GSP223

Visão geral

A Vertex AI é a plataforma unificada do Google Cloud para machine learning. O recurso AutoML na Vertex AI simplifica o treinamento de modelos personalizados de reconhecimento de imagens de alta qualidade sem exigir experiência em ML. Após o treinamento, os modelos são implantados em um endpoint gerenciado para previsões em tempo real usando uma API fácil de usar.

Neste laboratório, você vai fazer upload de imagens de nuvem para o Cloud Storage, criar um conjunto de dados da Vertex AI com elas e usar um modelo pré-treinado (simulado) em um endpoint da Vertex AI para gerar previsões.

Objetivos

Neste laboratório, você vai executar as seguintes tarefas:

• Configure o ambiente da Vertex AI e um bucket do Cloud Storage.
• Faça upload de um conjunto de dados rotulado para o Cloud Storage.
• Crie e inspecione um conjunto de dados da Vertex AI.
• Gerar previsões em um endpoint da Vertex AI.

Configuração e requisitos

Antes de clicar no botão Começar o Laboratório

Leia estas instruções. Os laboratórios são cronometrados e não podem ser pausados. O timer é ativado quando você clica em Iniciar laboratório e mostra por quanto tempo os recursos do Google Cloud vão ficar disponíveis.

Este laboratório prático permite que você realize as atividades em um ambiente real de nuvem, e não em uma simulação ou demonstração. Você vai receber novas credenciais temporárias para fazer login e acessar o Google Cloud durante o laboratório.

Confira os requisitos para concluir o laboratório:

• Acesso a um navegador de Internet padrão (recomendamos o Chrome).

Observação: para executar este laboratório, use o modo de navegação anônima (recomendado) ou uma janela anônima do navegador. Isso evita conflitos entre sua conta pessoal e de estudante, o que poderia causar cobranças extras na sua conta pessoal.

• Tempo para concluir o laboratório: não se esqueça que, depois de começar, não será possível pausar o laboratório.

Observação: use apenas a conta de estudante neste laboratório. Se usar outra conta do Google Cloud, você poderá receber cobranças nela.

Como iniciar seu laboratório e fazer login no console do Google Cloud

1. Clique no botão Começar o laboratório. Se for preciso pagar por ele, uma caixa de diálogo vai aparecer para você selecionar a forma de pagamento. No painel Detalhes do Laboratório, à esquerda, você vai encontrar o seguinte:

   • O botão Abrir Console do Google Cloud
   • O tempo restante
   • As credenciais temporárias que você vai usar neste laboratório
   • Outras informações, se forem necessárias

2. Se você estiver usando o navegador Chrome, clique em Abrir console do Google Cloud ou clique com o botão direito do mouse e selecione Abrir link em uma janela anônima.

   O laboratório ativa os recursos e depois abre a página Fazer Login em outra guia.

   Dica: coloque as guias em janelas separadas lado a lado.

   Observação: se aparecer a caixa de diálogo Escolher uma conta, clique em Usar outra conta.

3. Se necessário, copie o Nome de usuário abaixo e cole na caixa de diálogo Fazer login.

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

   Você também encontra o nome de usuário no painel Detalhes do Laboratório.

4. Clique em Próxima.

5. Copie a Senha abaixo e cole na caixa de diálogo de Olá.

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

   Você também encontra a senha no painel Detalhes do Laboratório.

6. Clique em Próxima.

   Importante: você precisa usar as credenciais fornecidas no laboratório, e não as da sua conta do Google Cloud. Observação: se você usar sua própria conta do Google Cloud neste laboratório, é possível que receba cobranças adicionais.

7. Acesse as próximas páginas:

   • Aceite os Termos e Condições.
   • Não adicione opções de recuperação nem autenticação de dois fatores (porque essa é uma conta temporária).
   • Não se inscreva em testes gratuitos.

Depois de alguns instantes, o console do Google Cloud será aberto nesta guia.

Observação: para acessar os produtos e serviços do Google Cloud, clique no Menu de navegação ou digite o nome do serviço ou produto no campo Pesquisar.

Ativar o Cloud Shell

O Cloud Shell é uma máquina virtual com várias ferramentas de desenvolvimento. Ele tem um diretório principal permanente de 5 GB e é executado no Google Cloud. O Cloud Shell oferece acesso de linha de comando aos recursos do Google Cloud.

