Les exemples de cette page montrent comment utiliser Vertex AI avec Earth Engine. Pour en savoir plus, consultez la page des modèles hébergés. Ces exemples utilisent l'API Python Earth Engine exécutée dans des notebooks Colab.
Coûts
AutoML
Classification des cultures avec peu de code
AutoML vous permet de créer et d'entraîner un modèle avec un minimum d'efforts techniques. Cet exemple montre comment entraîner et déployer un modèle tabulaire AutoML à l'aide du SDK Python Vertex AI, puis s'y connecter depuis Earth Engine pour classer les types de cultures à partir d'images aériennes du National Agriculture Imagery Program (NAIP).
Exécuter dans Google Colab
Afficher la source sur GitHub
PyTorch
Classification de l'occupation des sols avec un CNN
Cet exemple présente un CNN simple qui prend plusieurs vecteurs spectraux en entrée (c'est-à-dire un pixel à la fois) et renvoie une seule étiquette de classe par pixel. Le notebook Colab montre comment créer le CNN, l'entraîner avec des données d'Earth Engine, le déployer sur Vertex AI et obtenir des prédictions à partir du modèle dans Earth Engine.
TensorFlow
Prédiction multiclasse avec un DNN à partir de zéro
Un réseau de neurones profond (RNN) est un réseau de neurones artificiels (RNA) avec une ou plusieurs couches cachées. Cet exemple présente un RNN simple avec une seule couche cachée. Le DNN prend des vecteurs spectraux en entrée (c'est-à-dire un pixel à la fois) et génère une seule étiquette de classe et des probabilités de classe par pixel. Le notebook Colab montre comment créer le RNN, l'entraîner avec des données d'Earth Engine, effectuer des prédictions sur les images exportées et importer les prédictions dans Earth Engine.
Prédiction multiclasse avec un RNN hébergé sur Vertex AI
Vous pouvez obtenir des prédictions à partir d'un modèle hébergé sur Vertex AI directement dans Earth Engine (par exemple, dans l'éditeur de code). Ce guide explique comment entraîner, enregistrer et préparer un modèle TensorFlow pour l'hébergement, le déployer sur un point de terminaison Vertex AI, et obtenir une carte des prédictions de modèle interactives à partir d'Earth Engine.
Segmentation sémantique avec un CNN fonctionnel entraîné et hébergé sur Vertex AI
Ce guide présente la segmentation sémantique pour la cartographie de l'occupation des sols. Pour en savoir plus sur les entrées ou les données d'entraînement, consultez cette session Geo for Good 2022. Ce guide, basé sur les données d'Earth Engine, explique comment entraîner un modèle sur Vertex AI à l'aide d'une machine personnalisée, préparer le modèle pour l'hébergement, le déployer sur un point de terminaison, et obtenir une carte des prédictions interactives du modèle à partir d'Earth Engine.
Héberger un modèle de segmentation des cimes d'arbres pré-entraîné
Vous pouvez héberger des modèles pré-entraînés pour obtenir des prédictions interactives dans Earth Engine. Par exemple, Li et al. (2023) ont publié plusieurs modèles de segmentation de la cime des arbres implémentés dans TensorFlow. Si les entrées et les sorties sont mises en forme en conséquence, ces modèles peuvent être hébergés directement et utilisés pour obtenir des prédictions dans Earth Engine partout où il y a des images d'entrée. Ce guide explique comment télécharger un modèle pré-entraîné, le préparer à l'hébergement sur Vertex AI et obtenir des prédictions sur les images du catalogue public Earth Engine.
Yggdrasil Decision Forests (YDF)
Yggdrasil Decision Forests (YDF) est une implémentation de modèles de machine learning basés sur des arbres populaires compatibles avec TensorFlow. Ces modèles peuvent être entraînés, enregistrés et hébergés sur Vertex AI, comme pour les réseaux de neurones. Ce notebook explique comment installer YDF, entraîner un modèle simple, l'héberger sur Vertex AI et obtenir des prédictions interactives dans Earth Engine.
Obsolète
TensorFlow Decision Forests
TensorFlow Decision Forests (TF-DF) est une implémentation de modèles de machine learning basés sur des arbres populaires dans TensorFlow. Vous pouvez entraîner, enregistrer et héberger ces modèles sur Vertex AI, comme avec les réseaux de neurones TensorFlow. Ce notebook explique comment installer TF-DF, entraîner une forêt aléatoire, héberger le modèle sur Vertex AI et obtenir des prédictions interactives dans Earth Engine.
Régression avec un FCNN
Un réseau de neurones "convolutif" (CNN) contient une ou plusieurs couches convolutives, dans lesquelles les entrées sont des voisinages de pixels, ce qui donne un réseau qui n'est pas entièrement connecté, mais qui est adapté à l'identification des tendances spatiales. Un réseau de neurones entièrement convolutif (FCNN) ne contient pas de couche entièrement connectée en sortie. Cela signifie qu'il n'apprend pas une sortie globale (une seule sortie par image), mais plutôt des sorties localisées (par pixel).
Ce notebook Colab montre comment utiliser le modèle UNET, un CNN fonctionnel développé pour la segmentation d'images médicales, pour prédire une sortie continue [0,1] dans chaque pixel à partir de voisinages de pixels de 256 x 256. Plus précisément, cet exemple montre comment exporter des extraits de données pour entraîner le réseau et comment superposer des extraits d'image pour l'inférence, afin d'éliminer les artefacts de la limite des tuiles.
Entraînement sur AI Platform
Pour les modèles relativement volumineux (comme l'exemple de FCNN), la longévité de la machine virtuelle sans frais sur laquelle les notebooks Colab s'exécutent peut ne pas être suffisante pour une tâche d'entraînement de longue durée. Plus précisément, si l'erreur de prédiction attendue n'est pas minimisée sur l'ensemble de données d'évaluation, il peut être prudent d'effectuer davantage d'itérations d'entraînement. Pour effectuer de grandes tâches d'entraînement dans le cloud, ce notebook Colab montre comment empaqueter votre code d'entraînement, démarrer une tâche d'entraînement, préparer un SavedModel avec la commande earthengine model prepare et obtenir des prédictions dans Earth Engine de manière interactive avec ee.Model.fromAiPlatformPredictor.