GSP223

Genel bakış

Vertex AI, Google Cloud'un makine öğrenimi özelliklerinin bulunduğu tek platformudur. Vertex AI'daki AutoML özelliği, makine öğrenimi konusunda uzman olmayı gerektirmeden yüksek kaliteli özel görüntü tanıma modellerinin eğitilmesini kolaylaştırır. Eğitimden sonra modeller, yönetilen bir uç noktaya dağıtılır ve kullanımı kolay bir API aracılığıyla gerçek zamanlı tahminler oluşturur.

Bu laboratuvarda Cloud Storage'a bulut görüntüleri yükleyecek, bu görüntülerden bir Vertex AI veri kümesi oluşturacak ve Vertex AI uç noktasında önceden eğitilmiş bir modeli (simüle edilmiş) kullanarak tahmin oluşturacaksınız.

Hedefler

Bu laboratuvarda aşağıdaki görevleri gerçekleştireceksiniz:

• Vertex AI ortamı ve Cloud Storage paketi oluşturma
• Cloud Storage'a etiketli bir veri kümesi yükleme
• Vertex AI veri kümesi oluşturma ve inceleme
• Vertex AI uç noktasına veri göndererek tahmin oluşturma

Kurulum ve şartlar

Laboratuvarı Başlat düğmesini tıklamadan önce

Buradaki talimatları okuyun. Laboratuvarlar süreli olduğundan duraklatılamaz. Start Lab'i (Laboratuvarı başlat) tıkladığınızda başlayan zamanlayıcı, Google Cloud kaynaklarının ne süreyle kullanımınıza açık durumda kalacağını gösterir.

Bu uygulamalı laboratuvarı kullanarak, laboratuvar etkinliklerini simülasyon veya demo ortamı yerine gerçek bir bulut ortamında gerçekleştirebilirsiniz. Bunu yapabilmeniz için size yeni, geçici kimlik bilgileri verilir. Bu kimlik bilgilerini laboratuvar süresince Google Cloud'da oturum açmak ve Google Cloud'a erişmek için kullanabilirsiniz.

Bu laboratuvarı tamamlamak için gerekenler:

• Standart bir internet tarayıcısına erişim (Chrome Tarayıcı önerilir)

Not: Bu laboratuvarı çalıştırmak için tarayıcıyı gizli modda (önerilen) veya gizli tarama penceresinde açın. Aksi takdirde, kişisel hesabınızla öğrenci hesabınız arasında oluşabilecek çakışmalar nedeniyle kişisel hesabınızdan ek ücret alınabilir.

• Laboratuvarı tamamlamak için yeterli süre (Laboratuvarlar başlatıldıktan sonra duraklatılamaz.)

Not: Bu laboratuvar için yalnızca öğrenci hesabını kullanın. Farklı bir Google Cloud hesabı kullanırsanız bu hesaptan ödeme alınabilir.

Laboratuvarınızı başlatma ve Google Cloud Console'da oturum açma

1. Laboratuvarı Başlat düğmesini tıklayın. Laboratuvar için ödeme yapmanız gerekiyorsa ödeme yöntemini seçebileceğiniz bir iletişim kutusu açılır. Soldaki "Laboratuvar ayrıntıları" panelinde şunlar yer alır:

   • "Google Cloud konsolunu aç" düğmesi
   • Kalan süre
   • Bu laboratuvarda kullanmanız gereken geçici kimlik bilgileri
   • Bu laboratuvarda ilerlemek için gerekebilecek diğer bilgiler

2. Google Cloud Console'u aç'ı tıklayın (veya Chrome Tarayıcı'yı kullanıyorsanız sağ tıklayıp Bağlantıyı gizli pencerede aç'ı seçin).

   Laboratuvar, kaynakları çalıştırır ve sonra "Oturum aç" sayfasını gösteren başka bir sekme açar.

   İpucu: Sekmeleri ayrı pencerelerde, yan yana açın.

   Not: Hesap seçin iletişim kutusunu görürseniz Başka bir hesap kullan'ı tıklayın.

3. Gerekirse aşağıdaki kullanıcı adını kopyalayıp Oturum açın iletişim kutusuna yapıştırın.

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

   Kullanıcı adını "Laboratuvar ayrıntıları" panelinde de bulabilirsiniz.

