画像オブジェクト検出モデルをトレーニングする

このページでは、 Google Cloud コンソールまたは Vertex AI API を使用して、画像データセットから AutoML オブジェクト検出モデルをトレーニングする方法について説明します。

AutoML モデルをトレーニングする

Google Cloud コンソール

  1. Google Cloud コンソールの Vertex AI セクションで、[データセット] ページに移動します。

    [データセット] ページに移動

  2. モデルのトレーニングに使用するデータセットの名前をクリックして、詳細ページを開きます。

  3. [新しいモデルのトレーニング] をクリックします。

  4. トレーニング メソッドとして [AutoML] を選択します。

  5. [モデルを使用する場所の選択] セクションで、モデルのホストの場所を選択します。クラウド、エッジ、または Vertex AI ビジョン。

  6. [続行] をクリックします。

  7. モデルの名前を入力します。

  8. トレーニング データの分割方法を手動で設定する場合は、[ADVANCED OPTIONS] を開き、データ分割オプションを選択します（詳細はこちら）。

  9. [トレーニングを開始] をクリックします。

    データのサイズ、複雑さ、トレーニング予算（指定された場合）に応じて、モデルのトレーニングに何時間もかかることがあります。このタブを閉じて、後で戻ることもできます。モデルのトレーニングが完了すると、メールが送られてきます。

API

お使いの言語または環境に応じて、以下のタブを選択してください。

REST

リクエストのデータを使用する前に、次のように置き換えます。

  • LOCATION: データセットが配置され、モデルが作成されるリージョン。例: us-central1
  • PROJECT: 実際のプロジェクト ID。
  • TRAININGPIPELINE_DISPLAYNAME: 必須。trainingPipeline の表示名。
  • DATASET_ID: トレーニングに使用するデータセットの ID 番号。
  • fractionSplit: 省略可。ML が使用する可能性のあるデータ分割オプションの 1 つ。fractionSplit の場合、値の合計 1 でなければなりません。例:
    • {"trainingFraction": "0.7","validationFraction": "0.15","testFraction": "0.15"}
  • MODEL_DISPLAYNAME*: TrainingPipeline によってアップロード（作成）されたモデルの表示名。
  • MODEL_DESCRIPTION*: モデルの説明。
  • modelToUpload.labels*: モデルを整理するための任意の Key-Value ペアのセット。例:
    • "env": "prod"
    • "tier": "backend"
  • MODELTYPE†: トレーニングする Cloud ホスト型モデルのタイプ。次のオプションがあります。
    • CLOUD_1 - Google Cloud 内で使用するために最適化されたモデルです。このモデルはエクスポートできません。上記の CLOUD_HIGH_ACCURACY_1 モデルや CLOUD_LOW_LATENCY_1 モデルと比較すると、予測品質が高く、レイテンシが低いことが期待されます。
    • CLOUD_HIGH_ACCURACY_1 - Google Cloud 内で使用するために最適化されたモデルです。このモデルはエクスポートできません。このモデルでは、レイテンシが高くなることが予想されますが、他のクラウドモデルよりも予測品質が高くなります。
    • CLOUD_LOW_LATENCY_1 - Google Cloud 内で使用するために最適化されたモデルです。このモデルはエクスポートできません。このモデルはでは、レイテンシが低くなることが予想されますが、他のクラウドモデルよりも予測品質が低くなる可能性があります。
    その他のモデルタイプのオプションは、リファレンス ドキュメントに記載されています。
  • NODE_HOUR_BUDGET†: 実際のトレーニング料金はこの値以下になります。Cloud モデルでは、予算は 20,000～900,000 ミリノード時間（上限、下限を含む）の範囲に収める必要があります。デフォルト値は 216,000 で、9 ノードが使用された場合の 1 日の経過時間に相当します。
  • PROJECT_NUMBER: プロジェクトに自動生成されたプロジェクト番号
* trainingTaskDefinition で指定したスキーマ ファイルの説明により、このフィールドの使用方法が記述されます。
† trainingTaskDefinition で指定したスキーマ ファイルにより、このフィールドが宣言および記述されます。

HTTP メソッドと URL:

POST https://LOCATION-aiplatform.googleapis.com/v1/projects/PROJECT/locations/LOCATION/trainingPipelines

リクエストの本文（JSON）: 

