GSP223

Opis

Vertex AI to ujednolicona platforma Google Cloud do uczenia maszynowego. Funkcja AutoML w Vertex AI upraszcza trenowanie wysokiej jakości niestandardowych modeli do rozpoznawania obrazów, eliminując konieczność posiadania zaawansowanej wiedzy z zakresu uczenia maszynowego. Po wytrenowaniu modele są wdrażane za pomocą łatwego w użyciu interfejsu API w zarządzanym punkcie końcowym, aby generować prognozy w czasie rzeczywistym.

W tym module prześlesz obrazy przedstawiające chmury do Cloud Storage, utworzysz z nich zbiór danych Vertex AI i użyjesz wstępnie wytrenowanego (symulowanego) modelu w punkcie końcowym Vertex AI do wygenerowania prognoz.

Cele

W tym module:

• skonfigurujesz środowisko Vertex AI i zasobnik Cloud Storage,
• prześlesz oznaczony etykietami zbiór danych do Cloud Storage,
• utworzysz i sprawdzisz zbiór danych Vertex AI,
• wygenerujesz prognozy za pomocą punktu końcowego Vertex AI.

Konfiguracja i wymagania

Zanim klikniesz przycisk Rozpocznij moduł

Zapoznaj się z tymi instrukcjami. Moduły mają limit czasowy i nie można ich zatrzymać. Gdy klikniesz Rozpocznij moduł, na liczniku wyświetli się informacja o tym, na jak długo udostępniamy Ci zasoby Google Cloud.

W tym praktycznym module możesz spróbować swoich sił w wykonywaniu opisywanych działań w prawdziwym środowisku chmury, a nie w jego symulacji lub wersji demonstracyjnej. Otrzymasz nowe, tymczasowe dane logowania, dzięki którym zalogujesz się i uzyskasz dostęp do Google Cloud na czas trwania modułu.

Do ukończenia modułu potrzebne będą:

• Dostęp do standardowej przeglądarki internetowej (zalecamy korzystanie z przeglądarki Chrome).

Uwaga: uruchom ten moduł w oknie incognito (zalecane) lub przeglądania prywatnego. Dzięki temu unikniesz konfliktu między swoim kontem osobistym a kontem do nauki, co mogłoby spowodować naliczanie dodatkowych opłat na koncie osobistym.

• Odpowiednia ilość czasu na ukończenie modułu – pamiętaj, że gdy rozpoczniesz, nie możesz go wstrzymać.

Uwaga: w tym module używaj tylko konta do nauki. Jeśli użyjesz innego konta Google Cloud, mogą na nim zostać naliczone opłaty.

Rozpoczynanie modułu i logowanie się w konsoli Google Cloud

1. Kliknij przycisk Rozpocznij moduł. Jeśli moduł jest odpłatny, otworzy się okno, w którym możesz wybrać formę płatności. Po lewej stronie znajduje się panel Szczegóły modułu z następującymi elementami:

   • przyciskiem Otwórz konsolę Google Cloud;
   • czasem, który Ci pozostał;
   • tymczasowymi danymi logowania, których musisz użyć w tym module;
   • innymi informacjami potrzebnymi do ukończenia modułu.

2. Kliknij Otwórz konsolę Google Cloud (lub kliknij prawym przyciskiem myszy i wybierz Otwórz link w oknie incognito, jeśli korzystasz z przeglądarki Chrome).

   Moduł uruchomi zasoby, po czym otworzy nową kartę ze stroną logowania.

   Wskazówka: otwórz karty obok siebie w osobnych oknach.

   Uwaga: jeśli pojawi się okno Wybierz konto, kliknij Użyj innego konta.

3. W razie potrzeby skopiuj nazwę użytkownika znajdującą się poniżej i wklej ją w oknie logowania.

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

   Nazwę użytkownika znajdziesz też w panelu Szczegóły modułu.

