GSP223

Descripción general

Vertex AI es la plataforma unificada de aprendizaje automático de Google Cloud. La función AutoML de Vertex AI simplifica el entrenamiento de modelos personalizados de reconocimiento de imágenes de alta calidad sin necesidad de tener experiencia en AA. Después del entrenamiento, los modelos se implementan en un endpoint administrado para predicciones en tiempo real a través de una API fácil de usar.

En este lab, subirás imágenes de nubes a Cloud Storage, crearás un conjunto de datos de Vertex AI a partir de ellas y usarás un modelo entrenado previamente (simulado) en un endpoint de Vertex AI para generar predicciones.

Objetivos

En este lab, realizarás las siguientes tareas:

• Configurar el entorno de Vertex AI y un bucket de Cloud Storage
• Subir un conjunto de datos etiquetado a Cloud Storage
• Crear y, luego, inspeccionar un conjunto de datos de Vertex AI
• Generar predicciones en un endpoint de Vertex AI

Configuración y requisitos

Antes de hacer clic en el botón Comenzar lab

Lee estas instrucciones. Los labs cuentan con un temporizador que no se puede pausar. El temporizador, que comienza a funcionar cuando haces clic en Comenzar lab, indica por cuánto tiempo tendrás a tu disposición los recursos de Google Cloud.

Este lab práctico te permitirá realizar las actividades correspondientes en un entorno de nube real, no en uno de simulación o demostración. Para ello, se te proporcionan credenciales temporales nuevas que utilizarás para acceder a Google Cloud durante todo el lab.

Para completar este lab, necesitarás lo siguiente:

• Acceso a un navegador de Internet estándar. Se recomienda el navegador Chrome.

Nota: Usa una ventana del navegador privada o de incógnito (opción recomendada) para ejecutar el lab. Así evitarás conflictos entre tu cuenta personal y la cuenta de estudiante, lo que podría generar cargos adicionales en tu cuenta personal.

• Tiempo para completar el lab (recuerda que, una vez que comienzas un lab, no puedes pausarlo).

Nota: Usa solo la cuenta de estudiante para este lab. Si usas otra cuenta de Google Cloud, es posible que se apliquen cargos a esa cuenta.

Cómo iniciar tu lab y acceder a la consola de Google Cloud

1. Haz clic en el botón Comenzar lab. Si debes pagar por el lab, se abrirá un diálogo para que selecciones la forma de pago. A la izquierda, se encuentra el panel Detalles del lab, que tiene estos elementos:

   • El botón para abrir la consola de Google Cloud
   • El tiempo restante
   • Las credenciales temporales que debes usar para el lab
   • Otra información para completar el lab, si es necesaria

2. Haz clic en Abrir la consola de Google Cloud (o haz clic con el botón derecho y selecciona Abrir el vínculo en una ventana de incógnito si ejecutas el navegador Chrome).

   El lab inicia recursos y abre otra pestaña en la que se muestra la página de acceso.

   Sugerencia: Ordena las pestañas en ventanas separadas, una junto a la otra.

   Nota: Si ves el diálogo Elegir una cuenta, haz clic en Usar otra cuenta.

3. De ser necesario, copia el nombre de usuario a continuación y pégalo en el diálogo Acceder.

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

   También puedes encontrar el nombre de usuario en el panel Detalles del lab.

4. Haz clic en Siguiente.

5. Copia la contraseña que aparece a continuación y pégala en el diálogo Te damos la bienvenida.

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

   También puedes encontrar la contraseña en el panel Detalles del lab.

6. Haz clic en Siguiente.

   Importante: Debes usar las credenciales que te proporciona el lab. No uses las credenciales de tu cuenta de Google Cloud. Nota: Usar tu propia cuenta de Google Cloud para este lab podría generar cargos adicionales.

7. Haz clic para avanzar por las páginas siguientes:

   • Acepta los Términos y Condiciones.
   • No agregues opciones de recuperación o autenticación de dos factores (esta es una cuenta temporal).
   • No te registres para obtener pruebas gratuitas.

Después de un momento, se abrirá la consola de Google Cloud en esta pestaña.

Nota: Para acceder a los productos y servicios de Google Cloud, haz clic en el menú de navegación o escribe el nombre del servicio o producto en el campo Buscar.

Activa Cloud Shell

Cloud Shell es una máquina virtual que cuenta con herramientas para desarrolladores. Ofrece un directorio principal persistente de 5 GB y se ejecuta en Google Cloud. Cloud Shell proporciona acceso de línea de comandos a tus recursos de Google Cloud.