 {   "displayName": "TRAININGPIPELINE_DISPLAYNAME",   "inputDataConfig": {     "datasetId": "DATASET_ID",     "fractionSplit": {       "trainingFraction": "DECIMAL",       "validationFraction": "DECIMAL",       "testFraction": "DECIMAL"     }   },   "modelToUpload": {     "displayName": "MODEL_DISPLAYNAME",     "description": "MODEL_DESCRIPTION",     "labels": {       "KEY": "VALUE"     }   },   "trainingTaskDefinition": "gs://google-cloud-aiplatform/schema/trainingjob/definition/automl_image_object_detection_1.0.0.yaml",   "trainingTaskInputs": {     "modelType": ["MODELTYPE"],     "budgetMilliNodeHours": NODE_HOUR_BUDGET   } }

リクエストを送信するには、次のいずれかのオプションを選択します。

curl

リクエスト本文を request.json という名前のファイルに保存して、次のコマンドを実行します。

curl -X POST \
     -H "Authorization: Bearer $(gcloud auth print-access-token)" \
     -H "Content-Type: application/json; charset=utf-8" \
     -d @request.json \
     "https://LOCATION-aiplatform.googleapis.com/v1/projects/PROJECT/locations/LOCATION/trainingPipelines"

PowerShell

リクエスト本文を request.json という名前のファイルに保存して、次のコマンドを実行します。

$cred = gcloud auth print-access-token
$headers = @{ "Authorization" = "Bearer $cred" }

Invoke-WebRequest `
    -Method POST `
    -Headers $headers `
    -ContentType: "application/json; charset=utf-8" `
    -InFile request.json `
    -Uri "https://LOCATION-aiplatform.googleapis.com/v1/projects/PROJECT/locations/LOCATION/trainingPipelines" | Select-Object -Expand Content

レスポンスには、仕様と TRAININGPIPELINE_ID に関する情報が含まれています。

Java

このサンプルを試す前に、Vertex AI クイックスタート: クライアント ライブラリの使用にある Java の設定手順を完了してください。詳細については、Vertex AI Java API のリファレンス ドキュメントをご覧ください。

