessione Cloud Shell per impostare la variabile ENDPOINT_ID.

4. Esegui questo comando nella sessione di Cloud Shell per eseguire il deployment della Cloud Function:

   gcloud functions deploy classify_flower \
     --region=us-central1 \
     --source=function \
     --runtime=python37 \
     --memory=2048MB \
     --trigger-http \
     --allow-unauthenticated \
     --set-env-vars=ENDPOINT_ID=${ENDPOINT_ID}
   

Esegui il deployment di un'app web per inviare richieste di previsione

Infine, ospita un'app web statica su Cloud Storage per ottenere previsioni dal tuo modello ML addestrato. L'app web invia richieste alla tua Cloud Function, che le pre-elabora e riceve previsioni dall'endpoint di Vertex AI.

La directory webapp del codice campione che hai scaricato contiene un'app web di esempio. Nella sessione di Cloud Shell, esegui questi comandi per preparare ed eseguire il deployment dell'app web:

1. Nei seguenti passaggi, imposta un paio di variabili shell per i comandi da utilizzare:

   PROJECT_ID=PROJECT_ID
   BUCKET_NAME=BUCKET_NAME
   

   Sostituisci quanto segue:

   • PROJECT_ID: il tuo ID progetto Google Cloud.
   • BUCKET_NAME: il nome del bucket Cloud Storage creato durante la prima pagina di questo tutorial.

2. Modifica l'app in modo da fornire l'URL di attivazione della Cloud Function:

   echo "export const CLOUD_FUNCTION_URL = 'http://us-central1-${PROJECT_ID}.cloudfunctions.net/classify_flower';" \
     > webapp/function-url.js
   

3. Carica la directory webapp nel bucket Cloud Storage:

   gsutil -m cp -r webapp gs://${BUCKET_NAME}/
   

4. Rendi leggibili pubblicamente i file dell'app web che hai appena caricato:

   gsutil -m acl ch -u AllUsers:R gs://${BUCKET_NAME}/webapp/**
   

5. Ora puoi accedere al seguente URL per aprire l'app web e ottenere previsioni:

   http://storage.googleapis.com/BUCKET_NAME/webapp/index.html
   

   Apri l'app web e fai clic sull'immagine di un fiore per visualizzare la classificazione del tipo di fiore del tuo modello ML. L'app web presenta la previsione sotto forma di un elenco di tipi di fiori e la probabilità che l'immagine contenga ciascun tipo.

Passaggi successivi

Segui l'ultima pagina del tutorial per eseguire la pulizia delle risorse che hai creato.