GSP972

Übersicht

Agent Platform fasst die Google Cloud-Dienste zum Erstellen von Machine-Learning-Modellen unter einer einzigen einheitlichen Benutzeroberfläche und API zusammen. In Agent Platform können Sie Modelle mit AutoML oder benutzerdefiniertem Codetraining jetzt ganz einfach trainieren und vergleichen. Alle Ihre Modelle werden in einem zentralen Modell-Repository gespeichert. Diese Modelle können jetzt auf denselben Endpunkten in Agent Platform bereitgestellt werden.

Mithilfe von Agent Platform AutoML können auch mit wenig Fachwissen im Bereich Machine Learning (ML) qualitativ hochwertige Modelle zur Bildklassifizierung trainiert werden. In diesem praxisorientierten Lab lernen Sie, wie Sie ein benutzerdefiniertes ML-Modell erstellen, das beschädigte Autoteile automatisch erkennt. Die Trainingsdauer des Modells überschreitet das Zeitlimit des Labs. Daher werden Sie mit einem in einem anderen Projekt gehosteten Modell interagieren, das mit demselben Dataset trainiert wurde, und von diesem Vorhersagen anfordern. Anschließend werden Sie die Werte für die Daten der Vorhersageanfrage anpassen und untersuchen, wie dies die resultierende Vorhersage des Modells verändert.

Lernziele

Aufgaben in diesem Lab:

• Dataset mit Labels als CSV-Datei in Cloud Storage hochladen und als verwaltetes Dataset mit Agent Platform verbinden
• Hochgeladene Bilder prüfen, um ein fehlerfreies Dataset sicherzustellen
• Modelltrainingsjob für AutoML starten
• Vorhersagen von einem gehosteten Modell anfordern, das mit demselben Dataset trainiert wurde

Einrichtung und Anforderungen

Vor dem Klick auf „Start Lab“ (Lab starten)

Lesen Sie diese Anleitung. Labs sind zeitlich begrenzt und können nicht pausiert werden. Der Timer beginnt zu laufen, wenn Sie auf Lab starten klicken, und zeigt Ihnen, wie lange Google Cloud-Ressourcen für das Lab verfügbar sind.

In diesem praxisorientierten Lab können Sie die Lab-Aktivitäten in einer echten Cloud-Umgebung durchführen – nicht in einer Simulations- oder Demo-Umgebung. Dazu erhalten Sie neue, temporäre Anmeldedaten, mit denen Sie für die Dauer des Labs auf Google Cloud zugreifen können.

Für dieses Lab benötigen Sie Folgendes:

• Einen Standardbrowser (empfohlen wird Chrome)

Hinweis: Nutzen Sie den privaten oder Inkognitomodus (empfohlen), um dieses Lab durchzuführen. So wird verhindert, dass es zu Konflikten zwischen Ihrem persönlichen Konto und dem Teilnehmerkonto kommt und zusätzliche Gebühren für Ihr persönliches Konto erhoben werden.

• Zeit für die Durchführung des Labs – denken Sie daran, dass Sie ein begonnenes Lab nicht unterbrechen können.

Hinweis: Verwenden Sie für dieses Lab nur das Teilnehmerkonto. Wenn Sie ein anderes Google Cloud-Konto verwenden, fallen dafür möglicherweise Kosten an.

Lab starten und bei der Google Cloud Console anmelden

1. Klicken Sie auf Lab starten. Wenn Sie für das Lab bezahlen müssen, wird ein Dialogfeld geöffnet, in dem Sie Ihre Zahlungsmethode auswählen können. Auf der linken Seite befindet sich der Bereich „Details zum Lab“ mit diesen Informationen:

   • Schaltfläche „Google Cloud Console öffnen“
   • Restzeit
   • Temporäre Anmeldedaten für das Lab
   • Ggf. weitere Informationen für dieses Lab

2. Klicken Sie auf Google Cloud Console öffnen (oder klicken Sie mit der rechten Maustaste und wählen Sie Link in Inkognitofenster öffnen aus, wenn Sie Chrome verwenden).

   Im Lab werden Ressourcen aktiviert. Anschließend wird ein weiterer Tab mit der Seite „Anmelden“ geöffnet.

   Tipp: Ordnen Sie die Tabs nebeneinander in separaten Fenstern an.