4. Kliknij Dalej.

5. Skopiuj podane niżej hasło i wklej je w oknie powitania.

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

   Hasło znajdziesz też w panelu Szczegóły modułu.

6. Kliknij Dalej.

   Ważne: musisz użyć danych logowania podanych w module. Nie używaj danych logowania na swoje konto Google Cloud. Uwaga: korzystanie z własnego konta Google Cloud w tym module może wiązać się z dodatkowymi opłatami.

7. Na kolejnych stronach wykonaj następujące czynności:

   • Zaakceptuj Warunki korzystania z usługi.
   • Nie dodawaj opcji odzyskiwania ani uwierzytelniania dwuskładnikowego (ponieważ konto ma charakter tymczasowy).
   • Nie rejestruj się w bezpłatnych wersjach próbnych.

Poczekaj, aż na karcie otworzy się konsola Google Cloud.

Uwaga: aby uzyskać dostęp do produktów i usług Google Cloud, kliknij Menu nawigacyjne lub wpisz nazwę usługi albo produktu w polu Szukaj.

Aktywowanie Cloud Shell

Cloud Shell to maszyna wirtualna oferująca wiele narzędzi dla programistów. Zawiera stały katalog domowy o pojemności 5 GB i działa w Google Cloud. Dzięki wierszowi poleceń Cloud Shell zyskujesz dostęp do swoich zasobów Google Cloud.

1. Kliknij Aktywuj Cloud Shell  na górze konsoli Google Cloud.

2. Kliknij te okna:

   • Przejdź przez okno z informacjami o Cloud Shell.
   • Zezwól Cloud Shell na używanie Twoich danych logowania w celu wywoływania interfejsu Google Cloud API.

Po połączeniu użytkownik od razu jest uwierzytelniony. Uruchomi się Twój projekt o identyfikatorze Project_ID . Dane wyjściowe zawierają wiersz z zadeklarowanym identyfikatorem Project_ID dla tej sesji:

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

gcloud to narzędzie wiersza poleceń Google Cloud. Jest ono już zainstalowane w Cloud Shell i obsługuje funkcję autouzupełniania po naciśnięciu tabulatora.

3. (Opcjonalnie) Aby wyświetlić listę aktywnych kont, użyj tego polecenia:

gcloud auth list

4. Kliknij Autoryzuj.

Dane wyjściowe:

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

5. (Opcjonalnie) Aby wyświetlić identyfikator projektu, użyj tego polecenia:

gcloud config list project

Dane wyjściowe:

[core] project = {{{project_0.project_id | "PROJECT_ID"}}} Uwaga: pełną dokumentację gcloud w Google Cloud znajdziesz w opisie gcloud CLI.

Zadanie 1. Konfigurowanie środowiska Vertex AI

Włączysz niezbędne interfejsy API, uzyskasz dostęp do konsoli Vertex AI i przygotujesz zasobnik na dane.

Sprawdzanie, czy interfejs Vertex AI jest włączony

Do zarządzania zbiorami danych oraz trenowania i wdrażania modeli wymagany jest interfejs Vertex AI API.

1. W Menu nawigacyjnym () konsoli Google Cloud wybierz Interfejsy API i usługi > Biblioteka.

2. W polu Wyszukaj interfejsy API i usługi wpisz Vertex AI API, a potem w wynikach wyszukiwania kliknij Vertex AI API.

3. Sprawdź, czy Vertex AI API ma stan włączony. Jeśli nie, kliknij Włącz.

Otwieranie panelu Vertex AI

• W Menu nawigacyjnym () kliknij Vertex AI.

Tworzenia zasobnika na dane

Zasobnik na dane będzie zawierać obrazy do trenowania i plik manifestu. Region musi być obsługiwany przez Vertex AI.

• Aby utworzyć zasobnik o nazwie -vcm, uruchom w Cloud Shell to polecenie:

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

Kliknij Sprawdź postępy, aby zobaczyć, jak Ci poszło.

