Gli esempi in questa pagina mostrano gli utilizzi di Vertex AI con Earth Engine. Per informazioni dettagliate, consulta la pagina dei modelli ospitati. Questi esempi utilizzano l'API Python di Earth Engine in esecuzione in Colab Notebooks.
Costi
AutoML
Classificazione delle colture low-code
AutoML consente di creare e addestrare un modello col minimo sforzo tecnico. Questo esempio mostra l'addestramento e il deployment di un modello tabulare AutoML utilizzando l'SDK Python Vertex AI e poi il collegamento da Earth Engine per classificare i tipi di colture dalle immagini aeree del National Agriculture Imagery Program (NAIP).
Esegui in Google Colab
Visualizza il codice sorgente su GitHub
PyTorch
Classificazione della copertura del suolo con una CNN
Questo esempio mostra una semplice CNN che prende come input diversi vettori spettrali (ovvero un pixel alla volta) e restituisce una singola etichetta di classe per pixel. Il notebook di Colab mostra come creare la CNN, addestrarla con i dati di Earth Engine, eseguire il deployment del modello su Vertex AI e ottenere le previsioni dal modello in Earth Engine.
TensorFlow
Previsione multiclasse con una rete neurale profonda da zero
Una rete neurale "profonda" (DNN) è una rete neurale artificiale (ANN) con uno o più strati nascosti. Questo esempio mostra una semplice rete neurale convoluzionale con un singolo livello nascosto. La DNN prende come input vettori spettrali (ovvero un pixel alla volta) e restituisce una singola etichetta di classe e le probabilità di classe per pixel. Il notebook di Colab mostra come creare la rete neurale profonda, addestrarla con i dati di Earth Engine, fare previsioni sulle immagini esportate e importarle in Earth Engine.
Previsione multiclasse con una rete neurale di tipo DNN ospitata su Vertex AI
Puoi ottenere le previsioni da un modello ospitato su Vertex AI direttamente in Earth Engine (ad es. nell'editor di codice). Questa guida mostra come addestrare, salvare e preparare un modello TensorFlow per l'hosting, eseguire il deployment del modello in un endpoint Vertex AI e ottenere una mappa di previsioni del modello interattive da Earth Engine.
Segmentazione semantica con una FCNN addestrata e ospitata su Vertex AI
Questa guida mostra la segmentazione semantica per la mappatura della copertura del suolo. I dettagli sugli input o sui dati di addestramento sono disponibili in questa sessione Geo for Good del 2022. Basata sui dati di Earth Engine, questa guida mostra come addestrare un modello su Vertex AI utilizzando una macchina personalizzata, preparare il modello per l'hosting, eseguire il deployment del modello in un endpoint e ottenere una mappa di previsioni del modello interattive da Earth Engine.
Ospitare un modello di segmentazione della chioma degli alberi preaddestrato
Puoi ospitare modelli preaddestrati per ottenere previsioni interattive in Earth Engine. Ad esempio, Li et al. (2023) hanno pubblicato diversi modelli di segmentazione della chioma degli alberi implementati in TensorFlow. Se gli input e gli output sono formattati di conseguenza, questi modelli possono essere ospitati direttamente e utilizzati per ottenere previsioni in Earth Engine ovunque siano presenti immagini di input. Questa guida mostra come scaricare un modello preaddestrato, prepararlo per l'hosting su Vertex AI e ottenere previsioni sulle immagini nel catalogo pubblico di Earth Engine.
Foreste decisionali Yggdrasil (YDF)
Yggdrasil Decision Forests (YDF) è un'implementazione di modelli di machine learning basati su alberi molto diffusi e compatibili con TensorFlow. Questi modelli possono essere addestrati, salvati e ospitati su Vertex AI, come per le reti neurali. Questo notebook mostra come installare YDF, addestrare un modello semplice, ospitarlo su Vertex AI e ottenere previsioni interattive in Earth Engine.
Deprecato
Foreste decisionali di TensorFlow
Foreste decisionali di TensorFlow (TF-DF) è un'implementazione di modelli di machine learning basati su alberi molto diffusi in TensorFlow. Questi modelli possono essere addestrati, salvati e ospitati su Vertex AI, come per le reti neurali TensorFlow. Questo notebook mostra come installare TF-DF, addestrare una foresta casuale, ospitare il modello su Vertex AI e ottenere previsioni interattive in Earth Engine.
Regressione con una FCNN
Una rete neurale "convoluzionale" (CNN) contiene uno o più livelli convolzionali, in cui gli input sono insiemi di pixel, il che si traduce in una rete non completamente connessa, ma adatta all'identificazione di schemi spaziali. Una rete neurale convoluzionale completa (FCNN) non contiene un livello completamente connesso come output. Ciò significa che non apprende un output globale (ovvero un singolo output per immagine), ma output localizzati (ovvero per pixel).
Questo notebook di Colab dimostra l'utilizzo del modello UNET, una FCNN sviluppata per la segmentazione di immagini mediche, per prevedere un output continuo [0,1] in ogni pixel da 256 x 256 insiemi di pixel. Nello specifico, questo esempio mostra come esportare patch di dati per addestrarla e come sovrapporre le patch di immagini per l'inferenza, in modo da eliminare gli artefatti dei confini dei riquadri.
Addestramento su AI Platform
Per modelli relativamente grandi (come l'esempio di FCNN), la longevità della VM senza costi su cui vengono eseguiti i notebook di Colab potrebbe non essere sufficiente per un job di addestramento di lunga durata. Nello specifico, se l'errore di previsione previsto non è ridotto al minimo nel set di dati di valutazione, è consigliabile eseguire più iterazioni di addestramento. Per eseguire job di addestramento di grandi dimensioni nel cloud, questo notebook di Colab mostra come impacchettare il codice di addestramento, avviare un job di addestramento, preparare un SavedModel con il comando earthengine model prepare e ottenere le previsioni in Earth Engine in modo interattivo con ee.Model.fromAiPlatformPredictor.