   Hinweis: Wird das Dialogfeld Konto auswählen angezeigt, klicken Sie auf Anderes Konto verwenden.

3. Kopieren Sie bei Bedarf den folgenden Nutzernamen und fügen Sie ihn in das Dialogfeld Anmelden ein.

   {{{user_0.username | "Username"}}}

   Sie finden den Nutzernamen auch im Bereich „Details zum Lab“.

4. Klicken Sie auf Weiter.

5. Kopieren Sie das folgende Passwort und fügen Sie es in das Dialogfeld Willkommen ein.

   {{{user_0.password | "Password"}}}

   Sie finden das Passwort auch im Bereich „Details zum Lab“.

6. Klicken Sie auf Weiter.

   Wichtig: Sie müssen die für das Lab bereitgestellten Anmeldedaten verwenden. Nutzen Sie nicht die Anmeldedaten Ihres Google Cloud-Kontos. Hinweis: Wenn Sie Ihr eigenes Google Cloud-Konto für dieses Lab nutzen, können zusätzliche Kosten anfallen.

7. Klicken Sie sich durch die nachfolgenden Seiten:

   • Akzeptieren Sie die Nutzungsbedingungen.
   • Fügen Sie keine Wiederherstellungsoptionen oder Zwei-Faktor-Authentifizierung hinzu (da dies nur ein temporäres Konto ist).
   • Melden Sie sich nicht für kostenlose Testversionen an.

Nach wenigen Augenblicken wird die Google Cloud Console in diesem Tab geöffnet.

Hinweis: Wenn Sie auf Google Cloud-Produkte und ‑Dienste zugreifen möchten, klicken Sie auf das Navigationsmenü oder geben Sie den Namen des Produkts oder Dienstes in das Feld Suchen ein.

Cloud Shell aktivieren

Cloud Shell ist eine virtuelle Maschine, auf der Entwicklertools installiert sind. Sie bietet ein Basisverzeichnis mit 5 GB nichtflüchtigem Speicher und läuft auf Google Cloud. Mit Cloud Shell erhalten Sie Befehlszeilenzugriff auf Ihre Google Cloud-Ressourcen.

1. Klicken Sie oben in der Google Cloud Console auf Cloud Shell aktivieren .

2. Klicken Sie sich durch die folgenden Fenster:

   • Fahren Sie mit dem Informationsfenster zu Cloud Shell fort.
   • Autorisieren Sie Cloud Shell, Ihre Anmeldedaten für Google Cloud API-Aufrufe zu verwenden.

Wenn eine Verbindung besteht, sind Sie bereits authentifiziert und das Projekt ist auf Project_ID, eingestellt. Die Ausgabe enthält eine Zeile, in der die Project_ID für diese Sitzung angegeben ist:

Ihr Cloud-Projekt in dieser Sitzung ist festgelegt als {{{project_0.project_id | "PROJECT_ID"}}}

gcloud ist das Befehlszeilentool für Google Cloud. Das Tool ist in Cloud Shell vorinstalliert und unterstützt die Tab-Vervollständigung.

3. (Optional) Sie können den aktiven Kontonamen mit diesem Befehl auflisten:

gcloud auth list

4. Klicken Sie auf Autorisieren.

Ausgabe:

ACTIVE: * ACCOUNT: {{{user_0.username | "ACCOUNT"}}} Um das aktive Konto festzulegen, führen Sie diesen Befehl aus: $ gcloud config set account `ACCOUNT`

5. (Optional) Sie können die Projekt-ID mit diesem Befehl auflisten:

gcloud config list project

Ausgabe:

[core] project = {{{project_0.project_id | "PROJECT_ID"}}} Hinweis: Die vollständige Dokumentation für gcloud finden Sie in Google Cloud in der Übersicht zur gcloud CLI.

Aufgabe 1: Trainingsbilder in Cloud Storage hochladen

In dieser Aufgabe laden Sie die Trainingsbilder, die Sie verwenden möchten, in Cloud Storage hoch. Dies erleichtert das spätere Importieren der Daten in Agent Platform.

Um ein Modell zu trainieren, Bilder von beschädigten Autoteilen zu klassifizieren, müssen Sie diesem Trainingsdaten mit Labels bereitstellen. Das Modell entwickelt anhand der Daten ein Verständnis für die Bilder und unterscheidet dann zwischen Bildern von Autoteilen mit und ohne Beschädigung.