Utworzenie zasobnika Cloud Storage

Zadanie 2. Przesyłanie obrazów do trenowania do Cloud Storage

Aby wytrenować model do klasyfikowania obrazów przedstawiających chmury, potrzebujesz oznaczonych etykietami danych treningowych, tak aby model mógł zrozumieć cechy obrazów powiązane z różnymi rodzajami chmur. W tym przykładzie model uczy się klasyfikować 3 różne rodzaje chmur: cirrusy, cumulusy i cumulonimbusy.

Aby umieścić obrazy do trenowania w zasobniku Cloud Storage:

1. Uruchom w Cloud Shell to polecenie, aby utworzyć zmienną środowiskową z nazwą Twojego zasobnika:

export BUCKET=$GOOGLE_CLOUD_PROJECT-vcm

Obrazy do trenowania są dostępne publicznie w zasobniku Cloud Storage.

2. W Cloud Storage użyj narzędzia wiersza polecenia gsutil, aby skopiować obrazy do trenowania z zasobnika publicznego do nowego zasobnika:

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

3. Aby wyświetlić obrazy, które zostały skopiowane do zasobnika, w Menu nawigacyjnym kliknij Cloud Storage > Zasobniki, a następnie kliknij nazwę zasobnika. Powinny wyświetlić się 3 foldery odpowiadające typom chmur.

Jeśli klikniesz poszczególne pliki obrazów w każdym z folderów, wyświetlą się zdjęcia, których użyjesz do wytrenowania modelu dla każdego rodzaju chmury.

Kliknij Sprawdź postępy, aby zobaczyć, jak Ci poszło.

Przesłanie obrazów do trenowania do zasobnika Cloud Storage

Zadanie 3. Tworzenie zbioru danych

Dane do trenowania znajdują się już w Cloud Storage, musisz więc znaleźć sposób na udostępnienie ich Vertex AI. Zwykle musisz utworzyć plik CSV, w którym każdy wiersz będzie zawierał adres URL obrazu do trenowania oraz etykietę powiązaną z tym obrazem.

W tym module ten plik został już dla Ciebie utworzony – musisz go tylko zaktualizować, używając nazwy swojego zasobnika.

1. Skopiuj plik CSV do instancji Cloud Shell:

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

2. Zaktualizuj plik CSV, używając nazwy swojego zasobnika:

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

3. Prześlij zaktualizowany plik CSV do zasobnika Cloud Storage:

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

4. Po zakończeniu wykonywania polecenia u góry okna przeglądarki kliknij przycisk Odśwież. Sprawdź, czy plik data.csv wyświetla się w Twoim zasobniku.

5. W Menu nawigacyjnym kliknij Vertex AI > Zbiory danych.

6. Wybierz i kliknij Utwórz.

7. Jako Nazwę zbioru danych ustaw clouds_vertex_ai.

8. Jako typ danych wybierz Obraz.

9. Wybierz cel Klasyfikacja z jedną etykietą.

Uwaga: we własnych projektach możesz używać też klasyfikacji wieloklasowej.

10. Aby wybrać region, kliknij i Utwórz.

Teraz zaimportujesz dane.

11. Wybierz opcję Wybierz pliki importu z Cloud Storage, a następnie kliknij Przeglądaj > -vcm > data.csv. Kliknij Wybierz.

12. Kliknij Dalej, a potem Importuj.

Poczekaj na zakończenie importowania obrazów. Powinno to zająć od 2 do 5 minut.

Kliknij Sprawdź postępy, aby zobaczyć, jak Ci poszło.

Utworzenie zbioru danych

Zadanie 4. Generowanie prognoz

Model został już wstępnie wytrenowany i zakładamy, że został też wdrożony, więc teraz użyjesz interfejsu Vertex AI API (za pomocą polecenia curl), aby wygenerować prognozy.

