نمونه گردش‌های کار Vertex AI

مثال‌های این صفحه کاربردهای Vertex AI با Earth Engine را نشان می‌دهند. برای جزئیات، صفحه مدل‌های میزبانی‌شده را ببینید. این نمونه‌ها از Earth Engine Python API استفاده می‌کنند که در Colab Notebooks اجرا می‌شود.

هزینه‌ها

AutoML

طبقه‌بندی محصول با کد کم

AutoML امکان ایجاد و آموزش مدل را با حداقل تلاش فنی فراهم می‌کند. این مثال آموزش و استقرار مدل AutoML Tabular را بااستفاده از Vertex AI Python SDK و سپس اتصال به آن از Earth Engine برای طبقه‌بندی انواع محصولات از تصاویر هوایی «برنامه ملی تصویربرداری کشاورزی» (NAIP) نشان می‌دهد.

PyTorch

طبقه‌بندی پوشش زمین با CNN

این مثال یک CNN ساده را نشان می‌دهد که چندین بردار طیفی را به‌عنوان ورودی می‌گیرد (یعنی یک پیکسل در هر بار) و یک برچسب کلاس تکی برای هر پیکسل تولید می‌کند. دفتر Colab نحوه ایجاد CNN، آموزش آن با داده‌های Earth Engine، استقرار مدل در Vertex AI، و دریافت پیش‌بینی‌ها از مدل در Earth Engine را نشان می‌دهد.

Tensorflow

پیش‌بینی چندکلاسی با DNN از ابتدا

شبکه عصبی «عمیق» (DNN) یک شبکه عصبی مصنوعی (ANN) با یک یا چند لایه پنهان است. این مثال یک DNN ساده با یک لایه پنهان را نشان می‌دهد. ‫DNN بردارهای طیفی را به‌عنوان ورودی می‌گیرد (یعنی یک پیکسل در هر بار) و یک برچسب کلاس تکی و احتمالات کلاس را برای هر پیکسل خروجی می‌دهد. دفتر Colab نحوه ایجاد DNN، آموزش آن با داده‌های Earth Engine، پیش‌بینی روی تصاویر صادرشده، و وارد کردن پیش‌بینی‌ها به Earth Engine را نشان می‌دهد.

پیش‌بینی کردن چندکلاسی با DNN میزبانی‌شده در Vertex AI

می‌توانید پیش‌بینی‌ها را از مدلی که در Vertex AI میزبانی می‌شود مستقیماً در Earth Engine (مثلاً در ویرایشگر کد) دریافت کنید. این راهنما نشان می‌دهد چگونه مدل TensorFlow را برای میزبانی آموزش دهید، ذخیره کنید، و آماده کنید، مدل را در نقطه پایانی Vertex AI مستقر کنید، و نقشه‌ای از پیش‌بینی‌های مدل تعاملی از Earth Engine دریافت کنید.

بخش‌بندی معنایی با FCNN آموزش‌دیده و میزبانی‌شده در Vertex AI

این راهنما بخش‌بندی معنایی را برای نقشه‌برداری پوشش زمین نشان می‌دهد. جزئیات مربوط به ورودی‌ها یا داده‌های آموزشی در این جلسه Geo for Good سال ۲۰۲۲ ارائه شده است. این راهنما که با داده‌های Earth Engine پشتیبانی می‌شود، نشان می‌دهد چگونه مدلی را در Vertex AI بااستفاده از یک ماشین سفارشی آموزش دهید، مدل را برای میزبانی آماده کنید، مدل را در یک نقطه پایانی مستقر کنید و نقشه‌ای از پیش‌بینی‌های مدل تعاملی از Earth Engine دریافت کنید.