4. İleri'yi tıklayın.

5. Aşağıdaki şifreyi kopyalayıp Hoş geldiniz iletişim kutusuna yapıştırın.

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

   Şifreyi "Laboratuvar ayrıntıları" panelinde de bulabilirsiniz.

6. İleri'yi tıklayın.

   Önemli: Laboratuvarın sizinle paylaştığı giriş bilgilerini kullanmanız gerekir. Google Cloud hesabınızın kimlik bilgilerini kullanmayın. Not: Bu laboratuvarda kendi Google Cloud hesabınızı kullanabilmek için ek ücret ödemeniz gerekebilir.

7. Sonraki sayfalarda ilgili düğmeleri tıklayarak ilerleyin:

   • Hükümler ve koşulları kabul edin.
   • Geçici bir hesap kullandığınızdan kurtarma seçenekleri veya iki faktörlü kimlik doğrulama eklemeyin.
   • Ücretsiz denemelere kaydolmayın.

Birkaç saniye sonra Google Cloud konsolu bu sekmede açılır.

Not: Google Cloud ürün ve hizmetlerine erişmek için gezinme menüsünü tıklayın veya Arama alanına hizmetin veya ürünün adını yazın.

Cloud Shell'i etkinleştirme

Cloud Shell, çok sayıda geliştirme aracı içeren bir sanal makinedir. 5 GB boyutunda kalıcı bir ana dizin sunar ve Google Cloud üzerinde çalışır. Cloud Shell, Google Cloud kaynaklarınıza komut satırı erişimi sağlar.

1. Google Cloud konsolunun üst kısmından Activate Cloud Shell (Cloud Shell'i etkinleştir) simgesini tıklayın.

2. Aşağıdaki pencereleri tıklayın:

   • Cloud Shell bilgi penceresinde devam edin.
   • Google Cloud API çağrıları yapmak için Cloud Shell'e kimlik bilgilerinizi kullanma yetkisi verin.

Bağlandığınızda kimliğiniz zaten doğrulanmıştır. Proje ise Project_ID'nize () göre ayarlanmıştır. Çıkış, bu oturum için Project_ID'yi tanımlayan bir satır içerir:

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

gcloud, Google Cloud'un komut satırı aracıdır. Cloud Shell'e önceden yüklenmiştir ve sekmeyle tamamlamayı destekler.

3. (İsteğe bağlı) Etkin hesap adını şu komutla listeleyebilirsiniz:

gcloud auth list

4. Authorize'ı (Yetkilendir) tıklayın.

Çıkış:

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

5. (İsteğe bağlı) Proje kimliğini şu komutla listeleyebilirsiniz:

gcloud config list project

Çıkış:

[core] project = {{{project_0.project_id | "PROJECT_ID"}}} Not: gcloud ile ilgili tüm belgeleri, Google Cloud'daki gcloud CLI'a genel bakış rehberinde bulabilirsiniz.

1. görev: Vertex AI ortamını oluşturma

Gerekli API'leri etkinleştirecek, Vertex AI konsoluna erişecek ve depolama alanı paketinizi hazırlayacaksınız.

Vertex AI'ın etkinleştirildiğini doğrulama

Veri kümelerini yönetmek, modelleri eğitmek ve dağıtmak için Vertex AI API gereklidir.

1. Google Cloud konsolundaki gezinme menüsünde () APIs & Services > Library'yi (API'ler ve Hizmetler > Kitaplık) seçin.

2. Search for APIs & services (API ve hizmet arayın) alanına Vertex AI API yazın, ardından arama sonuçlarından Vertex AI API'yi tıklayın.

3. Vertex AI API'nin Enable (Etkin) durumda olduğunu doğrulayın. Etkin değilse Enable'ı (Etkinleştir) tıklayın.

Vertex AI kontrol panelini açma

• Gezinme menüsünden () Vertex AI'ı tıklayın.

Depolama alanı paketi oluşturma

Depolama alanı paketi, eğitim görüntülerinizi ve manifesto dosyasını içerecek. Bölge, Vertex AI tarafından desteklenmelidir.

• Cloud Shell'de -vcm adlı bir depolama alanı paketi oluşturmak için şu komutu çalıştırın:

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

Hedefi doğrulamak için Check my progress'i (İlerleme durumumu kontrol et) tıklayın.