1. Clique em Ativar o Cloud Shell na parte de cima do console do Google Cloud.

2. Clique nas seguintes janelas:

   • Continue na janela de informações do Cloud Shell.
   • Autorize o Cloud Shell a usar suas credenciais para fazer chamadas de APIs do Google Cloud.

Depois de se conectar, você verá que sua conta já está autenticada e que o projeto está configurado com seu Project_ID, . A saída contém uma linha que declara o projeto PROJECT_ID para esta sessão:

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

A gcloud é a ferramenta de linha de comando do Google Cloud. Ela vem pré-instalada no Cloud Shell e aceita preenchimento com tabulação.

3. (Opcional) É possível listar o nome da conta ativa usando este comando:

gcloud auth list

4. Clique em Autorizar.

Saída:

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

5. (Opcional) É possível listar o ID do projeto usando este comando:

gcloud config list project

Saída:

[core] project = {{{project_0.project_id | "PROJECT_ID"}}} Observação: consulte a documentação completa da gcloud no Google Cloud no guia de visão geral da gcloud CLI.

Tarefa 1: configurar o ambiente da Vertex AI

Você vai ativar as APIs necessárias, acessar o console da Vertex AI e preparar seu bucket de armazenamento.

Confirmar se a Vertex AI está ativada

A API Vertex AI é necessária para gerenciar conjuntos de dados, treinar e implantar modelos.

1. No console do Google Cloud, no Menu de navegação (), selecione APIs e serviços > Biblioteca.

2. No campo Pesquisar APIs e serviços, digite API Vertex AI e clique em API Vertex AI nos resultados da pesquisa.

3. Confirme se a API Vertex AI está no estado Ativada. Caso contrário, clique em Ativar.

Abrir o painel da Vertex AI

• No Menu de navegação (), clique em Vertex AI.

Criar um bucket de armazenamento

O bucket de armazenamento vai conter as imagens de treinamento e o arquivo de manifesto. A região precisa ser compatível com a Vertex AI.

• No Cloud Shell, execute o comando a seguir para criar um bucket de armazenamento chamado -vcm:

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

Clique em Verificar meu progresso para conferir o objetivo.

Criar um bucket do Cloud Storage

Tarefa 2: fazer o upload das imagens de treinamento para o Cloud Storage

Para treinar um modelo que classifique imagens de nuvens, você precisa enviar dados de treinamento rotulados. Assim, o modelo pode entender melhor as características das imagens associadas aos diferentes tipos de nuvens. Neste exemplo, o modelo aprende a classificar três tipos de nuvens: cirrus, cumulus e cumulonimbus.

Para colocar as imagens de treinamento no bucket do Cloud Storage:

1. No Cloud Shell, execute o seguinte comando para criar uma variável de ambiente com o nome do seu bucket:

export BUCKET=$GOOGLE_CLOUD_PROJECT-vcm

As imagens de treinamento estão disponíveis em um bucket público do Cloud Storage.

2. Use o utilitário de linha de comando do Cloud Storage gsutil para copiar as imagens de treinamento de um bucket público para o novo bucket:

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

3. Para conferir as imagens que você acabou de copiar, no Menu de navegação, clique em Cloud Storage > Buckets e depois no nome do bucket. Você vai ver três pastas correspondentes aos tipos de nuvem.

Ao clicar nos arquivos de imagem em cada pasta, você verá as fotos que serão usadas no treinamento do modelo para cada tipo de nuvem.

Clique em Verificar meu progresso para conferir o objetivo.

Fazer o upload das imagens de treinamento para o bucket do Cloud Storage

Tarefa 3: criar um conjunto de dados

Agora que os dados de treinamento estão no Cloud Storage, a Vertex AI precisa ter acesso a eles. Geralmente, você cria um arquivo CSV em que cada linha contém um URL para uma imagem de treinamento e o rótulo associado à imagem.

Para este laboratório, o arquivo já foi criado. Só é preciso atualizá-lo com o nome do seu bucket.

1. Copie o arquivo CSV para sua instância do Cloud Shell:

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

2. Atualize o arquivo CSV com o nome específico do bucket:

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

3. Faça upload do arquivo CSV no bucket do Cloud Storage:

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

4. Quando o comando terminar, clique no botão Atualizar na parte superior do navegador do Storage. Verifique se o arquivo data.csv está no bucket.