Vertex AI に対する認証を行うには、アプリケーションのデフォルト認証情報を設定します。詳細については、ローカル開発環境の認証を設定するをご覧ください。

 import com.google.cloud.aiplatform.util.ValueConverter; import com.google.cloud.aiplatform.v1.DeployedModelRef; import com.google.cloud.aiplatform.v1.EnvVar; import com.google.cloud.aiplatform.v1.FilterSplit; import com.google.cloud.aiplatform.v1.FractionSplit; import com.google.cloud.aiplatform.v1.InputDataConfig; import com.google.cloud.aiplatform.v1.LocationName; import com.google.cloud.aiplatform.v1.Model; import com.google.cloud.aiplatform.v1.Model.ExportFormat; import com.google.cloud.aiplatform.v1.ModelContainerSpec; import com.google.cloud.aiplatform.v1.PipelineServiceClient; import com.google.cloud.aiplatform.v1.PipelineServiceSettings; import com.google.cloud.aiplatform.v1.Port; import com.google.cloud.aiplatform.v1.PredefinedSplit; import com.google.cloud.aiplatform.v1.PredictSchemata; import com.google.cloud.aiplatform.v1.TimestampSplit; import com.google.cloud.aiplatform.v1.TrainingPipeline; import com.google.cloud.aiplatform.v1.schema.trainingjob.definition.AutoMlImageObjectDetectionInputs; import com.google.cloud.aiplatform.v1.schema.trainingjob.definition.AutoMlImageObjectDetectionInputs.ModelType; import com.google.rpc.Status; import java.io.IOException;  public class CreateTrainingPipelineImageObjectDetectionSample {    public static void main(String[] args) throws IOException {     // TODO(developer): Replace these variables before running the sample.     String trainingPipelineDisplayName = "YOUR_TRAINING_PIPELINE_DISPLAY_NAME";     String project = "YOUR_PROJECT_ID";     String datasetId = "YOUR_DATASET_ID";     String modelDisplayName = "YOUR_MODEL_DISPLAY_NAME";     createTrainingPipelineImageObjectDetectionSample(         project, trainingPipelineDisplayName, datasetId, modelDisplayName);   }    static void createTrainingPipelineImageObjectDetectionSample(       String project, String trainingPipelineDisplayName, String datasetId, String modelDisplayName)       throws IOException {     PipelineServiceSettings pipelineServiceSettings =         PipelineServiceSettings.newBuilder()             .setEndpoint("us-central1-aiplatform.googleapis.com:443")             .build();      // Initialize client that will be used to send requests. This client only needs to be created     // once, and can be reused for multiple requests. After completing all of your requests, call     // the "close" method on the client to safely clean up any remaining background resources.     try (PipelineServiceClient pipelineServiceClient =         PipelineServiceClient.create(pipelineServiceSettings)) {       String location = "us-central1";       String trainingTaskDefinition =           "gs://google-cloud-aiplatform/schema/trainingjob/definition/"               + "automl_image_object_detection_1.0.0.yaml";       LocationName locationName = LocationName.of(project, location);        AutoMlImageObjectDetectionInputs autoMlImageObjectDetectionInputs =           AutoMlImageObjectDetectionInputs.newBuilder()               .setModelType(ModelType.CLOUD_HIGH_ACCURACY_1)               .setBudgetMilliNodeHours(20000)               .setDisableEarlyStopping(false)               .build();        InputDataConfig trainingInputDataConfig =           InputDataConfig.newBuilder().setDatasetId(datasetId).build();       Model model = Model.newBuilder().setDisplayName(modelDisplayName).build();       TrainingPipeline trainingPipeline =           TrainingPipeline.newBuilder()               .setDisplayName(trainingPipelineDisplayName)               .setTrainingTaskDefinition(trainingTaskDefinition)               .setTrainingTaskInputs(ValueConverter.toValue(autoMlImageObjectDetectionInputs))               .setInputDataConfig(trainingInputDataConfig)               .setModelToUpload(model)               .build();        TrainingPipeline trainingPipelineResponse =           pipelineServiceClient.createTrainingPipeline(locationName, trainingPipeline);        System.out.println("Create Training Pipeline Image Object Detection Response");       System.out.format("Name: %s\n", trainingPipelineResponse.getName());       System.out.format("Display Name: %s\n", trainingPipelineResponse.getDisplayName());        System.out.format(           "Training Task Definition %s\n", trainingPipelineResponse.getTrainingTaskDefinition());       System.out.format(           "Training Task Inputs: %s\n", trainingPipelineResponse.getTrainingTaskInputs());       System.out.format(           "Training Task Metadata: %s\n", trainingPipelineResponse.getTrainingTaskMetadata());       System.out.format("State: %s\n", trainingPipelineResponse.getState());        System.out.format("Create Time: %s\n", trainingPipelineResponse.getCreateTime());       System.out.format("StartTime %s\n", trainingPipelineResponse.getStartTime());       System.out.format("End Time: %s\n", trainingPipelineResponse.getEndTime());       System.out.format("Update Time: %s\n", trainingPipelineResponse.getUpdateTime());       System.out.format("Labels: %s\n", trainingPipelineResponse.getLabelsMap());        InputDataConfig inputDataConfig = trainingPipelineResponse.getInputDataConfig();       System.out.println("Input Data Config");       System.out.format("Dataset Id: %s", inputDataConfig.getDatasetId());       System.out.format("Annotations Filter: %s\n", inputDataConfig.getAnnotationsFilter());        FractionSplit fractionSplit = inputDataConfig.getFractionSplit();       System.out.println("Fraction Split");       System.out.format("Training Fraction: %s\n", fractionSplit.getTrainingFraction());       System.out.format("Validation Fraction: %s\n", fractionSplit.getValidationFraction());       System.out.format("Test Fraction: %s\n", fractionSplit.getTestFraction());        FilterSplit filterSplit = inputDataConfig.getFilterSplit();       System.out.println("Filter Split");       System.out.format("Training Filter: %s\n", filterSplit.getTrainingFilter());       System.out.format("Validation Filter: %s\n", filterSplit.getValidationFilter());       System.out.format("Test Filter: %s\n", filterSplit.getTestFilter());        PredefinedSplit predefinedSplit = inputDataConfig.getPredefinedSplit();       System.out.println("Predefined Split");       System.out.format("Key: %s\n", predefinedSplit.getKey());        TimestampSplit timestampSplit = inputDataConfig.getTimestampSplit();       System.out.println("Timestamp Split");       System.out.format("Training Fraction: %s\n", timestampSplit.getTrainingFraction());       System.out.format("Validation Fraction: %s\n", timestampSplit.getValidationFraction());       System.out.format("Test Fraction: %s\n", timestampSplit.getTestFraction());       System.out.format("Key: %s\n", timestampSplit.getKey());        Model modelResponse = trainingPipelineResponse.getModelToUpload();       System.out.println("Model To Upload");       System.out.format("Name: %s\n", modelResponse.getName());       System.out.format("Display Name: %s\n", modelResponse.getDisplayName());       System.out.format("Description: %s\n", modelResponse.getDescription());        System.out.format("Metadata Schema Uri: %s\n", modelResponse.getMetadataSchemaUri());       System.out.format("Metadata: %s\n", modelResponse.getMetadata());       System.out.format("Training Pipeline: %s\n", modelResponse.getTrainingPipeline());       System.out.format("Artifact Uri: %s\n", modelResponse.getArtifactUri());        System.out.format(           "Supported Deployment Resources Types: %s\n",           modelResponse.getSupportedDeploymentResourcesTypesList());       System.out.format(           "Supported Input Storage Formats: %s\n",           modelResponse.getSupportedInputStorageFormatsList());       System.out.format(           "Supported Output Storage Formats: %s\n",           modelResponse.getSupportedOutputStorageFormatsList());        System.out.format("Create Time: %s\n", modelResponse.getCreateTime());       System.out.format("Update Time: %s\n", modelResponse.getUpdateTime());       System.out.format("Labels: %sn\n", modelResponse.getLabelsMap());        PredictSchemata predictSchemata = modelResponse.getPredictSchemata();       System.out.println("Predict Schemata");       System.out.format("Instance Schema Uri: %s\n", predictSchemata.getInstanceSchemaUri());       System.out.format("Parameters Schema Uri: %s\n", predictSchemata.getParametersSchemaUri());       System.out.format("Prediction Schema Uri: %s\n", predictSchemata.getPredictionSchemaUri());        for (ExportFormat exportFormat : modelResponse.getSupportedExportFormatsList()) {         System.out.println("Supported Export Format");         System.out.format("Id: %s\n", exportFormat.getId());       }        ModelContainerSpec modelContainerSpec = modelResponse.getContainerSpec();       System.out.println("Container Spec");       System.out.format("Image Uri: %s\n", modelContainerSpec.getImageUri());       System.out.format("Command: %s\n", modelContainerSpec.getCommandList());       System.out.format("Args: %s\n", modelContainerSpec.getArgsList());       System.out.format("Predict Route: %s\n", modelContainerSpec.getPredictRoute());       System.out.format("Health Route: %s\n", modelContainerSpec.getHealthRoute());        for (EnvVar envVar : modelContainerSpec.getEnvList()) {         System.out.println("Env");         System.out.format("Name: %s\n", envVar.getName());         System.out.format("Value: %s\n", envVar.getValue());       }        for (Port port : modelContainerSpec.getPortsList()) {         System.out.println("Port");         System.out.format("Container Port: %s\n", port.getContainerPort());       }        for (DeployedModelRef deployedModelRef : modelResponse.getDeployedModelsList()) {         System.out.println("Deployed Model");         System.out.format("Endpoint: %s\n", deployedModelRef.getEndpoint());         System.out.format("Deployed Model Id: %s\n", deployedModelRef.getDeployedModelId());       }        Status status = trainingPipelineResponse.getError();       System.out.println("Error");       System.out.format("Code: %s\n", status.getCode());       System.out.format("Message: %s\n", status.getMessage());     }   } }

