GSP223

Panoramica

Vertex AI è la piattaforma unificata di Google Cloud per il machine learning. La funzionalità AutoML in Vertex AI semplifica l'addestramento di modelli personalizzati di qualità elevata per il riconoscimento delle immagini senza richiedere competenze approfondite di ML. Dopo l'addestramento, viene eseguito il deployment dei modelli in un endpoint gestito per le previsioni in tempo reale tramite un'API facile da usare.

In questo lab caricherai immagini di nuvole in Cloud Storage, creerai un set di dati Vertex AI e utilizzerai un modello preaddestrato (simulato) su un endpoint Vertex AI per generare previsioni.

Obiettivi

In questo lab imparerai a:

• Configurare l'ambiente Vertex AI e un bucket Cloud Storage.
• Caricare un set di dati etichettato in Cloud Storage.
• Creare e ispezionare un set di dati Vertex AI.
• Generare previsioni sulla base di un endpoint Vertex AI.

Configurazione e requisiti

Prima di fare clic sul pulsante Avvia lab

Leggi le seguenti istruzioni. I lab sono a tempo e non possono essere messi in pausa. Il timer si avvia quando fai clic su Inizia il lab e ti mostra per quanto tempo avrai a disposizione le risorse Google Cloud.

Con questo lab pratico avrai la possibilità di completare le attività in un ambiente cloud reale e non di simulazione o demo. Riceverai delle nuove credenziali temporanee che potrai utilizzare per accedere a Google Cloud per la durata del lab.

Per completare il lab, avrai bisogno di:

• Accesso a un browser internet standard (Chrome è il browser consigliato).

Nota: per eseguire questo lab, utilizza una finestra del browser in modalità di navigazione in incognito (consigliata) o privata. Ciò evita conflitti tra il tuo account personale e l'account studente, che potrebbero causare addebiti aggiuntivi sul tuo account personale.

• È ora di completare il lab: ricorda che, una volta iniziato, non puoi metterlo in pausa.

Nota: utilizza solo l'account studente per questo lab. Se utilizzi un altro account Google Cloud, potrebbero essere addebitati costi su quell'account.

Come avviare il lab e accedere alla console Google Cloud

1. Fai clic sul pulsante Avvia lab. Se devi effettuare il pagamento per il lab, si aprirà una finestra di dialogo per permetterti di selezionare il metodo di pagamento. A sinistra, trovi il riquadro Dettagli lab con le seguenti informazioni:

   • Il pulsante Apri la console Google Cloud
   • Tempo rimanente
   • Credenziali temporanee da utilizzare per il lab
   • Altre informazioni per seguire questo lab, se necessario

2. Fai clic su Apri console Google Cloud (o fai clic con il tasto destro del mouse e seleziona Apri link in finestra di navigazione in incognito se utilizzi il browser Chrome).

   Il lab avvia le risorse e apre un'altra scheda con la pagina di accesso.

   Suggerimento: disponi le schede in finestre separate posizionate fianco a fianco.

   Nota: se visualizzi la finestra di dialogo Scegli un account, fai clic su Usa un altro account.

3. Se necessario, copia il Nome utente di seguito e incollalo nella finestra di dialogo di accesso.

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

   Puoi trovare il Nome utente anche nel riquadro Dettagli lab.

4. Fai clic su Avanti.

5. Copia la Password di seguito e incollala nella finestra di dialogo di benvenuto.

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

   Puoi trovare la Password anche nel riquadro Dettagli lab.

6. Fai clic su Avanti.

   Importante: devi utilizzare le credenziali fornite dal lab. Non utilizzare le credenziali del tuo account Google Cloud. Nota: utilizzare il tuo account Google Cloud per questo lab potrebbe comportare addebiti aggiuntivi.

7. Fai clic nelle pagine successive:

   • Accetta i termini e le condizioni.
   • Non inserire opzioni di recupero o l'autenticazione a due fattori, perché si tratta di un account temporaneo.
   • Non registrarti per le prove gratuite.

Dopo qualche istante, la console Google Cloud si apre in questa scheda.

Nota: per accedere ai prodotti e ai servizi Google Cloud, fai clic sul menu di navigazione o digita il nome del servizio o del prodotto nel campo Cerca.

Attiva Cloud Shell

Cloud Shell è una macchina virtuale in cui sono caricati strumenti per sviluppatori. Offre una home directory permanente da 5 GB e viene eseguita su Google Cloud. Cloud Shell fornisce l'accesso da riga di comando alle risorse Google Cloud.

