GSP223

Présentation

Vertex AI est la plate-forme de machine learning unifiée de Google Cloud. La fonctionnalité AutoML de Vertex AI simplifie l'entraînement de modèles de reconnaissance d'images personnalisés de grande qualité et ne nécessite pas une expertise approfondie en ML. Après leur entraînement, les modèles sont déployés sur un point de terminaison géré pour les prédictions en temps réel via une API facile à utiliser.

Dans cet atelier, vous allez importer des images de nuages dans Cloud Storage, créer un ensemble de données Vertex AI à partir de ces images, puis utiliser un modèle pré-entraîné (simulé) sur un point de terminaison Vertex AI pour générer des prédictions.

Objectifs

Dans cet atelier, vous allez réaliser les tâches suivantes :

• Configurer l'environnement Vertex AI et un bucket Cloud Storage
• Importer un ensemble de données étiqueté dans Cloud Storage
• Créer et inspecter un ensemble de données Vertex AI
• Générer des prédictions par rapport à un point de terminaison Vertex AI

Préparation

Avant de cliquer sur le bouton "Démarrer l'atelier"

Lisez ces instructions. Les ateliers sont minutés, et vous ne pouvez pas les mettre en pause. Le minuteur, qui démarre lorsque vous cliquez sur Démarrer l'atelier, indique combien de temps les ressources Google Cloud resteront accessibles.

Cet atelier pratique vous permet de suivre les activités dans un véritable environnement cloud, et non dans un environnement de simulation ou de démonstration. Des identifiants temporaires vous sont fournis pour vous permettre de vous connecter à Google Cloud le temps de l'atelier.

Pour réaliser cet atelier :

• Vous devez avoir accès à un navigateur Internet standard (nous vous recommandons d'utiliser Chrome).

Remarque : Ouvrez une fenêtre de navigateur en mode incognito (recommandé) ou de navigation privée pour effectuer cet atelier. Vous éviterez ainsi les conflits entre votre compte personnel et le compte temporaire de participant, qui pourraient entraîner des frais supplémentaires facturés sur votre compte personnel.

• Vous disposez d'un temps limité. N'oubliez pas qu'une fois l'atelier commencé, vous ne pouvez pas le mettre en pause.

Remarque : Utilisez uniquement le compte de participant pour cet atelier. Si vous utilisez un autre compte Google Cloud, des frais peuvent être facturés à ce compte.

Démarrer l'atelier et se connecter à la console Google Cloud

1. Cliquez sur le bouton Démarrer l'atelier. Si l'atelier est payant, une boîte de dialogue s'affiche pour vous permettre de sélectionner un mode de paiement. Sur la gauche, vous trouverez le panneau "Détails concernant l'atelier", qui contient les éléments suivants :

   • Le bouton "Ouvrir la console Google Cloud"
   • Le temps restant
   • Les identifiants temporaires que vous devez utiliser pour cet atelier
   • Des informations complémentaires vous permettant d'effectuer l'atelier

2. Cliquez sur Ouvrir la console Google Cloud (ou effectuez un clic droit et sélectionnez Ouvrir le lien dans la fenêtre de navigation privée si vous utilisez le navigateur Chrome).

   L'atelier lance les ressources, puis ouvre la page "Se connecter" dans un nouvel onglet.

   Conseil : Réorganisez les onglets dans des fenêtres distinctes, placées côte à côte.

   Remarque : Si la boîte de dialogue Sélectionner un compte s'affiche, cliquez sur Utiliser un autre compte.

3. Si nécessaire, copiez le nom d'utilisateur ci-dessous et collez-le dans la boîte de dialogue Se connecter.

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

   Vous trouverez également le nom d'utilisateur dans le panneau "Détails concernant l'atelier".

4. Cliquez sur Suivant.

5. Copiez le mot de passe ci-dessous et collez-le dans la boîte de dialogue Bienvenue.

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

   Vous trouverez également le mot de passe dans le panneau "Détails concernant l'atelier".

6. Cliquez sur Suivant.

   Important : Vous devez utiliser les identifiants fournis pour l'atelier. Ne saisissez pas ceux de votre compte Google Cloud. Remarque : Si vous utilisez votre propre compte Google Cloud pour cet atelier, des frais supplémentaires peuvent vous être facturés.

7. Accédez aux pages suivantes :

   • Acceptez les conditions d'utilisation.
   • N'ajoutez pas d'options de récupération ni d'authentification à deux facteurs (ce compte est temporaire).
   • Ne vous inscrivez pas à des essais sans frais.

Après quelques instants, la console Cloud s'ouvre dans cet onglet.

Remarque : Pour accéder aux produits et services Google Cloud, cliquez sur le menu de navigation ou saisissez le nom du service ou du produit dans le champ Recherche.