Symulowanie wdrożenia (wytrenowany model)

W dalszych krokach założymy, że wytrenowany model został wdrożony w punkcie końcowym Vertex AI. Po wytrenowaniu model zostanie wdrożony w środowisku produkcyjnym w punkcie końcowym Vertex AI. Struktura żądania prognozy używa identyfikatora zasobu modelu lub adresu URL punktu końcowego.

Przygotowywanie obrazów wejściowych

1. Pobierz 2 przykładowe obrazy, których użyjesz do prognozowania:

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

2. Wyświetl przykładowy plik wejściowy na potrzeby prognozowania (CLOUD1-JSON), który zawiera bajty zastępcze:

cat CLOUD1-JSON

Generowanie prognoz za pomocą punktu końcowego Vertex AI

Użyj ogólnego formatu interfejsu Vertex AI API do prognozowania, który wymaga wdrożenia modelu. W przykładach poniżej użyto zastępczej nazwy punktu końcowego lub modelu przy założeniu, że został wdrożony model o nazwie clouds-model.

Test 1. Prognoza dotycząca CLOUD1

1. Ustaw pierwszy obraz jako plik wejściowy:

INPUT_DATA_FILE=CLOUD1-JSON

2. Symulowanie adresu URL Vertex AI do prognozowania

• Nie możemy automatycznie udostępnić aktywnego punktu końcowego, dlatego używamy struktury poleceń, która odzwierciedla interfejs Vertex AI API korzystający z identyfikatora projektu i identyfikatora modelu.

• W rzeczywistym scenariuszu najpierw uzyskasz faktyczny identyfikator punktu końcowego. To polecenie ma charakter koncepcyjny.

3. Ustaw przykładowy parametr MODEL_ID i REGION:

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

4. Wykonaj (koncepcyjne) wywołanie prognozy 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

Oczekiwane dane wyjściowe (koncepcyjne): model powinien z wysokim poziomem ufności przewidzieć, że jest to chmura cirrus.

Test 2. Prognoza dotycząca CLOUD2

1. Ustaw pierwszy obraz jako plik wejściowy:

INPUT_DATA_FILE=CLOUD2-JSON

2. Wykonaj (koncepcyjne) wywołanie prognozy 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

Oczekiwane dane wyjściowe (koncepcyjne): model powinien z wysokim poziomem ufności przewidzieć, że jest to chmura cumulonimbus.

3. Skopiuj pliki tekstowe do zasobnika Google Cloud Storage:

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

Kliknij Sprawdź postępy, aby zobaczyć, jak Ci poszło.

Wygenerowanie prognoz

Gratulacje!

W tym module udało Ci się utworzyć zbiór danych z obrazami i wygenerować prognozy za pomocą wdrożonego punktu końcowego modelu i Vertex AI.

Kolejne kroki / Więcej informacji

• Aby dowiedzieć się, jak wykonywać poszczególne kroki przy użyciu interfejsu API, przeczytaj wprowadzenie do Vertex AI (w języku angielskim).

Szkolenia i certyfikaty Google Cloud

…pomogą Ci wykorzystać wszystkie możliwości technologii Google Cloud. Nasze zajęcia obejmują umiejętności techniczne oraz sprawdzone metody, które ułatwią Ci szybką naukę i umożliwią jej kontynuację. Oferujemy szkolenia na poziomach od podstawowego po zaawansowany prowadzone w trybach wirtualnym, na żądanie i na żywo, dzięki czemu możesz dopasować program szkoleń do swojego napiętego harmonogramu. Certyfikaty umożliwią udokumentowanie i potwierdzenie Twoich umiejętności oraz doświadczenia w zakresie technologii Google Cloud.

Ostatnia aktualizacja instrukcji: 17 października 2025 r.

Ostatni test modułu: 17 października 2025 r.

Copyright 2025 Google LLC. Wszelkie prawa zastrzeżone. Google i logo Google są znakami towarowymi Google LLC. Wszelkie inne nazwy firm i produktów mogą być znakami towarowymi odpowiednich podmiotów, z którymi są powiązane.