GSP223

Übersicht

Vertex AI ist die einheitliche Plattform für maschinelles Lernen von Google Cloud. Die AutoML-Funktion von Vertex AI vereinfacht das Training hochwertiger benutzerdefinierter Bilderkennungsmodelle, ohne dass umfassende ML-Kenntnisse erforderlich sind. Nach dem Training werden die Modelle über eine benutzerfreundliche API auf einem verwalteten Endpunkt bereitgestellt, um Echtzeitvorhersagen zu ermöglichen.

In diesem Lab laden Sie Bilder von Wolken in Cloud Storage hoch, erstellen daraus ein Vertex AI-Dataset und verwenden ein vortrainiertes Modell (simuliert) auf einem Vertex AI-Endpunkt, um Vorhersagen zu generieren.

Lernziele

Aufgaben in diesem Lab:

• Vertex AI-Umgebung und Cloud Storage-Bucket einrichten
• Dataset mit Labels in Cloud Storage hochladen
• Vertex AI-Dataset erstellen und prüfen
• Vorhersagen auf einem Vertex AI-Endpunkt generieren

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: Vertex AI-Umgebung einrichten

Sie aktivieren die erforderlichen APIs, greifen auf die Vertex AI-Konsole zu und bereiten Ihren Storage-Bucket vor.

Überprüfen, ob Vertex AI aktiviert ist

Die Vertex AI API ist für die Verwaltung von Datasets, das Training und die Bereitstellung von Modellen erforderlich.

1. Wählen Sie in der Google Cloud Console im Navigationsmenü () die Option APIs und Dienste > Bibliothek aus.

2. Geben Sie in das Feld Nach APIs und Diensten suchen den Begriff Vertex AI API ein und klicken Sie in den Suchergebnissen auf Vertex AI API.

3. Überprüfen Sie, ob die Vertex AI API den Status Aktiviert aufweist. Klicken Sie andernfalls auf Aktivieren.

Vertex AI-Dashboard öffnen

• Klicken Sie im Navigationsmenü () auf Vertex AI.

Storage-Bucket erstellen

Im Storage-Bucket werden Ihre Trainingsbilder und die Manifestdatei gespeichert. Die Region muss von Vertex AI unterstützt werden.

• Führen Sie den folgenden Befehl in Cloud Shell aus, um einen Storage-Bucket mit dem Namen -vcm zu erstellen:

gsutil mb -p $GOOGLE_CLOUD_PROJECT \ -c standard \ -l {{{project_0.default_region | Region}}} \ gs://$GOOGLE_CLOUD_PROJECT-vcm/

Klicken Sie auf Fortschritt prüfen.

Cloud Storage-Bucket erstellen

Aufgabe 2: Trainingsbilder in Cloud Storage hochladen

Um ein Modell für die Klassifizierung von Wolkenbildern zu trainieren, benötigen Sie Trainingsdaten mit Labels. So kann das Modell ein Verständnis für die Bildmerkmale der verschiedenen Wolkentypen entwickeln. In diesem Beispiel lernt das Modell, drei verschiedene Wolkentypen zu klassifizieren: Zirrus, Kumulus und Kumulonimbus.

So legen Sie die Trainingsbilder in Ihrem Cloud Storage-Bucket ab:

1. Führen Sie den folgenden Befehl in Cloud Shell aus, um eine Umgebungsvariable mit dem Namen Ihres Buckets zu erstellen:

export BUCKET=$GOOGLE_CLOUD_PROJECT-vcm

Die Trainingsbilder sind in einem Cloud Storage-Bucket öffentlich verfügbar.

2. Kopieren Sie mit dem Cloud Storage-Befehlszeilentool gsutil die Trainingsbilder aus einem öffentlichen Bucket in Ihren neuen Bucket:

gsutil -m cp -r gs://spls/gsp223/images/* gs://${BUCKET}

3. Um die Bilder, die Sie gerade in Ihren Bucket kopiert haben, anzuzeigen, klicken Sie im Navigationsmenü auf Cloud Storage > Buckets und dann auf den Namen Ihres Buckets. Es sollten drei Ordner entsprechend den drei Wolkentypen angezeigt werden.

Wenn Sie in den jeweiligen Ordnern auf die einzelnen Bilddateien klicken, sehen Sie die Fotos, mit denen das Modell für jeden Wolkentyp trainiert wird.

Klicken Sie auf Fortschritt prüfen.

Trainingsbilder in den Cloud Storage-Bucket hochladen

Aufgabe 3: Dataset erstellen

Nachdem sich die Trainingsdaten nun im Cloud Storage befinden, muss Vertex AI darauf zugreifen können. Dazu benötigen Sie in der Regel eine CSV-Datei, in der jede Zeile eine URL zu einem Trainingsbild und das zugehörige Label für dieses Bild enthält.

Für dieses Lab wurde die CSV-Datei bereits erstellt. Sie müssen sie nur noch mit dem Namen Ihres Buckets aktualisieren.

1. Kopieren Sie die CSV-Datei in Ihre Cloud Shell-Instanz:

gsutil cp gs://spls/gsp223/data.csv .

2. Aktualisieren Sie die CSV-Datei mit dem Namen Ihres Buckets:

sed -i -e "s/placeholder/${BUCKET}/g" ./data.csv

3. Laden Sie die aktualisierte CSV-Datei in Ihren Cloud Storage-Bucket hoch:

gsutil cp ./data.csv gs://${BUCKET}

4. Klicken Sie nach Abschluss des Befehls im Storage-Browser oben auf den Button Aktualisieren. Überprüfen Sie, ob die Datei data.csv im Bucket vorhanden ist.