Activer Cloud Shell

Cloud Shell est une machine virtuelle qui contient de nombreux outils pour les développeurs. Elle comprend un répertoire d'accueil persistant de 5 Go et s'exécute sur Google Cloud. Cloud Shell vous permet d'accéder via une ligne de commande à vos ressources Google Cloud.

1. Cliquez sur Activer Cloud Shell  en haut de la console Google Cloud.

2. Passez les fenêtres suivantes :

   • Accédez à la fenêtre d'informations de Cloud Shell.
   • Autorisez Cloud Shell à utiliser vos identifiants pour effectuer des appels d'API Google Cloud.

Une fois connecté, vous êtes en principe authentifié et le projet est défini sur votre ID_PROJET : . Le résultat contient une ligne qui déclare l'ID_PROJET pour cette session :

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

gcloud est l'outil de ligne de commande pour Google Cloud. Il est préinstallé sur Cloud Shell et permet la complétion par tabulation.

3. (Facultatif) Vous pouvez lister les noms des comptes actifs à l'aide de cette commande :

gcloud auth list

4. Cliquez sur Autoriser.

Résultat :

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

5. (Facultatif) Vous pouvez lister les ID de projet à l'aide de cette commande :

gcloud config list project

Résultat :

[core] project = {{{project_0.project_id | "PROJECT_ID"}}} Remarque : Pour consulter la documentation complète sur gcloud, dans Google Cloud, accédez au guide de présentation de la gcloud CLI.

Tâche 1 : Configurer l'environnement Vertex AI

Vous allez activer les API nécessaires, accéder à la console Vertex AI et préparer votre bucket de stockage.

Vérifier que Vertex AI est activé

L'API Vertex AI est requise pour gérer les ensembles de données, entraîner les modèles et les déployer.

1. Dans la console Google Cloud, dans le menu de navigation (), sélectionnez API et services > Bibliothèque.

2. Dans le champ Rechercher des API et des services, saisissez API Vertex AI, puis cliquez sur API Vertex AI dans les résultats de recherche.

3. Vérifiez que l'API Vertex AI est à l'état Activée. Si ce n'est pas le cas, cliquez sur Activer.

Ouvrir le tableau de bord Vertex AI

• Dans le menu de navigation (), cliquez sur Vertex AI.

Créer un bucket de stockage

Le bucket de stockage contiendra vos images d'entraînement et le fichier manifeste. La région doit être compatible avec Vertex AI.

• Dans Cloud Shell, exécutez la commande suivante pour créer un bucket de stockage nommé -vcm :

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

Cliquez sur Vérifier ma progression pour valider l'objectif.

Créer un bucket Cloud Storage

Tâche 2 : Importer des images d'entraînement dans Cloud Storage

Pour entraîner un modèle à classer des images de nuages, vous devez fournir des données d'entraînement étiquetées. Ainsi, le modèle sera en mesure de comprendre les caractéristiques des images associées à différents types de nuages. Dans cet exemple, le modèle va apprendre à classer trois familles de nuages : les cirrus, les cumulus et les cumulonimbus.

Pour placer les images d'entraînement dans votre bucket Cloud Storage :

1. Dans Cloud Shell, exécutez la commande suivante pour créer une variable d'environnement avec le nom de votre bucket :

export BUCKET=$GOOGLE_CLOUD_PROJECT-vcm

Les images d'entraînement sont accessibles au public dans un bucket Cloud Storage.

2. À l'aide de l'utilitaire de ligne de commande gsutil pour Cloud Storage, copiez les images d'entraînement provenant d'un bucket public dans votre nouveau bucket :

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

3. Pour afficher les images que vous venez de copier dans votre bucket, dans le menu de navigation, cliquez sur Cloud Storage > Buckets, puis sur le nom de votre bucket. Vous devriez voir trois dossiers correspondant aux types de nuages.

Si vous cliquez sur les fichiers image dans chaque dossier, vous accédez aux photos qui serviront à entraîner le modèle à distinguer chaque type de nuages.

Cliquez sur Vérifier ma progression pour valider l'objectif.

Importer des images d'entraînement dans un bucket Cloud Storage

Tâche 3 : Créer un ensemble de données

Maintenant que vous avez importé vos données d'entraînement dans Cloud Storage, vous devez les rendre accessibles par Vertex AI. Normalement, vous devriez créer un fichier CSV dans lequel chaque ligne contient une URL pointant vers une image d'entraînement ainsi que l'étiquette associée à cette image.

Pour cet atelier, le fichier CSV a déjà été créé. Vous n'avez donc plus qu'à le mettre à jour en indiquant le nom de votre bucket.

1. Copiez le fichier CSV dans votre instance Cloud Shell :

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

2. Mettez à jour le fichier CSV en indiquant le nom de votre bucket :

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

3. Importez le fichier CSV mis à jour dans votre bucket Cloud Storage :

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

4. Une fois l'opération terminée, cliquez sur le bouton Actualiser en haut du navigateur Storage. Vérifiez que le fichier data.csv figure dans le bucket.