Hinweis: In diesem Lab müssen Sie die Bilder nicht mit Labels versehen, da ein gelabeltes Dataset (d. h. jeweils Bild plus Label) als CSV-Datei bereitgestellt wurde. Im nächsten Abschnitt sind die Schritte zur Verwendung der CSV-Datei beschrieben.

In diesem Beispiel lernt das Modell, fünf verschiedene beschädigte Autoteile zu klassifizieren: Stoßfänger, Motorraum, Motorhaube, Kotflügel und Frontscheibe.

Cloud Storage-Bucket erstellen

• Öffnen Sie ein Cloud Shell-Fenster und führen Sie den folgenden Befehl aus, um einen Cloud Storage-Bucket zu erstellen:

gsutil mb -p {{{project_0.project_id | PROJECT_ID}}} \ -c standard \ -l "{{{project_0.default_region | REGION}}}" \ gs://{{{project_0.project_id | BUCKET}}}

Autobilder in den Storage-Bucket hochladen

Die Trainingsbilder sind in einem Cloud Storage-Bucket öffentlich verfügbar. Kopieren Sie die Script-Vorlage unten und fügen Sie sie in die Cloud Shell ein, um die Bilder in Ihren Bucket zu kopieren.

1. Verwenden Sie den folgenden Befehl, um Bilder in den Cloud Storage-Bucket zu kopieren:

gsutil -m cp -r gs://car_damage_lab_images/* gs://{{{project_0.project_id | BUCKET}}}

2. Klicken Sie im Navigationsbereich auf Cloud Storage > Buckets.

3. Klicken Sie oben im Cloud Storage-Browser auf den Button Aktualisieren.

4. Klicken Sie auf den Namen Ihres Buckets. Sie sollten fünf Ordner mit Fotos für jedes der beschädigten Autoteile sehen, die klassifiziert werden sollen:

5. Sie können optional einen der Ordner öffnen, um sich die enthaltenen Bilder anzusehen.

Prima! Die Autobilder sind nun organisiert und bereit für das Training.

Klicken Sie auf Fortschritt prüfen. Autobilder in den Storage-Bucket hochladen

Aufgabe 2: Dataset erstellen

In dieser Aufgabe erstellen Sie ein neues Dataset und verbinden es mit Ihren Trainingsbildern, damit Agent Platform auf diese zugreifen kann.

Normalerweise würden Sie eine CSV-Datei erstellen, in der jede Zeile eine URL zu einem Trainingsbild und das zugehörige Label enthält. In diesem Fall wurde die CSV-Datei bereits für Sie erstellt. Sie müssen sie nur mit dem Namen Ihres Buckets aktualisieren und sie dann in Ihren Cloud Storage-Bucket hochladen.

CSV-Datei aktualisieren

Kopieren Sie die Script-Vorlagen unten, fügen Sie sie in die Cloud Shell ein und drücken Sie die Eingabetaste, um die CSV-Datei hochzuladen.

1. Verwenden Sie den folgenden Befehl, um eine Kopie der Datei zu erstellen:

gsutil cp gs://car_damage_lab_metadata/data.csv .

2. Verwenden Sie den folgenden Befehl, um die CSV-Datei mit dem Pfad zu Ihrem Storage-Bucket zu aktualisieren:

sed -i -e "s/car_damage_lab_images/{{{project_0.project_id | BUCKET}}}/g" ./data.csv

3. Führen Sie den folgenden Befehl aus, um zu prüfen, ob der Name Ihres Buckets korrekt in die CSV-Datei eingefügt wurde:

cat ./data.csv

4. Verwenden Sie den folgenden Befehl, um die CSV-Datei in den Cloud Storage-Bucket hochzuladen:

gsutil cp ./data.csv gs://{{{project_0.project_id | BUCKET}}}

5. Wenn die Ausführung des Befehls abgeschlossen wurde, klicken Sie oben im Cloud Storage-Browser auf den Button Aktualisieren und öffnen Sie dann den Bucket.

6. Überprüfen Sie, ob die Datei data.csv in Ihrem Bucket vorhanden ist.