Node.js

このサンプルを試す前に、Vertex AI クイックスタート: クライアント ライブラリの使用にある Node.js の設定手順を完了してください。詳細については、Vertex AI Node.js API のリファレンス ドキュメントをご覧ください。

Vertex AI に対する認証を行うには、アプリケーションのデフォルト認証情報を設定します。詳細については、ローカル開発環境の認証を設定するをご覧ください。

/**  * TODO(developer): Uncomment these variables before running the sample.\  * (Not necessary if passing values as arguments)  */  // const datasetId = 'YOUR_DATASET_ID'; // const modelDisplayName = 'YOUR_MODEL_DISPLAY_NAME'; // const trainingPipelineDisplayName = 'YOUR_TRAINING_PIPELINE_DISPLAY_NAME'; // const project = 'YOUR_PROJECT_ID'; // const location = 'YOUR_PROJECT_LOCATION';  const aiplatform = require('@google-cloud/aiplatform'); const {definition} =   aiplatform.protos.google.cloud.aiplatform.v1.schema.trainingjob; const ModelType = definition.AutoMlImageObjectDetectionInputs.ModelType;  // Imports the Google Cloud Pipeline Service Client library const {PipelineServiceClient} = aiplatform.v1;  // Specifies the location of the api endpoint const clientOptions = {   apiEndpoint: 'us-central1-aiplatform.googleapis.com', };  // Instantiates a client const pipelineServiceClient = new PipelineServiceClient(clientOptions);  async function createTrainingPipelineImageObjectDetection() {   // Configure the parent resource   const parent = `projects/${project}/locations/${location}`;    const trainingTaskInputsObj =     new definition.AutoMlImageObjectDetectionInputs({       disableEarlyStopping: false,       modelType: ModelType.CLOUD_1,       budgetMilliNodeHours: 20000,     });    const trainingTaskInputs = trainingTaskInputsObj.toValue();   const modelToUpload = {displayName: modelDisplayName};   const inputDataConfig = {datasetId: datasetId};   const trainingPipeline = {     displayName: trainingPipelineDisplayName,     trainingTaskDefinition:       'gs://google-cloud-aiplatform/schema/trainingjob/definition/automl_image_object_detection_1.0.0.yaml',     trainingTaskInputs,     inputDataConfig,     modelToUpload,   };   const request = {     parent,     trainingPipeline,   };    // Create training pipeline request   const [response] =     await pipelineServiceClient.createTrainingPipeline(request);    console.log('Create training pipeline image object detection response');   console.log(`Name : ${response.name}`);   console.log('Raw response:');   console.log(JSON.stringify(response, null, 2)); } createTrainingPipelineImageObjectDetection();

