أمثلة على سير العمل في Vertex AI

توضّح الأمثلة في هذه الصفحة استخدامات Vertex AI مع Earth Engine. لمزيد من التفاصيل، يُرجى الاطّلاع على صفحة النماذج المستضافة. تستخدم هذه الأمثلة واجهة برمجة تطبيقات Python في Earth Engine التي تعمل في أوراق ملاحظات Colab.

التكاليف

AutoML

تصنيف المحاصيل باستخدام رموز برمجية مختصرة

يتيح AutoML إنشاء نموذج وتدريبه بأقل جهد فني. يوضّح هذا المثال كيفية تدريب نموذج AutoML Tabular ونشره باستخدام حزمة تطوير البرامج (SDK) لـ Vertex AI Python، ثم الاتصال به من Earth Engine لتصنيف أنواع المحاصيل من الصور الجوية لبرنامج National Agriculture Imagery Program‏ (NAIP).

PyTorch

تصنيف الغطاء الأرضي باستخدام شبكة عصبية التفافية

يوضّح هذا المثال شبكة عصبية التفافية بسيطة تأخذ عدة متجهات طيفية كمدخلات (أي بكسل واحد في كل مرة) وتُخرج تصنيف فئة واحدًا لكل بكسل. توضّح ورقة ملاحظات Colab كيفية إنشاء شبكة CNN وتدريبها باستخدام بيانات من Earth Engine ونشر النموذج على Vertex AI والحصول على توقّعات من النموذج في Earth Engine.

Tensorflow

التوقّع المتعدّد الفئات باستخدام شبكة عصبية عميقة (DNN) من البداية

الشبكة العصبونية "العميقة" (DNN) هي شبكة عصبونية اصطناعية (ANN) تحتوي على طبقة مخفية واحدة أو أكثر. يوضّح هذا المثال شبكة عصبية عميقة بسيطة تتضمّن طبقة مخفية واحدة. تأخذ الشبكة العصبية العميقة المتجهات الطيفية كمدخلات (أي بكسل واحد في كل مرة) وتُخرج تصنيف فئة واحد واحتمالات الفئة لكل بكسل. توضّح ورقة ملاحظات Colab كيفية إنشاء شبكة عصبية عميقة وتدريبها باستخدام بيانات من Earth Engine، وإجراء توقّعات على الصور المصدَّرة واستيراد التوقّعات إلى Earth Engine.

التوقّع المتعدّد الفئات باستخدام شبكة عصبية عميقة (DNN) مستضافة على Vertex AI

يمكنك الحصول على توقّعات من نموذج مستضاف على Vertex AI مباشرةً في Earth Engine (مثلاً، في أداة تعديل الرموز). يوضّح هذا الدليل كيفية تدريب نموذج TensorFlow وحفظه وإعداده للاستضافة، ونشر النموذج في نقطة نهاية Vertex AI، والحصول على خريطة لتوقّعات النموذج التفاعلي من Earth Engine.

التجزئة الدلالية باستخدام شبكة عصبية تلافيفية بالكامل (FCNN) تم تدريبها واستضافتها على Vertex AI

يوضّح هذا الدليل التقسيم الدلالي لرسم خرائط الغطاء الأرضي. يمكنك الاطّلاع على تفاصيل حول المدخلات أو بيانات التدريب في جلسة Geo for Good لعام 2022. يوضّح هذا الدليل، المستند إلى بيانات من Earth Engine، كيفية تدريب نموذج على Vertex AI باستخدام جهاز مخصّص، وإعداد النموذج للاستضافة، ونشر النموذج في نقطة نهاية، والحصول على خريطة لتوقّعات النموذج التفاعلية من Earth Engine.