Gemini Code Assist in der Cloud Shell-IDE aktivieren

Sie können Gemini Code Assist in einer integrierten Entwicklungsumgebung (Integrated Development Environment, IDE) wie Cloud Shell verwenden, um Unterstützung beim Programmieren zu erhalten oder Probleme mit Ihrem Code zu lösen. Bevor Sie Gemini Code Assist verwenden können, müssen Sie das Tool aktivieren.

1. Aktivieren Sie in Cloud Shell die Gemini for Google Cloud API mit dem folgenden Befehl:

gcloud services enable cloudaicompanion.googleapis.com

2. Klicken Sie in der Cloud Shell-Symbolleiste auf Editor öffnen.

Hinweis: Klicken Sie zum Öffnen des Cloud Shell-Editors in der Cloud Shell-Symbolleiste auf Editor öffnen. Sie können zwischen Cloud Shell und dem Code-Editor wechseln. Klicken Sie dazu entsprechend auf Editor öffnen oder Terminal öffnen.

3. Klicken Sie in der Statusleiste unten auf dem Bildschirm auf Cloud Code – kein Projekt.

4. Autorisieren Sie das Plug-in wie beschrieben. Wenn kein Projekt automatisch ausgewählt wurde, klicken Sie auf Google Cloud-Projekt auswählen und wählen Sie aus.

5. Prüfen Sie, ob Ihr Google Cloud-Projekt () in der Cloud Code-Statusmeldung in der Statusleiste angezeigt wird.

CSV-Datei analysieren

Damit Sie produktiver arbeiten können und weniger Kontextwechsel erforderlich sind, bietet Gemini Code Assist KI-basierte intelligente Aktionen direkt in Ihrem Code-Editor. In diesem Abschnitt bitten Sie Gemini Code Assist, die Struktur und den Zweck der CSV-Datei einem Teammitglied zu erklären.

1. Öffnen Sie im Datei-Explorer des Cloud Shell-Editors die Datei data.csv. Dadurch wird Gemini Code Assist aktiviert. Dies lässt sich am Symbol  rechts oben im Editor ablesen.

2. Klicken Sie auf das Gemini Code Assist: Intelligente Aktionen-Symbol und wählen Sie Erkläre mir das aus.

3. Gemini Code Assist öffnet ein Chatfenster mit dem vorausgefüllten Prompt Erkläre mir das. Ersetzen Sie im Inline-Textfeld des Code Assist-Chats den vorausgefüllten Prompt durch Folgendes und klicken Sie auf Senden:

You are a Machine Learning Engineer at Cymbal AI. Provide a formal analysis of the CSV data data.csv, which is a training manifest for a Agent Platform single-label image classification model. Explain the file's structure and purpose to assist a new team member in understanding this dataset, which is designed to recognize damaged car parts. Based on this data, provide the following insights in a structured and professional format: * Dataset Overview: Describe the purpose and structure of the three columns (dataset split, image URI, and label). * Dataset Splits: Provide a count of the total number of images in the TRAINING, VALIDATION, and TEST splits. * Class Distribution: For each class (bumper, engine_compartment, hood, lateral, windshield), provide a count of the number of images assigned to it. * Data Imbalance Analysis: Based on the class and split counts, assess if the dataset is balanced or imbalanced. Explain how this might impact model performance during training. For the suggested improvements, don't make any changes to the file's content.

Detaillierte Erklärungen zur Struktur und zum Zweck des Codes in der CSV-Datei data.csv werden im Gemini Code Assist-Chat angezeigt.

Verwaltetes Dataset erstellen

1. Klicken Sie in der Google Cloud Console im Navigationsmenü () auf Agent Platform > Dashboard.

2. Klicken Sie auf Alle empfohlenen APIs aktivieren, wenn diese Option nicht bereits aktiviert ist.

3. Klicken Sie links im Navigationsmenü von Agent Platform auf Datasets.

4. Klicken Sie oben in der Console auf + Erstellen.

5. Geben Sie als Namen für das Dataset damaged_car_parts ein.

6. Wählen Sie Klassifizierung mit einem einzigen Label aus. (Hinweis: In Ihren eigenen Projekten können Sie auch das Kästchen „Klassifizierung mit mehreren Labels“ markieren, wenn Sie eine Klassifizierung mehrerer Klassen vorhaben.)

