Prognozy z hostowanych modeli

Earth Engine udostępnia ee.Model jako łącznik do modeli hostowanych w Vertex AI. Earth Engine będzie wysyłać dane obrazów lub tabel w postaci żądań prognoz online do wytrenowanego modelu wdrożonego w punkcie końcowym Vertex AI. Wyniki działania modelu są następnie dostępne jako obrazy lub tabele w Earth Engine.

Modele TensorFlow

TensorFlow to platforma systemów uczących się (ML) w wersji open source, która obsługuje zaawansowane metody ML, takie jak uczenie głębokie. Interfejs Earth Engine API udostępnia metody importowania i eksportowania danych obrazowych oraz danych do trenowania i testowania w formacie TFRecord. Na stronie z przykładami użycia uczenia maszynowego znajdziesz demonstracje wykorzystujące TensorFlow z danymi z Earth Engine. Szczegółowe informacje o tym, jak Earth Engine zapisuje dane w plikach TFRecord, znajdziesz na stronie TFRecord.

ee.Model

Pakiet ee.Model obsługuje interakcje z hostowanymi modelami systemów uczących się.

Modele hostowane w Vertex AI

Nową instancję ee.Model można utworzyć za pomocą funkcji ee.Model.fromVertexAi. To jest obiekt ee.Model, który pakuje dane Earth Engine w tensory, przekazuje je jako żądania prognozowania do Vertex AI, a potem ponownie składa odpowiedzi w Earth Engine.

Earth Engine obsługuje TensorFlow (np. format SavedModel), PyTorch i modele AutoML. Aby przygotować model do hostowania, go zapisz, zaimportuj do Vertex AI, a następnie wdróż go w punkcie końcowym.

Formaty danych wejściowych

Aby model hostowany mógł współpracować z Earth Engine, dane wejściowe i wyjściowe muszą być zgodne z obsługiwanym formatem wymiany. Domyślnie jest to format wymiany TensorProto, a w szczególności serializowane obiekty TensorProto w formacie base64 (informacje). Można to zrobić programowo, jak pokazano na stronie z przykładami uczenia maszynowego, po przeszkoleniu i przed zapisaniem, lub wczytując, dodając przekształcenie danych wejściowych i wyjściowych oraz ponownie zapisując. Inne obsługiwane formaty ładunku to JSON z RAW_JSON i macierze wielowymiarowe z ND_ARRAYS. Więcej informacji znajdziesz w dokumentacji formatu danych.

Uprawnienia punktu końcowego

Aby korzystać z modelu z użyciem funkcji ee.Model.fromVertexAi(), musisz mieć wystarczające uprawnienia do korzystania z tego modelu. W szczególności Ty (lub każda osoba korzystająca z modelu) musisz mieć co najmniej rolę użytkownika Vertex AI w projekcie Cloud, w którym hostowany jest model. Uprawnienia w projekcie Cloud możesz kontrolować za pomocą ustawień Identity and Access Management (IAM).

Regiony

Podczas wdrażania modelu w punkcie końcowym musisz określić, w jakim regionie chcesz go wdrożyć. Zalecamy region us-central1, ponieważ prawdopodobnie będzie on działać najlepiej ze względu na bliskość serwerów Earth Engine, ale prawie każdy region będzie odpowiedni. Szczegółowe informacje o regionach Vertex AI i o tym, które funkcje są obsługiwane w każdym z nich, znajdziesz w dokumentacji dotyczącej lokalizacji Vertex AI.

Jeśli migrujesz z AI Platform, pamiętaj, że Vertex AI nie ma punktu końcowego globalnego, a ee.Model.fromVertexAi() nie ma parametru region.

Koszty

Szczegółowe informacje o kosztach znajdziesz na stronie cen poszczególnych produktów.

Kalkulator cen pozwala oszacować koszty na podstawie przewidywanego wykorzystania.

Więcej informacji

Więcej informacji o korzystaniu z hostowanego modelu w Earth Engine znajdziesz na stronie z prognozami dla obrazów (w przypadku prognozowania obrazów) lub na stronie z prognozami dla obiektów.