5. No Menu de navegação, clique em Vertex AI > Conjuntos de dados.

6. Selecione e clique em Criar.

7. Defina Nome do conjunto de dados como clouds_vertex_ai.

8. Selecione Imagem como o tipo de dados.

9. Selecione Classificação de rótulo único como objetivo.

Observação: nos seus projetos, use a classificação multiclasse.

10. Para escolher a região, selecione e clique em Criar.

Agora você vai importar dados.

11. Escolha Selecione os arquivos de importação do Cloud Storage e clique em Procurar > -vcm > data.csv. Clique em Selecionar.

12. Clique em Continuar e em Importar.

Aguarde a conclusão da importação da imagem, o que deve levar de 2 a 5 minutos.

Clique em Verificar meu progresso para conferir o objetivo.

Crie um conjunto de dados

Tarefa 4: gerar previsões

Como o modelo já foi pré-treinado e implantado, agora você vai usar a API Vertex AI (com um comando curl) para receber previsões.

Simular implantação (modelo pré-treinado)

As próximas etapas pressupõem que um modelo pré-treinado esteja implantado em um endpoint da Vertex AI. Em um ambiente de produção, depois do treinamento, o modelo seria implantado em um endpoint da Vertex AI. A estrutura da solicitação de previsão usa o ID do recurso do modelo ou o URL do endpoint.

Preparar as imagens de entrada

1. Baixe as duas imagens de exemplo que você vai usar para a previsão:

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

2. Confira o arquivo de entrada de exemplo para previsão (CLOUD1-JSON), que contém bytes de marcador de posição:

cat CLOUD1-JSON

Gerar previsões em um endpoint da Vertex AI

Use o formato genérico da API Vertex AI Prediction, que exige a implantação do modelo. Os comandos a seguir usam um nome de modelo/endpoint de marcador de posição para ilustração, supondo que um modelo implantado chamado clouds-model exista.

Teste 1: previsão para CLOUD1

1. Defina o arquivo de entrada como a primeira imagem:

INPUT_DATA_FILE=CLOUD1-JSON

2. Simule URL de previsões da Vertex AI.

• Como não é possível fornecer um endpoint ativo automaticamente, usamos uma estrutura de comando refletindo a API Vertex AI, que usa seu ID do projeto e um ID do modelo.

• Em um cenário real, primeiro você receberia o ID do endpoint real. Este comando é conceitual.

3. Defina um MODEL_ID fictício e REGION:

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

4. Execute a chamada de previsão (conceitual) da 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

Saída esperada (conceitual): o modelo deve prever que essa é uma nuvem cirrus com alta confiança.

Teste 2: previsão para CLOUD2

1. Defina o arquivo de entrada como a segunda imagem:

INPUT_DATA_FILE=CLOUD2-JSON

2. Execute a chamada de previsão (conceitual) da 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

Saída esperada (conceitual): o modelo deve prever que é uma nuvem cumulonimbus com alta confiança.

3. Copie os arquivos TXT para o bucket do Google Cloud Storage:

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

Clique em Verificar meu progresso para conferir o objetivo.

Gere previsões

Parabéns!

Neste laboratório, você usou a Vertex AI para criar um conjunto de dados de imagens e gerar previsões em relação a um endpoint de modelo implantado.

Próximas etapas / Saiba mais

• Aprenda a fazer cada etapa com a API em Introdução à Vertex AI

Treinamento e certificação do Google Cloud

Esses treinamentos ajudam você a aproveitar as tecnologias do Google Cloud ao máximo. Nossas aulas incluem habilidades técnicas e práticas recomendadas para ajudar você a alcançar rapidamente o nível esperado e continuar sua jornada de aprendizado. Oferecemos treinamentos que vão do nível básico ao avançado, com opções de aulas virtuais, sob demanda e por meio de transmissões ao vivo para que você possa encaixá-las na correria do seu dia a dia. As certificações validam sua experiência e comprovam suas habilidades com as tecnologias do Google Cloud.

Manual atualizado em 17 de outubro de 2025

Laboratório testado em 17 de outubro de 2025

Copyright 2025 Google LLC. Todos os direitos reservados. Google e o logotipo do Google são marcas registradas da Google LLC. Todos os outros nomes de produtos e empresas podem ser marcas registradas das respectivas empresas a que estão associados.