7. Wählen Sie als Region aus.

8. Klicken Sie auf Erstellen.

Dataset mit den Trainingsbildern verbinden

In diesem Abschnitt wählen Sie den Speicherort Ihrer Trainingsbilder aus, die Sie im vorherigen Schritt hochgeladen haben.

1. Klicken Sie im Bereich Importmethode auswählen auf Importdateien aus Cloud Storage auswählen.

2. Im Bereich Importdateien aus Cloud Storage auswählen klicken Sie dann auf Durchsuchen.

3. Folgen Sie den Anweisungen, um Ihren Storage-Bucket zu öffnen, und klicken Sie auf die Datei data.csv. Klicken Sie auf Auswählen.

4. Nachdem Sie die Datei ausgewählt haben, wird links neben dem Dateipfad ein grünes Kästchen angezeigt. Klicken Sie auf Weiter, um fortzufahren.

Hinweis: Es dauert ungefähr 9 bis 12 Minuten, bis die Bilder importiert und ihren Kategorien zugeordnet wurden. Sie müssen warten, bis dieser Schritt abgeschlossen ist, bevor Sie Ihren Fortschritt prüfen.

5. Nachdem der Import abgeschlossen ist, klicken Sie für den nächsten Abschnitt auf den Tab Durchsuchen. (Hinweis: Möglicherweise müssen Sie die Seite aktualisieren, um bestätigen zu können.)

Klicken Sie auf Fortschritt prüfen. Dataset erstellen

Aufgabe 3: Bilder prüfen

In dieser Aufgabe untersuchen Sie die Bilder, um ein fehlerfreies Dataset sicherzustellen.

Bildlabels prüfen

1. Klicken Sie nach der Aktualisierung der Browserseite auf Datasets, wählen Sie den Bildnamen aus und klicken Sie dann auf Durchsuchen.

2. Klicken Sie unter Labels filtern auf eines der Labels, um sich die zugehörigen Trainingsbilder anzusehen. (Beispiel: engine_compartment)

Hinweis: Wenn Sie ein Modell für eine Produktionsumgebung erstellen möchten, benötigen Sie mindestens 100 Bilder pro Label, um eine hohe Accuracy zu erreichen. In unserem Beispiel sind nur 20 Bilder pro Typ enthalten, damit das Modell schnell trainiert werden kann.

3. Wenn einem Bild ein falsches Label zugeordnet wurde, können Sie darauf klicken, um das korrekte Label auszuwählen oder das Bild aus dem Trainingsset zu löschen:

4. Klicken Sie als Nächstes auf den Tab Analysieren, um die Anzahl der Bilder pro Label zu sehen. Das Fenster Labelstatistiken wird in Ihrem Browser angezeigt.

Aufgabe 4: Modell trainieren

Kommen wir nun zum Training des Modells. Agent Platform erledigt dies automatisch. Sie müssen dazu keinen Code schreiben.

1. Klicken Sie auf der rechten Seite auf Neues Modell trainieren.

2. Behalten Sie im Fenster Trainingsmethode die Standardkonfigurationen bei und wählen Sie als Trainingsmethode AutoML aus. Klicken Sie auf Weiter.

3. Geben Sie im Fenster Modelldetails den Namen damaged_car_parts_model für Ihr Modell ein. Klicken Sie auf Weiter.

4. Wählen Sie im Fenster Trainingsoptionen die Option Inkrementelles Training aktivieren aus und klicken Sie dann auf Weiter.

5. Legen Sie im Fenster Computing und Preise Ihr Budget auf 8 maximale Knotenstunden fest.

6. Klicken Sie auf Training starten.

Hinweis: Die Dauer des Modelltrainings kann die vorgegebene Zeit für den Abschluss des Labs überschreiten. Für den nächsten Abschnitt muss das Modelltraining nicht abgeschlossen sein.

Klicken Sie auf Fortschritt prüfen. Modell trainieren

Aufgabe 5: Vorhersage von einem gehosteten Modell anfordern

Für dieses Lab wurde ein Modell in einem anderen Projekt gehostet, das mit genau demselben Dataset trainiert wurde. Sie können daher Vorhersagen von diesem Modell anfordern, während Ihr lokales Modell trainiert wird. Das Training des lokalen Modells wird das Zeitlimit dieses Labs wahrscheinlich überschreiten.