1. Haz clic en Activar Cloud Shell en la parte superior de la consola de Google Cloud.

2. Haz clic para avanzar por las siguientes ventanas:

   • Continúa en la ventana de información de Cloud Shell.
   • Autoriza a Cloud Shell para que use tus credenciales para realizar llamadas a la API de Google Cloud.

Cuando te conectes, habrás completado la autenticación, y el proyecto estará configurado con tu Project_ID, . El resultado contiene una línea que declara el Project_ID para esta sesión:

Your Cloud Platform project in this session is set to {{{project_0.project_id | "PROJECT_ID"}}}

gcloud es la herramienta de línea de comandos de Google Cloud. Viene preinstalada en Cloud Shell y es compatible con la función de autocompletado con tabulador.

3. Puedes solicitar el nombre de la cuenta activa con este comando (opcional):

gcloud auth list

4. Haz clic en Autorizar.

Resultado:

ACTIVE: * ACCOUNT: {{{user_0.username | "ACCOUNT"}}} To set the active account, run: $ gcloud config set account `ACCOUNT`

5. Puedes solicitar el ID del proyecto con este comando (opcional):

gcloud config list project

Resultado:

[core] project = {{{project_0.project_id | "PROJECT_ID"}}} Nota: Para obtener toda la documentación de gcloud, en Google Cloud, consulta la guía con la descripción general de gcloud CLI.

Tarea 1: Configura el entorno de Vertex AI

Habilitarás las APIs necesarias, accederás a la consola de Vertex AI y prepararás tu bucket de almacenamiento.

Confirma que Vertex AI esté habilitado

La API de Vertex AI es necesaria para administrar conjuntos de datos, entrenar e implementar modelos.

1. En el menú de navegación () de la consola de Google Cloud, selecciona APIs y servicios > Biblioteca.

2. En el campo Buscar APIs y servicios, escribe API de Vertex AI y, luego, haz clic en API de Vertex AI en los resultados de la búsqueda.

3. Confirma que la API de Vertex AI esté en el estado Habilitar. De lo contrario, haz clic en Habilitar.

Abre el panel de Vertex AI

• En el menú de navegación (), haz clic en Vertex AI.

Crea un bucket de almacenamiento

El bucket de almacenamiento contendrá tus imágenes de entrenamiento y el archivo de manifiesto. La región debe ser compatible con Vertex AI.

• En Cloud Shell, ejecuta el siguiente comando para crear un bucket de almacenamiento llamado -vcm:

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

Haz clic en Revisar mi progreso para verificar el objetivo.

Crear un bucket de Cloud Storage

Tarea 2: Sube imágenes de entrenamiento a Cloud Storage

Para entrenar un modelo que clasifique imágenes de nubes, necesitas datos de entrenamiento etiquetados que le permitan al modelo comprender las características de las imágenes asociadas con diferentes tipos de nubes. En este ejemplo, tu modelo aprende a clasificar tres tipos diferentes de nubes: cirros, cúmulos y cumulonimbos.

Para colocar las imágenes de entrenamiento en tu bucket de Cloud Storage, haz lo siguiente:

1. En Cloud Shell, ejecuta el siguiente comando para crear una variable de entorno con el nombre de tu bucket:

export BUCKET=$GOOGLE_CLOUD_PROJECT-vcm

Las imágenes de entrenamiento están disponibles de forma pública en un bucket de Cloud Storage.

2. Usa la utilidad de línea de comandos gsutil de Cloud Storage para copiar las imágenes de entrenamiento de un bucket público en tu bucket nuevo:

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

3. Para ver las imágenes que acabas de copiar en tu bucket, en el menú de navegación, haz clic en Cloud Storage > Buckets y, luego, en el nombre de tu bucket. Deberías ver tres carpetas correspondientes a los tipos de nubes.

Si haces clic en los archivos de imagen individuales de cada carpeta, podrás ver las fotos que utilizarás para entrenar tu modelo según los tipos de nube.

Haz clic en Revisar mi progreso para verificar el objetivo.

Subir imágenes de entrenamiento al bucket de Cloud Storage

Tarea 3: Crea un conjunto de datos

Ahora que los datos de entrenamiento están en Cloud Storage, debes buscar la forma de que Vertex AI acceda a ellos. Por lo general, tendrías que crear un archivo CSV en el que cada fila contenga una URL a una imagen de entrenamiento y la etiqueta asociada a esa imagen.

Para este lab, ya se creó el archivo CSV. Solo debes actualizarlo con el nombre de tu bucket.

1. Copia el archivo CSV en tu instancia de Cloud Shell.

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

2. Actualiza el archivo CSV con el nombre específico de tu bucket:

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

3. Sube el archivo CSV actualizado a tu bucket de Cloud Storage:

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

4. Cuando el comando esté completo, haz clic en el botón Actualizar en la parte superior del navegador de Storage. Confirma que ves el archivo data.csv en tu bucket.