Python

Vertex AI SDK for Python のインストールまたは更新の方法については、Vertex AI SDK for Python をインストールするをご覧ください。詳細については、Python API リファレンス ドキュメントをご覧ください。

from google.cloud import aiplatform from google.cloud.aiplatform.gapic.schema import trainingjob   def create_training_pipeline_image_object_detection_sample(     project: str,     display_name: str,     dataset_id: str,     model_display_name: str,     location: str = "us-central1",     api_endpoint: str = "us-central1-aiplatform.googleapis.com", ):     # The AI Platform services require regional API endpoints.     client_options = {"api_endpoint": api_endpoint}     # Initialize client that will be used to create and send requests.     # This client only needs to be created once, and can be reused for multiple requests.     client = aiplatform.gapic.PipelineServiceClient(client_options=client_options)     training_task_inputs = trainingjob.definition.AutoMlImageObjectDetectionInputs(         model_type="CLOUD_HIGH_ACCURACY_1",         budget_milli_node_hours=20000,         disable_early_stopping=False,     ).to_value()      training_pipeline = {         "display_name": display_name,         "training_task_definition": "gs://google-cloud-aiplatform/schema/trainingjob/definition/automl_image_object_detection_1.0.0.yaml",         "training_task_inputs": training_task_inputs,         "input_data_config": {"dataset_id": dataset_id},         "model_to_upload": {"display_name": model_display_name},     }     parent = f"projects/{project}/locations/{location}"     response = client.create_training_pipeline(         parent=parent, training_pipeline=training_pipeline     )     print("response:", response)

REST を使用してデータ分割を制御する

トレーニング セット、検証セット、テストセットの間でトレーニング データをどのように分割するかを制御できます。Vertex AI API を使用する場合は、Split オブジェクトを使用してデータの分割を決定します。トレーニング データの分割に使用できるオブジェクト タイプの一つとして、Split オブジェクトを InputConfig オブジェクトに含めることができます。選択できるメソッドは 1 つのみです。

  • FractionSplit:
    • TRAINING_FRACTION: トレーニング セットに使用されるトレーニング データの割合。
    • VALIDATION_FRACTION: 検証セットに使用されるトレーニング データの割合。動画データに対しては使用されません。
    • TEST_FRACTION: テストセットに使用されるトレーニング データの割合。

    いずれか一つでも指定する場合は、すべてを指定する必要があります。割合の合計が 1.0 になるようにしてください。割合のデフォルト値は、データ型によって異なります。詳細については、こちらをご覧ください。

     "fractionSplit": {   "trainingFraction": TRAINING_FRACTION,   "validationFraction": VALIDATION_FRACTION,   "testFraction": TEST_FRACTION },
  • FilterSplit:
    • TRAINING_FILTER: このフィルタに一致するデータ項目がトレーニング セットに使用されます。
    • VALIDATION_FILTER: このフィルタに一致するデータ項目が検証セットに使用されます。動画データの場合は "-" にする必要があります。
    • TEST_FILTER: このフィルタに一致するデータ項目がテストセットに使用されます。

    これらのフィルタは、ml_use ラベル、またはデータに適用された任意のラベルとともに使用できます。ml-use ラベルとその他のラベルを使用してデータをフィルタリングする方法をご確認ください。

    次の例は、検証セットを含む、ml_use ラベルを持つ filterSplit オブジェクトの使用方法を示しています。

     "filterSplit": { "trainingFilter": "labels.aiplatform.googleapis.com/ml_use=training", "validationFilter": "labels.aiplatform.googleapis.com/ml_use=validation", "testFilter": "labels.aiplatform.googleapis.com/ml_use=test" }
前へ
データセットを作成
次へ
モデルの評価