Für das vortrainierte Modell wurde ein Proxy eingerichtet, damit Sie keine weiteren Schritte unternehmen müssen, um es in Ihrer Lab-Umgebung zu verwenden.

Um Vorhersagen vom Modell zu erhalten, senden Sie eine Anfrage an einen Endpunkt in Ihrem Projekt. Dieser leitet sie an das gehostete Modell weiter und gibt die Ausgabe zurück. Das Senden einer Vorhersageanfrage an den AutoML-Proxy ähnelt stark der Interaktion mit Ihrem eigenen Modell – betrachten Sie es daher als Übung.

Namen des AutoML-Proxy-Endpunkts abrufen

1. Klicken Sie im Navigationsmenü (≡) der Google Cloud Console auf Cloud Run.

2. Klicken Sie auf automl-proxy.

3. Kopieren Sie die URL zum Endpunkt. Sie sollte in etwa so aussehen: https://automl-proxy-xfpm6c62ta-uc.a.run.app.

Sie verwenden diesen Endpunkt im nächsten Abschnitt für die Vorhersageanfrage.

Vorhersageanfrage erstellen

1. Öffnen Sie ein neues Cloud Shell-Fenster.

2. Klicken Sie in der Cloud Shell-Symbolleiste auf Editor öffnen. Falls Sie dazu aufgefordert werden, klicken Sie auf In neuem Fenster öffnen.

3. Klicken Sie auf Datei > Neue Datei.

4. Geben Sie im neuen Dateifenster payload.json als Dateinamen ein und wählen Sie Ihren Pfad aus dem Drop-down-Menü aus (/home/student_xx_xxxxx).

5. Klicken Sie auf OK.

6. Kopieren Sie den folgenden Inhalt in die gerade neu erstellte Datei:

{ "instances": [{ "content": "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" }], "parameters": { "confidenceThreshold": 0.5, "maxPredictions": 5 } }

7. Klicken Sie auf Datei > Speichern.

Der von Ihnen bereitgestellte Inhalt ist ein Base64-String des folgenden Bilds:

Nun möchten Sie Gemini Code Assist bitten, die Struktur und den Zweck der JSON-Nutzlast einem Teammitglied zu erklären.

8. Klicken Sie bei geöffneter Datei payload.json in der Symbolleiste auf das Symbol Gemini Code Assist: Intelligente Aktionen  und wählen Sie Erkläre mir das aus.

9. Gemini Code Assist öffnet ein Chatfenster mit dem vorausgefüllten Prompt Erkläre mir das. Ersetzen Sie im Inline-Textfeld des Code Assist-Chats den vorausgefüllten Prompt durch Folgendes und klicken Sie auf Senden:

You are a Machine Learning Engineer at Cymbal AI. A new team member needs help understanding the structure and purpose of the payload.json file. This payload is used to request a prediction from a deployed Agent Platform image classification model. Your explanation should cover: * The overall purpose of the payload in the context of a Agent Platform prediction workflow. * The role of the instances key, explaining the base64-encoded image data within it. * The function of the parameters key, including the purpose of confidenceThreshold and maxPredictions. * How this payload would be sent to the model's endpoint. For the suggested improvements, don't make any changes to the file's content.

Eine detaillierte Erklärung der JSON-Nutzlastdatei payload.json wird im Gemini Code Assist-Chat angezeigt.

10. Legen Sie als Nächstes die Umgebungsvariablen fest. Kopieren Sie die AutoML-Proxy-URL hinein, die Sie vorhin abgerufen haben.

AUTOML_PROXY=<automl-proxy url> INPUT_DATA_FILE=payload.json

11. Führen Sie den folgenden Befehl aus, um eine API-Anfrage an den AutoML-Proxy-Endpunkt zu senden und vom gehosteten Modell eine Vorhersage anzufordern:

curl -X POST -H "Content-Type: application/json" $AUTOML_PROXY/v1 -d "@${INPUT_DATA_FILE}"

Bei einer erfolgreichen Vorhersage sollte die Ausgabe in etwa so aussehen:

Ausgabe:

{"predictions":[{"confidences":[0.951557755],"displayNames":["bumper"],"ids":["1960986684719890432"]}],"deployedModelId":"4271461936421404672","model":"projects/1030115194620/locations/"{{{project_0.default_region | REGION}}}"/models/2143634257791156224","modelDisplayName":"damaged_car_parts_vertex","modelVersionId":"1"}

Die Vorhersageergebnisse sprechen bei diesem Modell für sich. Im Feld displayNames sollte mit einem hohen Konfidenzgrenzwert korrekt ein Stoßfänger vorhergesagt sein. Jetzt können Sie in der von Ihnen erstellten JSON-Datei den Wert für das Base64-codierte Bild ändern.

