Earth Engine fornisce ee.Model come connettore per i modelli ospitati su
Vertex AI.
Earth Engine invierà i dati di immagini o tabelle come richieste di previsione online a un
modello addestrato di cui è stato eseguito il deployment in un endpoint Vertex AI. Gli output del modello sono quindi disponibili come immagini o tabelle di Earth Engine.
Modelli TensorFlow
TensorFlow è una piattaforma di machine learning (ML) open source che supporta metodi ML avanzati come il deep learning. L'API Earth Engine fornisce metodi per importare e/o esportare immagini, dati di addestramento e di test in formato TFRecord. Consulta la pagina degli esempi di ML per vedere le dimostrazioni che utilizzano TensorFlow con i dati di Earth Engine. Consulta la pagina TFRecord per informazioni dettagliate su come Earth Engine scrive i dati nei file TFRecord.
ee.Model
Il pacchetto ee.Model gestisce l'interazione con i modelli di machine learning ospitati.
Modelli ospitati su Vertex AI
È possibile creare una nuova istanza ee.Model con
ee.Model.fromVertexAi. Si tratta di un oggetto ee.Model che impacchetta i dati di Earth Engine in tensori, li inoltra come richieste di previsione a Vertex AI e poi ricompone le risposte in Earth Engine.
Earth Engine supporta TensorFlow (ad es. un formato SavedModel), PyTorch e i modelli AutoML. Per preparare un modello per l'hosting, salvalo, importalo in Vertex AI, poi esegui il deployment del modello su un endpoint.
Formati di input
Per interagire con Earth Engine, gli input e gli output di un modello ospitato devono essere compatibili con un formato di interscambio supportato. Il valore predefinito è il formato di interscambio TensorProto, in particolare i TensorProto serializzati in base64 (riferimento). Questa operazione può essere eseguita tramite programmazione, come mostrato nella pagina degli esempi di ML, dopo l'addestramento e prima del salvataggio oppure caricando, aggiungendo la trasformazione di input e output e salvando di nuovo. Altri formati di payload supportati includono JSON con RAW_JSON e array multidimensionali con ND_ARRAYS. Per ulteriori dettagli, consulta la nostra
documentazione relativa al formato del payload.
Autorizzazioni IAM per gli endpoint
Per utilizzare un modello con ee.Model.fromVertexAi(), devi disporre delle autorizzazioni sufficienti. Nello specifico, tu (o chiunque utilizzi il modello)
devi disporre almeno del
ruolo utente Vertex AI
per il progetto Cloud in cui è ospitato il modello. Controlli le autorizzazioni per il tuo progetto Cloud utilizzando i controlli di Identity and Access Management (IAM).
Regioni
Quando esegui il deployment del modello in un endpoint, devi specificare la regione in cui eseguire il deployment. La regione us-central1 è consigliata in quanto probabilmente avrà il rendimento migliore grazie alla vicinanza ai server di Earth Engine, ma quasi qualsiasi regione andrà bene. Consulta la documentazione sulle località di Vertex AI per informazioni dettagliate sulle regioni di Vertex AI e sulle funzionalità supportate da ciascuna.
Se esegui la migrazione da AI Platform, tieni presente che Vertex AI non ha un endpoint globale e ee.Model.fromVertexAi() non ha un parametro region.
Costi
Per informazioni dettagliate sui costi, consulta la pagina dei prezzi associata a ciascun prodotto.
- Vertex AI (prezzi)
- Cloud Storage (prezzi)
- Earth Engine (prezzi (commerciali))
Puoi utilizzare il Calcolatore prezzi per generare una stima dei costi in base all'utilizzo previsto.
Per approfondire
Per maggiori dettagli su come utilizzare un modello ospitato con Earth Engine, consulta la nostra pagina Predizione di immagini per la previsione delle immagini o la nostra pagina Predizione di proprietà