Contoh alur kerja Vertex AI

Contoh di halaman ini menunjukkan penggunaan Vertex AI dengan Earth Engine. Lihat halaman model yang dihosting untuk mengetahui detailnya. Contoh ini menggunakan Earth Engine Python API yang berjalan di Notebook Colab.

Biaya

AutoML

Klasifikasi Tanaman dengan Low Code

AutoML memungkinkan pembuatan dan pelatihan model dengan upaya teknis minimal. Contoh ini menunjukkan pelatihan dan deployment model AutoML Tabular menggunakan Vertex AI Python SDK, lalu menghubungkannya dari Earth Engine untuk mengklasifikasikan jenis tanaman dari citra udara National Agriculture Imagery Program (NAIP).

PyTorch

Klasifikasi Tutupan Lahan dengan CNN

Contoh ini menunjukkan CNN sederhana yang mengambil beberapa vektor spektral sebagai input (yaitu satu piksel pada satu waktu) dan menghasilkan satu label class per piksel. Notebook Colab menunjukkan cara membuat CNN, melatihnya dengan data dari Earth Engine, men-deploy model ke Vertex AI, dan mendapatkan prediksi dari model di Earth Engine.

Tensorflow

Prediksi multi-class dengan DNN dari awal

Jaringan neural "dalam" (DNN) adalah jaringan neural buatan (ANN) dengan satu atau beberapa lapisan tersembunyi. Contoh ini menunjukkan DNN sederhana dengan satu lapisan tersembunyi. DNN mengambil vektor spektral sebagai input (yaitu satu piksel pada satu waktu) dan menghasilkan satu label class dan probabilitas class per piksel. Notebook Colab menunjukkan cara membuat DNN, melatihnya dengan data dari Earth Engine, membuat prediksi pada citra yang diekspor, dan mengimpor prediksi ke Earth Engine.

Prediksi multi-class dengan DNN yang dihosting di Vertex AI

Anda bisa mendapatkan prediksi dari model yang dihosting di Vertex AI langsung di Earth Engine (misalnya, di Editor Kode). Panduan ini menunjukkan cara melatih, menyimpan, dan menyiapkan model TensorFlow untuk dihosting, men-deploy model ke endpoint Vertex AI, serta mendapatkan peta prediksi model interaktif dari Earth Engine.

Segmentasi semantik dengan FCNN yang dilatih dan dihosting di Vertex AI

Panduan ini menunjukkan segmentasi semantik untuk pemetaan tutupan lahan. Detail tentang input atau data pelatihan ada dalam sesi Geo for Good 2022 ini. Didukung oleh data dari Earth Engine, panduan ini menunjukkan cara melatih model di Vertex AI menggunakan mesin kustom, menyiapkan model untuk dihosting, men-deploy model ke endpoint, serta mendapatkan peta prediksi model interaktif dari Earth Engine.

Menghosting Model Segmentasi Mahkota Pohon Terlatih

Anda dapat menghosting model terlatih untuk mendapatkan prediksi interaktif di Earth Engine. Misalnya, Li et al. (2023) memublikasikan beberapa model segmentasi mahkota pohon yang diterapkan di TensorFlow. Jika input dan output dibentuk dengan benar, model ini dapat dihosting secara langsung dan digunakan untuk mendapatkan prediksi di Earth Engine di mana pun ada gambar input. Panduan ini menunjukkan cara mendownload model yang telah dilatih sebelumnya, menyiapkannya untuk dihosting di Vertex AI, dan mendapatkan prediksi pada gambar di katalog publik Earth Engine.

Tidak digunakan lagi

TensorFlow Decision Forests

TensorFlow Decision Forests (TF-DF) adalah implementasi model machine learning berbasis hierarki yang populer di TensorFlow. Model ini dapat dilatih, disimpan, dan dihosting di Vertex AI, seperti halnya jaringan neural TensorFlow. Notebook ini menunjukkan cara menginstal TF-DF, melatih random forest, menghosting model di Vertex AI, dan mendapatkan prediksi interaktif di Earth Engine.

Regresi dengan FCNN

Jaringan neural "konvolusi" (CNN) berisi satu atau beberapa lapisan konvolusi, dengan input berupa lingkungan piksel, sehingga menghasilkan jaringan yang tidak terhubung sepenuhnya, tetapi cocok untuk mengidentifikasi pola spasial. Jaringan saraf konvolusi sepenuhnya (FCNN) tidak berisi lapisan terhubung sepenuhnya sebagai output. Artinya, model ini tidak mempelajari output global (yaitu satu output per gambar), tetapi output yang dilokalkan (yaitu per piksel).

Notebook Colab ini menunjukkan penggunaan model UNET, FCNN yang dikembangkan untuk segmentasi gambar medis, untuk memprediksi output [0,1] berkelanjutan di setiap piksel dari lingkungan piksel 256x256. Secara khusus, contoh ini menunjukkan cara mengekspor patch data untuk melatih jaringan dan cara menempatkan patch gambar secara berlebihan untuk inferensi, guna menghilangkan artefak batas ubin.

Pelatihan di AI Platform

Untuk model yang relatif besar (seperti contoh FCNN), masa pakai virtual machine gratis tempat notebook Colab berjalan mungkin tidak memadai untuk tugas pelatihan yang berjalan lama. Secara khusus, jika error prediksi yang diharapkan tidak diminimalkan pada set data evaluasi, lebih banyak iterasi pelatihan mungkin diperlukan. Untuk menjalankan tugas pelatihan besar di Cloud, notebook Colab ini menunjukkan cara memaketkan kode pelatihan Anda, memulai tugas pelatihan, menyiapkan SavedModel dengan perintah earthengine model prepare, dan mendapatkan prediksi di Earth Engine secara interaktif dengan ee.Model.fromAiPlatformPredictor.