GSP223

개요

Vertex AI는 머신러닝을 위한 Google Cloud의 통합 플랫폼입니다. Vertex AI의 AutoML 기능을 사용하면 높은 수준의 ML 전문 지식이 없어도 고품질의 커스텀 이미지 인식 모델을 간편하게 학습시킬 수 있습니다. 학습이 끝나면 모델은 관리형 엔드포인트에 배포되어 사용하기 쉬운 API를 통해 실시간 예측을 수행합니다.

이 실습에서는 클라우드 이미지를 Cloud Storage에 업로드하고, 이를 기반으로 Vertex AI 데이터 세트를 만들고, Vertex AI 엔드포인트에서 시뮬레이션된 사전 학습 모델을 사용하여 예측을 생성합니다.

목표

이번 실습에서는 다음 작업을 수행합니다.

• Vertex AI 환경과 Cloud Storage 버킷을 설정합니다.
• 라벨이 지정된 데이터 세트를 Cloud Storage에 업로드합니다.
• Vertex AI 데이터 세트를 만들고 검사합니다.
• Vertex AI 엔드포인트에 대한 예측을 생성합니다.

설정 및 요건

실습 시작 버튼을 클릭하기 전에

다음 안내를 확인하세요. 실습에는 시간 제한이 있으며 일시중지할 수 없습니다. 실습 시작을 클릭하면 타이머가 시작됩니다. 이 타이머는 Google Cloud 리소스를 사용할 수 있는 시간이 얼마나 남았는지를 표시합니다.

실무형 실습을 통해 시뮬레이션이나 데모 환경이 아닌 실제 클라우드 환경에서 실습 활동을 진행할 수 있습니다. 실습 시간 동안 Google Cloud에 로그인하고 액세스하는 데 사용할 수 있는 새로운 임시 사용자 인증 정보가 제공됩니다.

이 실습을 완료하려면 다음을 준비해야 합니다.

• 표준 인터넷 브라우저 액세스 권한(Chrome 브라우저 권장)

참고: 이 실습을 실행하려면 시크릿 모드(권장) 또는 시크릿 브라우저 창을 사용하세요. 개인 계정과 학습자 계정 간의 충돌로 개인 계정에 추가 요금이 발생하는 일을 방지해 줍니다.

• 실습을 완료하기에 충분한 시간(실습을 시작하고 나면 일시중지할 수 없음)

참고: 이 실습에는 학습자 계정만 사용하세요. 다른 Google Cloud 계정을 사용하는 경우 해당 계정에 비용이 청구될 수 있습니다.

실습을 시작하고 Google Cloud 콘솔에 로그인하는 방법

1. 실습 시작 버튼을 클릭합니다. 실습 비용을 결제해야 하는 경우 결제 수단을 선택할 수 있는 대화상자가 열립니다. 왼쪽에는 다음과 같은 항목이 포함된 실습 세부정보 창이 있습니다.

   • Google Cloud 콘솔 열기 버튼
   • 남은 시간
   • 이 실습에 사용해야 하는 임시 사용자 인증 정보
   • 필요한 경우 실습 진행을 위한 기타 정보

2. Google Cloud 콘솔 열기를 클릭합니다(Chrome 브라우저를 실행 중인 경우 마우스 오른쪽 버튼으로 클릭하고 시크릿 창에서 링크 열기를 선택합니다).

   실습에서 리소스가 가동되면 다른 탭이 열리고 로그인 페이지가 표시됩니다.

   팁: 두 개의 탭을 각각 별도의 창으로 나란히 정렬하세요.

   참고: 계정 선택 대화상자가 표시되면 다른 계정 사용을 클릭합니다.

3. 필요한 경우 아래의 사용자 이름을 복사하여 로그인 대화상자에 붙여넣습니다.

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

   실습 세부정보 창에서도 사용자 이름을 확인할 수 있습니다.

4. 다음을 클릭합니다.

5. 아래의 비밀번호를 복사하여 시작하기 대화상자에 붙여넣습니다.

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

   실습 세부정보 창에서도 비밀번호를 확인할 수 있습니다.

6. 다음을 클릭합니다.

   중요: 실습에서 제공하는 사용자 인증 정보를 사용해야 합니다. Google Cloud 계정 사용자 인증 정보를 사용하지 마세요. 참고: 이 실습에 자신의 Google Cloud 계정을 사용하면 추가 요금이 발생할 수 있습니다.

7. 이후에 표시되는 페이지를 클릭하여 넘깁니다.

   • 이용약관에 동의합니다.
   • 임시 계정이므로 복구 옵션이나 2단계 인증을 추가하지 않습니다.
   • 무료 체험판을 신청하지 않습니다.

잠시 후 Google Cloud 콘솔이 이 탭에서 열립니다.

참고: Google Cloud 제품 및 서비스에 액세스하려면 탐색 메뉴를 클릭하거나 검색창에 제품 또는 서비스 이름을 입력합니다.