1. Fai clic su Attiva Cloud Shell nella parte superiore della console Google Cloud.

2. Fai clic nelle seguenti finestre:

   • Continua nella finestra delle informazioni di Cloud Shell.
   • Autorizza Cloud Shell a utilizzare le tue credenziali per effettuare chiamate API Google Cloud.

Quando la connessione è attiva, l'autenticazione è già avvenuta e il progetto è impostato sul tuo Project_ID, . L'output contiene una riga che dichiara il Project_ID per questa sessione:

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

gcloud è lo strumento a riga di comando di Google Cloud. È preinstallato su Cloud Shell e supporta il completamento tramite tasto Tab.

3. (Facoltativo) Puoi visualizzare il nome dell'account attivo con questo comando:

gcloud auth list

4. Fai clic su Autorizza.

Output:

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

5. (Facoltativo) Puoi elencare l'ID progetto con questo comando:

gcloud config list project

Output:

[core] project = {{{project_0.project_id | "PROJECT_ID"}}} Nota: per la documentazione completa di gcloud, in Google Cloud, fai riferimento alla guida Panoramica dell'interfaccia a riga di comando gcloud.

Attività 1: configura l'ambiente Vertex AI

Abiliterai le API necessarie, accederai alla console Vertex AI e preparerai il bucket di archiviazione.

Verifica che Vertex AI sia abilitato

L'API Vertex AI è necessaria per gestire i set di dati, l'addestramento e il deployment dei modelli.

1. Nel menu di navigazione () della console Google Cloud, seleziona API e servizi > Libreria.

2. Nel campo Cerca API e servizi, digita API Vertex AI, quindi fai clic su API Vertex AI nei risultati di ricerca.

3. Verifica che l'API Vertex AI sia nello stato Abilitata. In caso contrario, fai clic su Abilita.

Apri la dashboard di Vertex AI

• Nel menu di navigazione (), fai clic su Vertex AI.

Crea un bucket di archiviazione

Il bucket di archiviazione conterrà le immagini di addestramento e il file manifest. La regione deve essere supportata da Vertex AI.

• In Cloud Shell, esegui il comando seguente per creare un bucket di archiviazione denominato -vcm:

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

Fai clic su Controlla i miei progressi per verificare l'obiettivo.

Crea un bucket Cloud Storage

Attività 2: carica le immagini di addestramento in Cloud Storage

Per addestrare un modello alla classificazione delle immagini di nuvole, sono necessari dati di addestramento etichettati in modo che il modello sia in grado di comprendere le caratteristiche delle immagini associate ai vari tipi di nuvola. In questo esempio il modello impara a classificare tre tipi diversi di nuvola: cirro, cumulo e cumulonembo.

Per inserire le immagini di addestramento nel bucket Cloud Storage:

1. In Cloud Shell, esegui il comando seguente per creare una variabile di ambiente con il nome del bucket:

export BUCKET=$GOOGLE_CLOUD_PROJECT-vcm

Le immagini di addestramento sono disponibili pubblicamente in un bucket Cloud Storage.

2. Utilizza l'utilità a riga di comando gsutil per Cloud Storage per copiare le immagini di addestramento da un bucket pubblico al nuovo bucket:

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

3. Per visualizzare le immagini appena copiate nel bucket, nel menu di navigazione, fai clic su Cloud Storage > Bucket e poi sul nome del bucket. Dovresti vedere tre cartelle corrispondenti ai tipi di nuvole.

Se fai clic sui singoli file immagine in ciascuna cartella, vedrai le foto che utilizzerai per addestrare il modello per ogni tipo di nuvola.

Fai clic su Controlla i miei progressi per verificare l'obiettivo.

Carica le immagini di addestramento nel bucket Cloud Storage

Attività 3: crea un set di dati

Ora che i dati di addestramento sono in Cloud Storage, devi fare in modo che Vertex AI possa accedervi. In genere, dovresti creare un file CSV in cui ciascuna riga contiene un URL che fa riferimento a un'immagine di addestramento e l'etichetta associata a quell'immagine.

Per questo lab, il file CSV è stato creato automaticamente; devi solo aggiornarlo con il nome del tuo bucket.

1. Copia il file CSV nell'istanza di Cloud Shell:

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

2. Aggiorna il file CSV con il nome del tuo bucket specifico:

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

3. Carica il file CSV aggiornato nel bucket Cloud Storage:

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

4. Una volta completato il comando, fai clic sul pulsante Aggiorna nella parte superiore del browser di Storage. Assicurati di vedere il file data.csv nel tuo bucket.