5. En el menú de navegación, haz clic en Vertex AI > Conjuntos de datos.

6. Selecciona y haz clic en Crear.

7. En Nombre del conjunto de datos, ingresa clouds_vertex_ai.

8. Selecciona Imagen como el tipo de datos.

9. Selecciona Clasificación de una sola etiqueta (una etiqueta) como objetivo.

Nota: En tus propios proyectos, te recomendamos que utilices una clasificación de clases múltiples.

10. Para seleccionar la región, elige y haz clic en Crear.

Ahora importarás datos.

11. Elige Selecciona archivos de importación de Cloud Storage y, luego, haz clic en Explorar > -vcm > data.csv. Haz clic en Seleccionar.

12. Haz clic en Continuar y, luego, en Importar.

Espera a que se complete la importación de imágenes, lo que debería tardar entre 2 y 5 minutos.

Haz clic en Revisar mi progreso para verificar el objetivo.

Crear un conjunto de datos

Tarea 4: Genera predicciones

Dado que el modelo se entrenó previamente y se supone que está implementado, ahora usarás la API de Vertex AI (a través de un comando curl) para obtener predicciones.

Simula la implementación (modelo entrenado previamente)

En los próximos pasos, se supone que hay un modelo entrenado previamente implementado en un endpoint de Vertex AI. En un entorno de producción, después del entrenamiento, tu modelo se implementaría en un endpoint de Vertex AI. La estructura de la solicitud de predicción usa el ID del recurso del modelo o la URL del endpoint.

Prepara las imágenes de entrada

1. Descarga las dos imágenes de ejemplo que usarás para la predicción:

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

2. Consulta el archivo de entrada de ejemplo para la predicción (CLOUD1-JSON), que contiene bytes de marcador de posición:

cat CLOUD1-JSON

Genera predicciones en un endpoint de Vertex AI

Usa el formato genérico de la API de Prediction de Vertex AI, que requiere que se implemente el modelo. En los siguientes comandos, se usa un nombre de modelo o endpoint de marcador de posición para la ilustración, suponiendo que existe un modelo implementado llamado clouds-model.

Prueba 1: Predicción para CLOUD1

1. Establece el archivo de entrada en la primera imagen:

INPUT_DATA_FILE=CLOUD1-JSON

2. Simula la URL de predicciones de Vertex AI

• Como no se puede proporcionar un endpoint activo de forma automática, usamos una estructura de comandos que refleja la API de Vertex AI, que usa tu ID de proyecto y un ID de modelo.

• En una situación real, primero obtendrías el ID de endpoint real. Este comando es conceptual.

3. Establece un MODEL_ID ficticio y la REGION:

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

4. Ejecuta la llamada de predicción (conceptual) de Vertex AI:

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

Resultado esperado (conceptual): El modelo debería predecir con un alto nivel de confianza que se trata de una nube cirro.

Prueba 2: Predicción para CLOUD2

1. Establece el archivo de entrada en la segunda imagen:

INPUT_DATA_FILE=CLOUD2-JSON

2. Ejecuta la llamada de predicción (conceptual) de Vertex AI:

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

Resultado esperado (conceptual): El modelo debería predecir con un alto nivel de confianza que se trata de una nube cumulonimbo.

3. Copia los archivos txt en tu bucket de Google Cloud Storage:

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

Haz clic en Revisar mi progreso para verificar el objetivo.

Generar predicciones

¡Felicitaciones!

En este lab, usaste Vertex AI para crear un conjunto de datos de imágenes y generar predicciones en un endpoint del modelo implementado.

Próximos pasos y más información

• Para aprender a realizar cada paso con la API, consulta Introducción a Vertex AI.

Capacitación y certificación de Google Cloud

Recibe la formación que necesitas para aprovechar al máximo las tecnologías de Google Cloud. Nuestras clases incluyen habilidades técnicas y recomendaciones para ayudarte a avanzar rápidamente y a seguir aprendiendo. Para que puedas realizar nuestros cursos cuando más te convenga, ofrecemos distintos tipos de capacitación de nivel básico a avanzado: a pedido, presenciales y virtuales. Las certificaciones te ayudan a validar y demostrar tus habilidades y tu conocimiento técnico respecto a las tecnologías de Google Cloud.

Actualización más reciente del manual: 17 de octubre de 2025

Prueba más reciente del lab: 17 de octubre de 2025

Copyright 2025 Google LLC. All rights reserved. Google y el logotipo de Google son marcas de Google LLC. Los demás nombres de productos y empresas pueden ser marcas de las respectivas empresas a las que estén asociados.