Przykłady na tej stronie pokazują, jak korzystać z Vertex AI w Earth Engine. Więcej informacji znajdziesz na stronie hostowanych modeli. Te przykłady korzystają z interfejsu Python API Earth Engine działającego w notatnikach Colab.
Koszty
AutoML
Klasyfikacja upraw o niskim nakładzie kodu
AutoML umożliwia tworzenie i trenowanie modelu przy minimalnym nakładzie pracy technicznej. Ten przykład pokazuje trenowanie i wdrażanie modelu tabelarycznego AutoML za pomocą pakietu Vertex AI Python SDK, a następnie łączenie go z Earth Engine w celu klasyfikowania typów upraw na podstawie zdjęć lotniczych z ramy programu National Agriculture Imagery Program (NAIP).
Uruchom w Google Colab
Wyświetl źródło na GitHubie
PyTorch
Klasyfikacja pokrycia terenu za pomocą sieci CNN
Ten przykład pokazuje prosty model CNN, który przyjmuje jako dane wejściowe kilka wektorów widmowych (czyli po jednym pikselu naraz) i wydaje po jednej etykiecie klasy na piksel. W notatniku w Colab możesz zobaczyć, jak utworzyć sieć CNN, wytrenować ją na danych z Earth Engine, wdrożyć model w Vertex AI oraz uzyskać prognozy z modelu w Earth Engine.
Tensorflow
Prognozy wieloklasowe z modelem DNN od podstaw
„Głęboka” sieć neuronowa (DNN) to sztuczna sieć neuronowa (ANN) z co najmniej 1 ukrytą warstwą. Ten przykład pokazuje prostą sieć DNN z jedną warstwą ukrytą. DNN otrzymuje wektory widmowe jako dane wejściowe (czyli po jednym pikselu naraz) i zwraca etykietę pojedynczej klasy oraz prawdopodobieństwa klas na poszczególne piksele. W notatniku Colab możesz zobaczyć, jak utworzyć DNN, przeszkolić go na podstawie danych z Earth Engine, generować prognozy na podstawie wyeksportowanych zdjęć i importować prognozy do Earth Engine.
Prognozy wieloklasowe z użyciem sieci DNN hostowanej w Vertex AI
Prognozy z modelu hostowanego w Vertex AI możesz uzyskiwać bezpośrednio w Earth Engine (np. w Edytorze kodu). Ten przewodnik pokazuje, jak trenować, zapisywać i przygotowywać model TensorFlow do hostowania, wdrażać go w punkcie końcowym Vertex AI oraz uzyskiwać mapę interaktywnych prognoz modelu z Earth Engine.
Segmentacja semantyczna za pomocą sieci FCNN wytrenowanej i hostowanej w Vertex AI
Ten przewodnik pokazuje, jak stosować segmentację semantyczną do mapowania pokrycia terenu. Szczegółowe informacje o danych wejściowych i danych treningowych znajdziesz w sesji Geo for Good z 2022 r. Ten przewodnik oparty na danych z Earth Engine pokazuje, jak trenować model w Vertex AI za pomocą niestandardowego komputera, przygotować model do hostowania, wdrożyć go w punkcie końcowym oraz uzyskać mapę interaktywnych prognoz modelu z Earth Engine.
Hostowanie wytrenowanego modelu segmentacji korony drzewa
Możesz hostować wstępnie przetrenowane modele, aby uzyskiwać interaktywne prognozy w Earth Engine. Na przykład Li i in. (2023) opublikowali kilka modeli segmentacji korony drzewa zaimplementowanych w TensorFlow. Jeśli dane wejściowe i wyjściowe są odpowiednio ukształtowane, modele te można hostować bezpośrednio i wykorzystywać do uzyskiwania prognoz w Earth Engine w przypadku dowolnych danych wejściowych. W tym przewodniku dowiesz się, jak pobrać wytrenowany model, przygotować go do hostowania w Vertex AI i uzyskać prognozy dotyczące zdjęć w katalogu publicznym Earth Engine.
Yggdrasil Decision Forests (YDF)
Yggdrasil Decision Forests (YDF) to implementacja popularnych modeli uczenia maszynowego opartych na drzewach, zgodna z TensorFlow. Podobnie jak w przypadku sieci neuronowych, modele te można trenować, zapisywać i hostować w Vertex AI. Ten notatnik pokazuje, jak zainstalować YDF, wytrenować prosty model, hostować go w Vertex AI oraz uzyskiwać interaktywne prognozy w Earth Engine.
Wycofano
TensorFlow Decision Forests
TensorFlow Decision Forests (TF-DF) to implementacja popularnych modeli uczenia maszynowego opartych na drzewach w TensorFlow. Podobnie jak w przypadku sieci neuronowych TensorFlow, modele te można trenować, zapisywać i hostować w Vertex AI. Ten notatnik pokazuje, jak zainstalować TF-DF, wytrenować las losowy, hostować model w Vertex AI oraz uzyskiwać interaktywne prognozy w Earth Engine.
Regresja z siecią FCNN
Sieć neuronowa (CNN) o strukturze splotkowej zawiera co najmniej 1 warstwę splotkową, w której dane wejściowe stanowią sąsiedztwo pikseli, co powoduje, że sieć nie jest w pełni połączona, ale nadaje się do identyfikowania wzorów przestrzennych. Pełna sieć neuronowa koniunkcyjna (FCNN) nie zawiera w wyjściu warstwy w pełni połączonej. Oznacza to, że nie uczy się globalnego wyniku (czyli jednego wyniku na obraz), lecz raczej wyniki zlokalizowane (czyli na piksel).
Ten notatnik w Colab pokazuje, jak używać modelu UNET, czyli sieci FCNN opracowanej do segmentacji obrazów medycznych, do prognozowania ciągłego wyjścia [0,1] w każdym pikselu z sąsiedztwa 256 × 256 pikseli. W tym przykładzie pokazano, jak eksportować fragmenty danych do trenowania sieci oraz jak nakładać na siebie fragmenty obrazu na potrzeby wnioskowania, aby wyeliminować artefakty na granicach fragmentów.
Trenowanie w AI Platform
W przypadku stosunkowo dużych modeli (takich jak FCNN) czas działania bezpłatnej maszyny wirtualnej, na której działają notatniki Colab, może nie wystarczyć do długotrwałego zadania trenowania. Jeśli oczekiwany błąd prognozy nie zostanie zminimalizowany w zbiorze danych do oceny, warto przeprowadzić więcej iteracji treningu. W tym notatniku Colab pokazujemy, jak wykonywać duże zadania trenowania w chmurze. Możesz zapakować kod treningowy, rozpocząć zadanie treningowe, przygotować SavedModel za pomocą polecenia earthengine model prepare oraz uzyskać prognozy w Earth Engine w sposób interaktywny za pomocą polecenia ee.Model.fromAiPlatformPredictor.