Klicken Sie auf Fortschritt prüfen. Vorhersageanfrage erstellen

12. Klicken Sie mit der rechten Maustaste jeweils auf die Bilder unten und wählen Sie Bild speichern unter… aus.

13. Folgen Sie den Anweisungen, um jedes Bild unter einem eindeutigen Namen zu speichern. (Tipp: Vergeben Sie einfache Namen wie „Image1“ und „Image2“, um das Hochladen zu vereinfachen.)

14. Öffnen Sie den Base64 Image Encoder und folgen Sie den Anweisungen, um ein Bild hochzuladen und in einen Base64-String codieren zu lassen.

15. Ersetzen Sie den Wert des Base64-codierten Strings im Feld content Ihrer JSON-Nutzlastdatei und lassen Sie die Vorhersage erneut laufen. Wiederholen Sie dies mit den anderen Bildern.

Wie hat Ihr Modell abgeschnitten? Hat es alle drei Bilder korrekt vorhergesagt? Sie sollten je nach Bild die folgenden Ausgaben sehen:

{"predictions":[{"ids":["5419751198540431360"],"confidences":[0.985487759],"displayNames":["engine_compartment"]}],"deployedModelId":"4271461936421404672","model":"projects/1030115194620/locations/"{{{project_0.default_region | REGION}}}"/models/2143634257791156224","modelDisplayName":"damaged_car_parts_vertex","modelVersionId":"1"} {"predictions":[{"displayNames":["hood"],"ids":["3113908189326737408"],"confidences":[0.962432086]}],"deployedModelId":"4271461936421404672","model":"projects/1030115194620/locations/"{{{project_0.default_region | REGION}}}"/models/2143634257791156224","modelDisplayName":"damaged_car_parts_vertex","modelVersionId":"1"}

Das wars! Sie haben das Lab erfolgreich abgeschlossen.

Sie haben gelernt, wie Sie mit Unterstützung von Gemini Code Assist Ihr eigenes benutzerdefiniertes Machine-Learning-Modell trainieren und wie Sie über eine API-Anfrage an ein gehostetes Modell Vorhersagen generieren. Sie haben Trainingsbilder in Cloud Storage hochgeladen und eine CSV-Datei für Agent Platform verwendet, um diese Bilder zu finden. Sie haben mit Labels versehene Bilder auf Unstimmigkeiten untersucht, bevor Sie schließlich ein trainiertes Modell evaluiert haben. Nun sind Sie in der Lage, ein Modell mit Ihrem eigenen Bilder-Dataset zu trainieren.

Weitere Informationen

• Dokumentation zu Agent Platform

Google Cloud-Schulungen und -Zertifizierungen

In unseren Schulungen erfahren Sie alles zum optimalen Einsatz unserer Google Cloud-Technologien und können sich entsprechend zertifizieren lassen. Unsere Kurse vermitteln technische Fähigkeiten und Best Practices, damit Sie möglichst schnell mit Google Cloud loslegen und Ihr Wissen fortlaufend erweitern können. Wir bieten On-Demand-, Präsenz- und virtuelle Schulungen für Anfänger wie Fortgeschrittene an, die Sie individuell in Ihrem eigenen Zeitplan absolvieren können. Mit unseren Zertifizierungen weisen Sie nach, dass Sie Experte im Bereich Google Cloud-Technologien sind.

Anleitung zuletzt am 15. Oktober 2025 aktualisiert

Lab zuletzt am 10. September 2025 getestet

© 2026 Google LLC. Alle Rechte vorbehalten. Google und das Google-Logo sind Marken von Google LLC. Alle anderen Unternehmens- und Produktnamen können Marken der jeweils mit ihnen verbundenen Unternehmen sein.