5. Dans le menu de navigation, cliquez sur Vertex AI > Ensembles de données.

6. Sélectionnez , puis cliquez sur Créer.

7. Indiquez clouds_vertex_ai dans le champ Nom de l'ensemble de données.

8. Sélectionnez le type de données Image.

9. Sélectionnez Classification à étiquette unique (étiquette unique) comme objectif.

Remarque : Dans vos projets, il peut être judicieux d'utiliser une classification à classes multiples.

10. Pour sélectionner une région, sélectionnez , puis cliquez sur Créer.

Vous allez maintenant importer des données.

11. Sélectionnez Sélectionner des fichiers d'importation à partir de Cloud Storage, puis cliquez sur Parcourir > -vcm > data.csv. Cliquez sur Sélectionner.

12. Cliquez sur Continuer, puis sur Importer.

Attendez que l'importation des images soit terminée. Cela devrait prendre entre deux et cinq minutes.

Cliquez sur Vérifier ma progression pour valider l'objectif.

Créer un ensemble de données

Tâche 4 : Générer des prédictions

Étant donné que le modèle a été pré-entraîné et est supposé être déployé, vous allez maintenant utiliser l'API Vertex AI (via une commande curl) pour obtenir des prédictions.

Simuler le déploiement (modèle pré-entraîné)

Les étapes suivantes partent du principe qu'un modèle pré-entraîné est déployé sur un point de terminaison Vertex AI. Dans un environnement de production, une fois son entraînement terminé, votre modèle serait déployé sur un point de terminaison Vertex AI. La structure de la requête de prédiction utilise l'ID de ressource du modèle ou l'URL du point de terminaison.

Préparer les images d'entrée

1. Téléchargez les deux exemples d'images que vous utiliserez pour la prédiction :

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

2. Affichez l'exemple de fichier d'entrée pour la prédiction (CLOUD1-JSON), qui contient des octets d'espace réservé :

cat CLOUD1-JSON

Générer des prédictions par rapport à un point de terminaison Vertex AI

Utilisez le format générique de l'API de prédiction Vertex AI, qui nécessite le déploiement du modèle. Les commandes suivantes utilisent un nom de point de terminaison ou de modèle à espace réservé à des fins d'illustration, en supposant qu'un modèle déployé nommé clouds-model existe.

Test 1 : prédiction pour CLOUD1

1. Définissez le fichier d'entrée sur la première image :

INPUT_DATA_FILE=CLOUD1-JSON

2. Simulez l'URL des prédictions Vertex AI.

• Étant donné qu'un point de terminaison actif ne peut pas être fourni automatiquement, nous utilisons une structure de commande reflétant l'API Vertex AI, qui utilise votre ID de projet et un ID de modèle.

• Dans un scénario réel, vous obtiendriez d'abord l'ID de point de terminaison réel. Cette commande est conceptuelle.

3. Définissez un MODEL_ID fictif et la REGION :

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

4. Exécutez l'appel de prédiction Vertex AI (conceptuel) :

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

Résultat attendu (conceptuel) : le modèle doit prédire qu'il s'agit d'un cirrus avec un degré de confiance élevé.

Test 2 : prédiction pour CLOUD2

1. Définissez le fichier d'entrée sur la première image :

INPUT_DATA_FILE=CLOUD2-JSON

2. Exécutez l'appel de prédiction Vertex AI (conceptuel) :

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

Résultat attendu (conceptuel) : le modèle doit prédire qu'il s'agit d'un cumulonimbus avec un degré de confiance élevé.

3. Copiez les fichiers txt dans votre bucket Google Cloud Storage :

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

Cliquez sur Vérifier ma progression pour valider l'objectif.

Générer des prédictions

Félicitations !

Dans cet atelier, vous avez utilisé Vertex AI pour créer un ensemble de données d'images et générer des prédictions par rapport à un point de terminaison de modèle déployé.

Étapes suivantes et informations supplémentaires

• Pour apprendre à réaliser chaque étape avec l'API, consultez la page Présentation de Vertex AI.

Formations et certifications Google Cloud

Les formations et certifications Google Cloud vous aident à tirer pleinement parti des technologies Google Cloud. Nos cours portent sur les compétences techniques et les bonnes pratiques à suivre pour être rapidement opérationnel et poursuivre votre apprentissage. Nous proposons des formations pour tous les niveaux, à la demande, en salle et à distance, pour nous adapter aux emplois du temps de chacun. Les certifications vous permettent de valider et de démontrer vos compétences et votre expérience en matière de technologies Google Cloud.

Dernière mise à jour du manuel : 17 octobre 2025

Dernier test de l'atelier : 17 octobre 2025

Copyright 2025 Google LLC. Tous droits réservés. Google et le logo Google sont des marques de Google LLC. Tous les autres noms d'entreprises et de produits peuvent être des marques des entreprises auxquelles ils sont associés.