Các ví dụ trên trang này minh hoạ cách sử dụng Vertex AI với Earth Engine. Hãy xem trang mô hình được lưu trữ để biết thông tin chi tiết. Các ví dụ này sử dụng Earth Engine Python API chạy trong Sổ tay Colab.
Chi phí
AutoML
Phân loại ảnh cắt bằng mã nguồn thấp
AutoML cho phép tạo và huấn luyện mô hình mà không cần nhiều kiến thức kỹ thuật. Ví dụ này minh hoạ cách huấn luyện và triển khai mô hình AutoML Tabular bằng cách sử dụng SDK Vertex AI Python, sau đó kết nối với mô hình đó từ Earth Engine để phân loại các loại cây trồng từ Chương trình hình ảnh nông nghiệp quốc gia (NAIP).
Chạy trong Google Colab
Xem mã nguồn trên GitHub
PyTorch
Phân loại lớp phủ đất bằng mạng nơron nhân tạo (CNN)
Ví dụ này minh hoạ một CNN đơn giản lấy một số vectơ phổ làm đầu vào (tức là một pixel tại một thời điểm) và xuất một nhãn lớp duy nhất cho mỗi pixel. Sổ tay Colab minh hoạ cách tạo CNN, huấn luyện CNN bằng dữ liệu từ Earth Engine, triển khai mô hình này cho Vertex AI và nhận kết quả dự đoán từ mô hình trong Earth Engine.
Tensorflow
Dự đoán nhiều lớp bằng DNN từ đầu
Mạng nơron "sâu" (DNN) là một mạng nơron nhân tạo (ANN) có một hoặc nhiều lớp ẩn. Ví dụ này minh hoạ một DNN đơn giản với một lớp ẩn duy nhất. DNN lấy vectơ phổ làm dữ liệu đầu vào (tức là một pixel mỗi lần) và xuất một nhãn lớp và xác suất lớp trên mỗi pixel. Sổ tay Colab minh hoạ cách tạo DNN, huấn luyện DNN bằng dữ liệu từ Earth Engine, đưa ra dự đoán về hình ảnh đã xuất và nhập dự đoán vào Earth Engine.
Dự đoán nhiều lớp bằng DNN được lưu trữ trên Vertex AI
Bạn có thể nhận thông tin dự đoán từ một mô hình được lưu trữ trên Vertex AI ngay trong Earth Engine (ví dụ: trong Trình chỉnh sửa mã). Hướng dẫn này minh hoạ cách huấn luyện, lưu và chuẩn bị mô hình TensorFlow để lưu trữ, triển khai mô hình đến một điểm cuối Vertex AI, đồng thời nhận và xem bản đồ dự đoán mô hình tương tác từ Earth Engine.
Phân đoạn ngữ nghĩa bằng FCNN được huấn luyện và lưu trữ trên Vertex AI
Hướng dẫn này minh hoạ cách phân đoạn ngữ nghĩa để lập bản đồ lớp phủ đất. Thông tin chi tiết về dữ liệu đầu vào hoặc dữ liệu huấn luyện có trong phiên Geo for Good 2022 này. Dựa trên dữ liệu của Earth Engine, hướng dẫn này cho biết cách đào tạo mô hình trên Vertex AI bằng máy tuỳ chỉnh, chuẩn bị mô hình để lưu trữ, triển khai mô hình đến một điểm cuối và nhận bản đồ dự đoán mô hình tương tác từ Earth Engine.
Lưu trữ mô hình phân đoạn tán cây được huấn luyện trước
Bạn có thể lưu trữ các mô hình được huấn luyện trước để nhận kết quả dự đoán tương tác trong Earth Engine. Ví dụ: Li và cộng sự (2023) đã xuất bản một số mô hình phân đoạn tán cây được triển khai trong TensorFlow. Nếu đầu vào và đầu ra được định hình tương ứng, thì bạn có thể lưu trữ trực tiếp các mô hình này và dùng để dự đoán trong Earth Engine bất cứ khi nào có hình ảnh đầu vào. Hướng dẫn này minh hoạ cách tải mô hình được huấn luyện trước xuống, chuẩn bị mô hình đó để lưu trữ trên Vertex AI và nhận thông tin dự đoán về hình ảnh trong danh mục công khai của Earth Engine.
Rừng quyết định Yggdrasil (YDF)
Rừng quyết định Yggdrasil (YDF) là một cách triển khai các mô hình học máy dựa trên cây phổ biến tương thích với TensorFlow. Bạn có thể huấn luyện, lưu và lưu trữ các mô hình này trên Vertex AI, tương tự như với mạng nơron. Sổ tay này minh hoạ cách cài đặt YDF, huấn luyện một mô hình đơn giản, lưu trữ mô hình trên Vertex AI và nhận thông tin dự đoán tương tác trong Earth Engine.
Không được dùng nữa
Rừng quyết định TensorFlow
Rừng quyết định TensorFlow (TF-DF) là một cách triển khai các mô hình học máy dựa trên cây phổ biến trong TensorFlow. Bạn có thể huấn luyện, lưu và lưu trữ các mô hình này trên Vertex AI, tương tự như với mạng nơron TensorFlow. Sổ tay này minh hoạ cách cài đặt TF-DF, huấn luyện rừng ngẫu nhiên, lưu trữ mô hình trên Vertex AI và nhận thông tin dự đoán tương tác trong Earth Engine.
Hồi quy bằng FCNN
Mạng nơron "lớp phủ" (CNN) chứa một hoặc nhiều lớp phủ, trong đó dữ liệu đầu vào là các vùng lân cận của pixel, dẫn đến một mạng không được kết nối đầy đủ, nhưng phù hợp để xác định các mẫu không gian. Mạng nơron tích chập đầy đủ (FCNN) không chứa lớp liên kết đầy đủ dưới dạng đầu ra. Điều này có nghĩa là mô hình không học một đầu ra toàn cục (tức là một đầu ra cho mỗi hình ảnh), mà là các đầu ra được bản địa hoá (tức là cho mỗi pixel).
Sổ tay Colab này minh hoạ cách sử dụng mô hình UNET, một FCNN được phát triển để phân đoạn hình ảnh y tế, nhằm dự đoán đầu ra liên tục [0,1] trong mỗi pixel từ các vùng lân cận 256x256 pixel. Cụ thể, ví dụ này cho biết cách xuất các bản vá dữ liệu để đào tạo mạng và cách xếp chồng các bản vá hình ảnh để suy luận, nhằm loại bỏ các cấu phần phần mềm lỗi ở ranh giới thẻ thông tin.
Đào tạo về Nền tảng AI
Đối với các mô hình tương đối lớn (như ví dụ về FCNN), thời gian hoạt động của máy ảo miễn phí mà sổ tay Colab chạy trên đó có thể không đủ cho một công việc huấn luyện chạy trong thời gian dài. Cụ thể, nếu lỗi dự đoán dự kiến không được giảm thiểu trên tập dữ liệu đánh giá, thì bạn nên lặp lại quá trình huấn luyện nhiều hơn. Để thực hiện các công việc đào tạo lớn trên đám mây, sổ tay Colab này minh hoạ cách gói mã đào tạo, bắt đầu công việc đào tạo, chuẩn bị SavedModel bằng lệnh earthengine model prepare và nhận thông tin dự đoán trong Earth Engine theo cách tương tác bằng ee.Model.fromAiPlatformPredictor.