5. Klicken Sie im Navigationsmenü auf Vertex AI > Datasets.

6. Wählen Sie aus und klicken Sie auf Erstellen.

7. Legen Sie clouds_vertex_ai als Dataset-Name fest.

8. Wählen Sie den Datentyp Bild aus.

9. Wählen Sie das Ziel Klassifizierung mit einem einzigen Label aus.

Hinweis: In Ihren eigenen Projekten können Sie auch Klassifizierung mit mehreren Klassen auswählen.

10. Wählen Sie als Region aus und klicken Sie auf Erstellen.

Als Nächstes importieren Sie Ihre Daten.

11. Wählen Sie Importdateien aus Cloud Storage auswählen aus und klicken Sie dann auf Durchsuchen > -vcm > data.csv. Klicken Sie auf Auswählen.

12. Klicken Sie auf Weiter und dann auf Importieren.

Warten Sie, bis das Importieren der Bilder abgeschlossen ist. Dies dauert zwischen 2 und 5 Minuten.

Klicken Sie auf Fortschritt prüfen.

Dataset erstellen

Aufgabe 4: Vorhersagen generieren

Da das Modell vortrainiert wurde und als bereitgestellt gilt, verwenden Sie jetzt die Vertex AI API (über einen curl-Befehl), um Vorhersagen zu generieren.

Bereitstellung simulieren (vortrainiertes Modell)

Bei den nächsten Schritten wird davon ausgegangen, dass ein vortrainiertes Modell auf einem Vertex AI-Endpunkt bereitgestellt wurde. In einer Produktionsumgebung würde Ihr Modell nach dem Training auf einem Vertex AI-Endpunkt bereitgestellt werden. In der Struktur der Vorhersageanfrage werden die Ressourcen-ID des Modells sowie die URL des Endpunkts verwendet.

Eingabebilder vorbereiten

1. Laden Sie die beiden Beispielbilder herunter, die Sie für die Vorhersage verwenden wollen:

gsutil cp gs://spls/gsp223/examples/* .

2. Sehen Sie sich die Beispiel-Eingabedatei für die Vorhersage (CLOUD1-JSON) an, die Platzhalter-Bytes enthält:

cat CLOUD1-JSON

Vorhersagen auf einem Vertex AI-Endpunkt generieren

Verwenden Sie das generische Vertex AI Prediction API-Format, für das das Modell bereitgestellt sein muss. In den folgenden Befehlen wird zur Veranschaulichung ein Platzhalter-Endpunkt-/Modellname verwendet, wobei davon ausgegangen wird, dass ein bereitgestelltes Modell mit dem Namen clouds-model vorhanden ist.

Test 1: Vorhersage für CLOUD1

1. Legen Sie die Eingabedatei auf das erste Bild fest:

INPUT_DATA_FILE=CLOUD1-JSON

2. Simulieren Sie die Vertex AI-Vorhersage-URL:

• Da es nicht möglich ist, einen Live-Endpunkt automatisch bereitzustellen, wird an dieser Stelle eine Befehlsstruktur verwendet, die die Vertex AI API widerspiegelt. Diese enthält Ihre Projekt-ID und eine Modell-ID.

• In der Praxis würden Sie zuerst die tatsächliche Endpunkt-ID abrufen. Dieser Befehl ist konzeptionell.

3. Legen Sie eine Dummy-MODEL_ID und die REGION fest:

export MODEL_ID='clouds_vertex_model' export REGION='{{{project_0.default_region | Region}}}'

4. Führen Sie den (konzeptionellen) Vertex AI-Vorhersageaufruf aus:

curl -X POST \ -H "Authorization: Bearer $(gcloud auth print-access-token)" \ -H "Content-Type: application/json" \ "https://${REGION}-aiplatform.googleapis.com/v1/projects/${GOOGLE_CLOUD_PROJECT}/locations/${REGION}/models/${MODEL_ID}:predict" \ -d "@${INPUT_DATA_FILE}" \ | jq > prediction1.txt

Erwartete Ausgabe (konzeptionell): Das Modell sollte mit hoher Wahrscheinlichkeit vorhersagen, dass es sich um eine Zirruswolke handelt.

Test 2: Vorhersage für CLOUD2

1. Legen Sie die Eingabedatei auf das zweite Bild fest:

INPUT_DATA_FILE=CLOUD2-JSON

2. Führen Sie den (konzeptionellen) Vertex AI-Vorhersageaufruf aus:

curl -X POST \ -H "Authorization: Bearer $(gcloud auth print-access-token)" \ -H "Content-Type: application/json" \ "https://${REGION}-aiplatform.googleapis.com/v1/projects/${GOOGLE_CLOUD_PROJECT}/locations/${REGION}/models/${MODEL_ID}:predict" \ -d "@${INPUT_DATA_FILE}" \ | jq > prediction2.txt

Erwartete Ausgabe (konzeptionell): Das Modell sollte mit hoher Wahrscheinlichkeit vorhersagen, dass es sich um eine Kumulonimbuswolke handelt.

3. Kopieren Sie die TXT-Dateien in Ihren Google Cloud Storage-Bucket:

gsutil cp *.txt gs://${BUCKET}

Klicken Sie auf Fortschritt prüfen.

Vorhersagen generieren

Das wars! Sie haben das Lab erfolgreich abgeschlossen.

In diesem Lab haben Sie mit Vertex AI ein Bild-Dataset erstellt und auf einem bereitgestellten Modellendpunkt Vorhersagen generiert.

Weitere Informationen

• Informationen zum Ausführen der einzelnen Schritte mit der API finden Sie unter Einführung in Vertex AI.

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 17. Oktober 2025 aktualisiert

Lab zuletzt am 17. Oktober 2025 getestet

© 2025 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.