میزبانی مدل بخش‌بندی تاج درخت ازپیش‌آموزش‌دیده

می‌توانید مدل‌های ازپیش آموزش‌دیده را میزبانی کنید تا پیش‌بینی‌های تعاملی در Earth Engine دریافت کنید. برای مثال، Li و همکاران (۲۰۲۳) چندین مدل بخش‌بندی تاج درخت را که در TensorFlow پیاده‌سازی شده است منتشر کردند. اگر ورودی‌ها و خروجی‌ها به‌درستی شکل داده شوند، این مدل‌ها می‌توانند مستقیماً میزبانی شوند و برای دریافت پیش‌بینی‌ها در Earth Engine هرجا که تصاویر ورودی وجود دارد استفاده شوند. این راهنما نشان می‌دهد که چگونه یک مدل ازپیش‌آموزش‌دیده را بارگیری کنید، آن را برای میزبانی در Vertex AI آماده کنید، و پیش‌بینی‌هایی درباره تصاویر در کاتالوگ عمومی Earth Engine دریافت کنید.

Yggdrasil Decision Forests (YDF)

Yggdrasil Decision Forests (YDF) پیاده‌سازی مدل‌های یادگیری ماشین مبتنی بر درخت محبوب است که با TensorFlow سازگار است. این مدل‌ها را می‌توان در Vertex AI آموزش داد، ذخیره کرد، و میزبانی کرد، درست مانند شبکه‌های عصبی. این نوت‌بوک نحوه نصب YDF، آموزش دادن مدل ساده، میزبانی مدل در Vertex AI، و دریافت پیش‌بینی‌های تعاملی در Earth Engine را نشان می‌دهد.

منسوخ

TensorFlow Decision Forests

TensorFlow Decision Forests (TF-DF) پیاده‌سازی مدل‌های یادگیری ماشین مبتنی بر درخت پرطرفدار در TensorFlow است. این مدل‌ها را می‌توان در Vertex AI آموزش داد، ذخیره کرد، و میزبانی کرد، همانند شبکه‌های عصبی TensorFlow. این نوت‌بوک نحوه نصب TF-DF، آموزش جنگل تصادفی، میزبانی مدل در Vertex AI، و دریافت پیش‌بینی‌های تعاملی در Earth Engine را نشان می‌دهد.

رگرسیون با FCNN

یک شبکه عصبی «پیچشی» (CNN) شامل یک یا چند لایه پیچشی است که در آن ورودی‌ها همسایگی‌های پیکسل‌ها هستند و درنتیجه شبکه‌ای ایجاد می‌شود که کاملاً متصل نیست، اما برای شناسایی الگوهای فضایی مناسب است. شبکه عصبی کاملاً پیچشی (FCNN) لایه کاملاً متصل به‌عنوان خروجی ندارد. این یعنی مدل خروجی سراسری (یعنی یک خروجی برای هر تصویر) را یاد نمی‌گیرد، بلکه خروجی‌های محلی‌شده (یعنی برای هر پیکسل) را یاد می‌گیرد.

این دفتر Colab استفاده از مدل UNET را نشان می‌دهد، یک FCNN که برای بخش‌بندی تصویر پزشکی توسعه یافته است، برای پیش‌بینی یک خروجی پیوسته [0,1] در هر پیکسل از محله‌های ۲۵۶×۲۵۶ پیکسل. به‌طور خاص، این مثال نحوه صادر کردن تکه‌های داده برای آموزش شبکه و نحوه هم‌پوشانی تکه‌های تصویر برای استنتاج را نشان می‌دهد تا آثار مرز کاشی حذف شود.

آموزش در AI Platform

برای مدل‌های نسبتاً بزرگ (مانند نمونه FCNN)، طول عمر ماشین مجازی رایگان که دفترهای Colab روی آن اجرا می‌شوند ممکن است برای یک کار آموزشی طولانی‌مدت کافی نباشد. به‌طور مشخص، اگر خطای پیش‌بینی موردانتظار در مجموعه داده ارزیابی به حداقل نرسد، ممکن است تکرارهای آموزشی بیشتری لازم باشد. برای انجام کارهای آموزشی بزرگ در Cloud، این دفتر Colab نشان می‌دهد که چگونه کد آموزشی خود را بسته‌بندی کنید، یک کار آموزشی را شروع کنید، یک SavedModel را با فرمان earthengine model prepare آماده کنید و پیش‌بینی‌ها را در Earth Engine به‌صورت تعاملی با ee.Model.fromAiPlatformPredictor دریافت کنید.