Cloud Shell 활성화

Cloud Shell은 다양한 개발 도구가 탑재된 가상 머신으로, 5GB의 영구 홈 디렉터리를 제공하며 Google Cloud에서 실행됩니다. Cloud Shell을 사용하면 명령줄을 통해 Google Cloud 리소스에 액세스할 수 있습니다.

1. Google Cloud 콘솔 상단에서 Cloud Shell 활성화 를 클릭합니다.

2. 다음 창을 클릭합니다.

   • Cloud Shell 정보 창을 통해 계속 진행합니다.
   • 사용자 인증 정보를 사용하여 Google Cloud API를 호출할 수 있도록 Cloud Shell을 승인합니다.

연결되면 사용자 인증이 이미 처리된 것이며 프로젝트가 학습자의 PROJECT_ID, (으)로 설정됩니다. 출력에 이 세션의 PROJECT_ID를 선언하는 줄이 포함됩니다.

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

gcloud는 Google Cloud의 명령줄 도구입니다. Cloud Shell에 사전 설치되어 있으며 명령줄 자동 완성을 지원합니다.

3. (선택사항) 다음 명령어를 사용하여 활성 계정 이름 목록을 표시할 수 있습니다.

gcloud auth list

4. 승인을 클릭합니다.

출력:

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

5. (선택사항) 다음 명령어를 사용하여 프로젝트 ID 목록을 표시할 수 있습니다.

gcloud config list project

출력:

[core] project = {{{project_0.project_id | "PROJECT_ID"}}} 참고: gcloud 전체 문서는 Google Cloud에서 gcloud CLI 개요 가이드를 참고하세요.

작업 1. Vertex AI 환경 설정

필요한 API를 사용 설정하고 Vertex AI 콘솔에 액세스하고 스토리지 버킷을 준비합니다.

Vertex AI가 사용 설정되어 있는지 확인

데이터 세트 관리, 모델 학습 및 배포에는 Vertex AI API가 필요합니다.

1. Google Cloud 콘솔의 탐색 메뉴()에서 API 및 서비스 > 라이브러리를 선택합니다.

2. API 및 서비스 검색 필드에 Vertex AI API를 입력한 다음 검색 결과에서 Vertex AI API를 클릭합니다.

3. Vertex AI API가 사용 설정 상태인지 확인합니다. 사용 설정 상태가 아니면 사용 설정을 클릭합니다.

Vertex AI 대시보드 열기

• 탐색 메뉴()에서 Vertex AI를 클릭합니다.

스토리지 버킷 만들기

스토리지 버킷에는 학습 이미지와 매니페스트 파일이 보관됩니다. 리전은 Vertex AI에서 지원하는 리전이어야 합니다.

• Cloud Shell에서 다음 명령어를 실행하여 -vcm이라는 스토리지 버킷을 만듭니다.

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

내 진행 상황 확인하기를 클릭하여 목표를 확인합니다.

Cloud Storage 버킷 만들기

작업 2. Cloud Storage에 학습용 이미지 업로드

구름 이미지를 분류하도록 모델을 학습시키려면 라벨이 지정된 학습 데이터가 필요합니다. 이렇게 해야 모델이 서로 다른 유형의 구름과 연관된 이미지 특징을 파악할 수 있습니다. 이 예시에서 모델은 권운, 적운, 적란운이란 세 가지 구름 유형을 분류하도록 학습됩니다.

다음 단계에 따라 학습 이미지를 Cloud Storage 버킷에 넣으세요.

1. Cloud Shell에서 다음 명령어를 실행하여 버킷 이름으로 환경 변수를 만듭니다.

export BUCKET=$GOOGLE_CLOUD_PROJECT-vcm

학습용 이미지는 Cloud Storage 버킷에서 공개 상태로 제공됩니다.

2. Cloud Storage용 gsutil 명령줄 유틸리티를 사용하여 공개 버킷의 학습용 이미지를 새 버킷에 복사합니다.

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

3. 버킷에 복사한 이미지를 보려면 탐색 메뉴에서 Cloud Storage > 버킷을 클릭한 다음 버킷 이름을 클릭합니다. 구름 유형에 해당하는 폴더 세 개가 표시됩니다.

각 폴더의 개별 이미지 파일을 클릭하면 각 구름 유형을 모델에 학습시킬 때 사용할 사진이 표시됩니다.

내 진행 상황 확인하기를 클릭하여 목표를 확인합니다.

Cloud Storage 버킷에 학습용 이미지 업로드

작업 3. 데이터 세트 만들기

이제 Cloud Storage에 학습 데이터가 있으므로 Vertex AI가 데이터에 액세스할 방법을 찾아야 합니다. 일반적으로는 각 행에 학습용 이미지의 URL과 그 이미지의 관련 라벨이 있는 CSV 파일을 만듭니다.

이 실습에서는 CSV 파일이 이미 생성되어 있으니 버킷 이름으로 업데이트하기만 하면 됩니다.

1. Cloud Shell 인스턴스에 CSV 파일을 복사합니다.

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

2. 해당 버킷 이름으로 CSV 파일을 업데이트합니다.