استضافة نموذج مدرَّب مسبقًا لتقسيم تيجان الأشجار إلى شرائح

يمكنك استضافة نماذج مدرَّبة مسبقًا للحصول على توقّعات تفاعلية في Earth Engine. على سبيل المثال، نشر لي وآخرون (2023) عدة نماذج لتقسيم تيجان الأشجار تم تنفيذها في TensorFlow. إذا تم تشكيل المدخلات والمخرجات وفقًا لذلك، يمكن استضافة هذه النماذج مباشرةً واستخدامها للحصول على توقّعات في Earth Engine حيثما توجد صور مدخلة. يوضّح هذا الدليل كيفية تنزيل نموذج مدرَّب مسبقًا وإعداده للاستضافة على Vertex AI والحصول على توقّعات بشأن الصور في كتالوج Earth Engine العام.

Yggdrasil Decision Forests (YDF)

Yggdrasil Decision Forests (YDF) هي عملية تنفيذ لنماذج تعلُّم الآلة الشائعة المستندة إلى الأشجار والمتوافقة مع TensorFlow. ويمكن تدريب هذه النماذج وحفظها واستضافتها على Vertex AI، كما هو الحال مع الشبكات العصبونية. يوضّح دفتر الملاحظات هذا كيفية تثبيت YDF وتدريب نموذج بسيط واستضافة النموذج على Vertex AI والحصول على توقّعات تفاعلية في Earth Engine.

منهي العمل به

TensorFlow Decision Forests

غابات القرارات في TensorFlow‏ (TF-DF) هي تنفيذ لنماذج تعلُّم الآلة الشائعة المستندة إلى الأشجار في TensorFlow. ويمكن تدريب هذه النماذج وحفظها واستضافتها على Vertex AI، كما هو الحال مع شبكات TensorFlow العصبية. يوضّح دفتر الملاحظات هذا كيفية تثبيت TF-DF وتدريب غابة عشوائية واستضافة النموذج على Vertex AI والحصول على توقّعات تفاعلية في Earth Engine.

الانحدار باستخدام شبكة عصبية متصلة بالكامل (FCNN)

تحتوي الشبكة العصبونية "الالتفافية" (CNN) على طبقة التفافية واحدة أو أكثر، حيث تكون المدخلات عبارة عن وحدات بكسل متجاورة، ما ينتج عنه شبكة غير متصلة بالكامل، ولكنها مناسبة لتحديد الأنماط المكانية. لا تحتوي الشبكة العصبونية الالتفافية الكاملة (FCNN) على طبقة مكتملة الاتصال كمخرجات. وهذا يعني أنّه لا يتعلّم مخرجات عامة (أي مخرجات فردية لكل صورة)، بل مخرجات محلية (أي لكل بكسل).

توضّح ورقة ملاحظات Colab هذه استخدام نموذج UNET، وهو شبكة عصبية تلافيفية بالكامل (FCNN) تم تطويرها لتقسيم الصور الطبية، من أجل توقّع ناتج مستمر [0,1] في كل بكسل من مجموعات البكسل المجاورة بحجم 256×256. على وجه التحديد، يوضّح هذا المثال كيفية تصدير أجزاء من البيانات لتدريب الشبكة وكيفية تراكب أجزاء الصور للاستنتاج، وذلك لإزالة العناصر الاصطناعية في حدود المربّعات.

التدريب على منصة ذكاء اصطناعي

بالنسبة إلى النماذج الكبيرة نسبيًا (مثل مثال FCNN)، قد لا يكون عمر الجهاز الافتراضي المجاني الذي تعمل عليه أوراق ملاحظات Colab كافيًا لمهمة تدريب طويلة الأمد. على وجه التحديد، إذا لم يتم تقليل خطأ التوقّع المتوقّع إلى أدنى حد في مجموعة بيانات التقييم، قد يكون من الأفضل إجراء المزيد من تكرارات التدريب. لتنفيذ مهام تدريبية كبيرة في السحابة الإلكترونية، توضّح ورقة ملاحظات Colab هذه كيفية تجميع رمز التدريب وبدء مهمة تدريبية وإعداد SavedModel باستخدام الأمر earthengine model prepare والحصول على توقّعات في Earth Engine بشكل تفاعلي باستخدام ee.Model.fromAiPlatformPredictor.