5. Nel menu di navigazione, fai clic su Vertex AI > Set di dati.

6. Seleziona e fai clic su Crea.

7. Imposta Nome set di dati su clouds_vertex_ai.

8. Seleziona Immagine come tipo di dati.

9. Seleziona Classificazione con etichetta singola come obiettivo.

Nota: è possibile che nei tuoi progetti tu preferisca utilizzare la classificazione multi-classe.

10. Per la selezione della regione, seleziona e fai clic su Crea.

Ora importerai i dati.

11. Scegli Seleziona file di importazione da Cloud Storage e poi fai clic su Sfoglia > -vcm > data.csv. Fai clic su Seleziona.

12. Fai clic su Continua e poi su Importa.

Attendi il completamento dell'importazione delle immagini, che dovrebbe richiedere 2-5 minuti.

Fai clic su Controlla i miei progressi per verificare l'obiettivo.

Crea un set di dati

Attività 4: genera previsioni

Poiché il modello è stato preaddestrato e si presume che il deployment sia stato eseguito, ora utilizzerai l'API Vertex AI (tramite un comando curl) per ottenere previsioni.

Simula il deployment (modello preaddestrato)

I passaggi successivi presuppongono che sia stato eseguito il deployment di un modello preaddestrato in un endpoint Vertex AI. In un ambiente di produzione, dopo l'addestramento, il deployment del modello deve essere eseguito in un endpoint Vertex AI. La struttura della richiesta di previsione utilizza l'ID risorsa del modello o l'URL dell'endpoint.

Prepara le immagini di input

1. Scarica le due immagini di esempio che utilizzerai per la previsione:

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

2. Visualizza il file di input di esempio per la previsione (CLOUD1-JSON), che contiene byte segnaposto:

cat CLOUD1-JSON

Genera previsioni sulla base di un endpoint Vertex AI

Utilizza il formato generico dell'API Vertex AI di previsione, che richiede il deployment del modello. I comandi seguenti utilizzano un nome del modello/dell'endpoint segnaposto a scopo illustrativo, presupponendo l'esistenza di un modello denominato clouds-model di cui è stato eseguito il deployment.

Test 1: previsione per CLOUD1

1. Imposta il file di input sulla prima immagine:

INPUT_DATA_FILE=CLOUD1-JSON

2. Simula l'URL delle previsioni di Vertex AI

• Poiché non è possibile fornire automaticamente un endpoint in tempo reale, utilizziamo una struttura di comandi che riflette l'API Vertex AI, che utilizza l'ID progetto e un ID modello.

• In uno scenario reale, dovresti prima ottenere l'ID endpoint effettivo. Questo comando è concettuale.

3. Imposta un MODEL_ID fittizio e REGION:

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

4. Esegui la chiamata di previsione di Vertex AI (concettuale):

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

Output previsto (concettuale): il modello dovrebbe prevedere che si tratta di un cirro con un'affidabilità elevata.

Test 2: previsione per CLOUD2

1. Imposta il file di input sulla prima immagine:

INPUT_DATA_FILE=CLOUD2-JSON

2. Esegui la chiamata di previsione di Vertex AI (concettuale):

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

Output previsto (concettuale): il modello dovrebbe prevedere che si tratta di un cumulonembo con un'affidabilità elevata.

3. Copia i file TXT nel bucket Google Cloud Storage:

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

Fai clic su Controlla i miei progressi per verificare l'obiettivo.

Genera previsioni

Complimenti!

In questo lab hai utilizzato Vertex AI per creare un set di dati di immagini e generare previsioni sulla base di un endpoint del modello di cui è stato eseguito il deployment.

Prossimi passi/Scopri di più

• Per scoprire come eseguire ogni passaggio con l'API, leggi Introduzione a Vertex AI

Formazione e certificazione Google Cloud

… per utilizzare al meglio le tecnologie Google Cloud. I nostri corsi ti consentono di sviluppare competenze tecniche e best practice per aiutarti a metterti subito al passo e avanzare nel tuo percorso di apprendimento. Offriamo vari livelli di formazione, dal livello base a quello avanzato, con opzioni di corsi on demand, dal vivo e virtuali, in modo da poter scegliere il più adatto in base ai tuoi impegni. Le certificazioni ti permettono di confermare e dimostrare le tue abilità e competenze relative alle tecnologie Google Cloud.

Ultimo aggiornamento del manuale: 17 ottobre 2025

Ultimo test del lab: 17 ottobre 2025

Copyright 2025 Google LLC. Tutti i diritti riservati. Google e il logo Google sono marchi di Google LLC. Tutti gli altri nomi di società e prodotti sono marchi delle rispettive società a cui sono associati.