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

3. Cloud Storage 버킷에 업데이트된 CSV 파일을 업로드합니다.

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

4. 명령어 실행이 완료되면 Cloud Storage 브라우저 상단의 새로고침 버튼을 클릭합니다. 버킷에 data.csv 파일이 보이는지 확인합니다.

5. 탐색 메뉴에서 Vertex AI > 데이터 세트를 클릭합니다.

6. 을(를) 선택하고 만들기를 클릭합니다.

7. 데이터 세트 이름을 clouds_vertex_ai로 설정합니다.

8. 데이터 유형으로 이미지를 선택합니다.

9. 단일 라벨 분류(single-label)를 목표로 선택합니다.

참고: 프로젝트에서 다중 클래스 분류를 사용할 수 있습니다.

10. 리전으로 을(를) 선택하고 만들기를 클릭합니다.

이제 데이터를 가져옵니다.

11. Cloud Storage에서 파일 가져오기 선택을 선택한 다음 찾아보기 > -vcm > data.csv를 클릭합니다. 선택을 클릭합니다.

12. 계속을 클릭한 다음 가져오기를 클릭합니다.

이미지 가져오기가 완료될 때까지 기다립니다. 2~5분 정도 걸립니다.

내 진행 상황 확인하기를 클릭하여 목표를 확인합니다.

데이터 세트 만들기

작업 4. 예측 생성

모델이 사전 학습되었고 배포된 것으로 보이니 이제 curl 명령어를 통해 Vertex AI API를 사용하여 예측을 가져옵니다.

배포 시뮬레이션(사전 학습 모델)

다음 단계에서는 사전 학습 모델이 Vertex AI 엔드포인트에 배포되어 있다고 가정합니다. 프로덕션 환경에서는 학습이 끝나면 모델이 Vertex AI 엔드포인트에 배포됩니다. 예측 요청 구조는 모델의 리소스 ID 또는 엔드포인트의 URL을 사용합니다.

입력 이미지 준비

1. 예측에 사용할 두 예시 이미지를 다운로드합니다.

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

2. 자리표시자 바이트가 포함된 예측용 예시 입력 파일(CLOUD1-JSON)을 확인합니다.

cat CLOUD1-JSON

Vertex AI 엔드포인트에 대한 예측 생성

모델을 배포해야 하는 일반 Vertex AI Prediction API 형식을 사용합니다. 다음 명령어는 실습 내용을 설명하기 위해 자리표시자 엔드포인트/모델 이름을 사용하며 clouds-model이라는 모델이 배포되었다고 가정합니다.

테스트 1: CLOUD1 예측

1. 입력 파일을 첫 번째 이미지로 설정합니다.

INPUT_DATA_FILE=CLOUD1-JSON

2. Vertex AI 예측 URL을 시뮬레이션합니다.

• 실시간 엔드포인트는 자동으로 제공될 수 없으므로, 프로젝트 ID와 모델 ID를 사용하는 Vertex AI API를 반영하는 명령어 구조를 사용합니다.

• 실제 시나리오에서는 먼저 실제 엔드포인트 ID를 가져옵니다. 이 명령어는 개념적인 명령어입니다.

3. 더미 MODEL_ID와 REGION을 설정합니다.

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

4. 개념적 Vertex AI 예측 호출을 실행합니다.

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

예상 출력(개념적): 모델은 높은 신뢰도로 이 이미지가 권운이라고 예측해야 합니다.

테스트 2: CLOUD2 예측

1. 입력 파일을 첫 번째 이미지로 설정합니다.

INPUT_DATA_FILE=CLOUD2-JSON

2. 개념적 Vertex AI 예측 호출을 실행합니다.

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

예상 출력(개념적): 모델은 높은 신뢰도로 이 이미지가 적란운이라고 예측해야 합니다.

3. txt 파일을 Google Cloud Storage 버킷에 복사합니다.

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

내 진행 상황 확인하기를 클릭하여 목표를 확인합니다.

예측 생성

수고하셨습니다

이 실습에서는 Vertex AI를 사용하여 이미지 데이터 세트를 만들고 배포된 모델 엔드포인트에 대한 예측을 생성했습니다.

다음 단계/더 학습하기

• API로 각 단계를 실행하는 방법을 알아보려면 Vertex AI 소개를 참고하세요.

Google Cloud 교육 및 자격증

Google Cloud 기술을 최대한 활용하는 데 도움이 됩니다. Google 강의에는 빠른 습득과 지속적인 학습을 지원하는 기술적인 지식과 권장사항이 포함되어 있습니다. 기초에서 고급까지 수준별 학습을 제공하며 바쁜 일정에 알맞은 주문형, 실시간, 가상 옵션이 포함되어 있습니다. 인증은 Google Cloud 기술에 대한 역량과 전문성을 검증하고 입증하는 데 도움이 됩니다.

설명서 최종 업데이트: 2025년 10월 17일

실습 최종 테스트: 2025년 10월 17일

Copyright 2025 Google LLC. All rights reserved. Google 및 Google 로고는 Google LLC의 상표입니다. 기타 모든 회사명 및 제품명은 해당 업체의 상표일 수 있습니다.