Cloud Storage paketi oluşturma

2. görev: Cloud Storage'a eğitim görüntüleri yükleme

Bir modeli bulut görüntülerini sınıflandıracak şekilde eğitmek için etiketli eğitim verilerine ihtiyacınız vardır. Bu verilerden yararlanan model, farklı bulut türleriyle ilişkili görüntü özelliklerini anlamaya başlayabilir. Bu örnekteki modeliniz; sirüs, kümülüs ve kümülonimbüs adlı üç farklı bulut türünü sınıflandırmayı öğrenecek.

Eğitim görüntülerini Cloud Storage paketinize yerleştirmek için:

1. Cloud Shell'de, paketinizin adını içeren bir ortam değişkeni oluşturmak için şu komutu çalıştırın:

export BUCKET=$GOOGLE_CLOUD_PROJECT-vcm

Eğitim görüntüleri, bir Cloud Storage paketinde herkese açık olarak barındırılır.

2. Eğitim görüntülerini herkese açık bir paketten yeni paketinize kopyalamak için Cloud Storage'a yönelik gsutil komut satırı yardımcı programını kullanın:

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

3. Paketinize yeni kopyaladığınız görüntüleri görüntülemek için gezinme menüsünde Cloud Storage > Buckets'ı (Paketler), ardından paketinizin adını tıklayın. Bulut türlerine karşılık gelen üç klasör görürsünüz.

Bu klasörlerdeki görüntü dosyalarını tıkladığınızda, modeli farklı bulut türleri için eğitirken kullanacağınız fotoğrafları görebilirsiniz.

Hedefi doğrulamak için Check my progress'i (İlerleme durumumu kontrol et) tıklayın.

Cloud Storage paketine eğitim görüntüleri yükleme

3. görev: Veri kümesi oluşturma

Eğitim verileriniz Cloud Storage'a yüklendiğine göre, Vertex AI'ın bu verilere erişebilmesini sağlamanız gerekir. Genellikle her satırında bir eğitim görüntüsünün URL'sini ve bu görüntüyle ilişkili etiketi barındıran bir CSV dosyası oluşturursunuz.

Bu laboratuvarda CSV dosyası sizin için oluşturuldu. Dosyayı paketinizin adıyla güncellemeniz yeterlidir.

1. CSV dosyasını Cloud Shell örneğinize kopyalayın:

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

2. CSV dosyasını kendi paketinizin adıyla güncelleyin:

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

3. Güncellenen CSV dosyasını Cloud Storage paketinize yükleyin:

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

4. Komutun çalışması tamamlandığında Storage tarayıcısının üst kısmındaki Yenile düğmesini tıklayın. Paketinizde data.csv dosyasının göründüğünü doğrulayın.

5. Gezinme menüsünde Vertex AI > Datasets'i (Veri kümeleri) tıklayın.

6. öğesini seçip Create'i (Oluştur) tıklayın.

7. Dataset Name'i (Veri Kümesi Adı) clouds_vertex_ai olarak ayarlayın.

8. Veri türü olarak Image'ı (Görüntü) seçin.

9. Hedef olarak Single-label classification (single-label) [Tek etiketli sınıflandırma (tek etiketli)] öğesini seçin.

Not: Kendi projelerinizde çok sınıflı sınıflandırmayı kullanmanız önerilir.

10. Bölge seçimi için öğesini seçip Create'i (Oluştur) tıklayın.

Şimdi verileri içe aktaracaksınız.

11. Select import files from Cloud Storage'ı (İçe aktarma dosyalarını Cloud Storage'dan seçin), ardından Browse > -vcm > data.csv'yi (Göz at) tıklayın. Select'i (Seç) tıklayın.

12. Continue'yu (Devam), ardından Import'u (İçe aktar) tıklayın.

Görüntü içe aktarma işleminin tamamlanmasını bekleyin. Bu işlem 2-5 dakika sürer.

Hedefi doğrulamak için Check my progress'i (İlerleme durumumu kontrol et) tıklayın.

Veri kümesi oluşturma

4. görev: Tahmin oluşturma

Model önceden eğitildiğinden ve dağıtıldığından artık tahmin almak için Vertex AI API'yi (curl komutu aracılığıyla) kullanacaksınız.

Dağıtımı simüle etme (önceden eğitilmiş model)

Sonraki adımlarda, önceden eğitilmiş bir modelin Vertex AI uç noktasına dağıtıldığı varsayılmaktadır. Canlı sürüm ortamında, eğitimden sonra modeliniz bir Vertex AI uç noktasına dağıtılır. Tahmin isteği yapısında modelin kaynak kimliği veya uç noktanın URL'si kullanılır.

Giriş görüntülerini hazırlama

1. Tahmin için kullanacağınız iki örnek görüntüyü indirin:

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

2. Yer tutucu verilerin kullanıldığı, tahmine yönelik örnek giriş dosyasını (CLOUD1-JSON) görüntüleyin:

cat CLOUD1-JSON

Vertex AI uç noktasına veri göndererek tahmin oluşturma

Tahmin için Vertex AI'ın standart API biçimini kullanın. Bu biçim için modelin dağıtılması gerekir. Aşağıdaki komutlarda, clouds-model adlı dağıtılmış bir modelin mevcut olduğu varsayılarak örnek bir uç nokta/model adı kullanılır.

1. test: CLOUD1 tahmini

1. İlk görüntüyü giriş dosyası olarak ayarlayın:

INPUT_DATA_FILE=CLOUD1-JSON

2. Vertex AI tahminleri URL'sini simüle edin.

• Canlı uç nokta otomatik olarak verilemediğinden, Vertex AI API'ye uygun bir komut yapısı kullanacağız. Bu yapıda proje kimliğiniz ve bir model kimliği kullanılacak.

• Gerçek hayattaki bir senaryoda, önce asıl uç nokta kimliğini bulmanız gerekir. Bu komut örnek olarak verilmiştir.

3. Sahte bir MODEL_ID ve REGION ayarlayın:

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

4. (Örnek) Vertex AI tahmin çağrısını yürütün:

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

Beklenen çıkış (örnek): Model, yüksek olasılıkla bu görüntünün bir sirüs bulutu olduğunu tahmin etmelidir.

2. test: CLOUD2 tahmini

1. İlk görüntüyü giriş dosyası olarak ayarlayın:

INPUT_DATA_FILE=CLOUD2-JSON

2. (Örnek) Vertex AI tahmin çağrısını yürütün:

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

Beklenen Çıkış (örnek): Model, yüksek olasılıkla bu görüntünün bir kümülonimbus bulutu olduğunu tahmin etmelidir.

3. TXT dosyalarını Google Cloud Storage paketinize kopyalayın:

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

Hedefi doğrulamak için Check my progress'i (İlerleme durumumu kontrol et) tıklayın.

Tahmin oluşturma

Tebrikler!

Bu laboratuvarda Vertex AI'ı kullanarak bir görüntü veri kümesi oluşturdunuz ve dağıtılan bir model uç noktasına veri göndererek tahminler oluşturdunuz.

Sonraki adımlar / Daha fazla bilgi

• Her bir adımı API ile nasıl uygulayabileceğinizi öğrenmek için Vertex AI'a giriş başlıklı makaleyi inceleyin.

Google Cloud eğitimi ve sertifikası

...Google Cloud teknolojilerinden en iyi şekilde yararlanmanıza yardımcı olur. Derslerimizde teknik becerilere odaklanırken en iyi uygulamalara da yer veriyoruz. Gerekli yetkinlik seviyesine hızlıca ulaşmanız ve öğrenim maceranızı sürdürebilmeniz için sizlere yardımcı olmayı amaçlıyoruz. Temel kavramlardan ileri seviyeye kadar farklı eğitim programlarımız mevcut. Ayrıca, yoğun gündeminize uyması için talep üzerine sağlanan, canlı ve sanal eğitim alternatiflerimiz de var. Sertifikasyonlar ise Google Cloud teknolojilerindeki becerilerinizi ve uzmanlığınızı doğrulamanıza ve kanıtlamanıza yardımcı oluyor.

Kılavuzun Son Güncellenme Tarihi: 17 Ekim 2025

Laboratuvarın Son Test Edilme Tarihi: 17 Ekim 2025

Telif Hakkı 2025 Google LLC. Tüm hakları saklıdır. Google ve Google logosu, Google LLC şirketinin ticari markalarıdır. Diğer tüm şirket ve ürün adları ilişkili oldukları şirketlerin ticari markaları olabilir.