En los ejemplos de esta página, se muestran los usos de Vertex AI con Earth Engine. Consulta la página de modelos alojados para obtener más información. En estos ejemplos, se usa la API de Python de Earth Engine que se ejecuta en notebooks de Colab.
Costos
AutoML
Clasificación de cultivos con poco código
AutoML permite crear y entrenar un modelo con un esfuerzo técnico mínimo. En este ejemplo, se muestra cómo entrenar e implementar un modelo de AutoML Tabular con el SDK de Vertex AI para Python y, luego, conectarse a él desde Earth Engine para clasificar los tipos de cultivos a partir de imágenes aéreas del Programa Nacional de Imágenes Agrícolas (NAIP).
PyTorch
Clasificación de la cobertura del suelo con una CNN
En este ejemplo, se muestra una CNN simple que toma varios vectores espectrales como entradas (es decir, un píxel a la vez) y genera una sola etiqueta de clase por píxel. En el notebook de Colab, se muestra cómo crear la CNN, entrenarla con datos de Earth Engine, implementar el modelo en Vertex AI y obtener predicciones del modelo en Earth Engine.
Tensorflow
Predicción de varias clases con una DNN desde cero
Una red neuronal "profunda" (DNN) es una red neuronal artificial (ANN) con una o más capas ocultas. En este ejemplo, se muestra una DNN simple con una sola capa oculta. La DNN toma vectores espectrales como entradas (es decir, un píxel a la vez) y genera una sola etiqueta de clase y probabilidades de clase por píxel. En el notebook de Colab, se muestra cómo crear la DNN, entrenarla con datos de Earth Engine, realizar predicciones sobre imágenes exportadas y, luego, importar las predicciones a Earth Engine.
Predicción de clases múltiples con una DNN alojada en Vertex AI
Puedes obtener predicciones de un modelo alojado en Vertex AI directamente en Earth Engine (p.ej., en el Editor de código). En esta guía, se muestra cómo entrenar, guardar y preparar un modelo de TensorFlow para el hosting, implementar el modelo en un extremo de Vertex AI y obtener un mapa de predicciones de modelos interactivos desde Earth Engine.
Segmentación semántica con una FCNN entrenada y alojada en Vertex AI
En esta guía, se muestra la segmentación semántica para la asignación de la cubierta del suelo. Los detalles sobre las entradas o los datos de entrenamiento se encuentran en esta sesión de Geo for Good de 2022. Con la tecnología de los datos de Earth Engine, en esta guía, se muestra cómo entrenar un modelo en Vertex AI con una máquina personalizada, preparar el modelo para el hosting, implementarlo en un extremo y obtener un mapa de predicciones interactivas del modelo desde Earth Engine.
Aloja un modelo de segmentación de copas de árboles previamente entrenado
Puedes alojar modelos previamente entrenados para obtener predicciones interactivas en Earth Engine. Por ejemplo, Li et al. (2023) publicaron varios modelos de segmentación de copas de árboles implementados en TensorFlow. Si las entradas y salidas tienen la forma correspondiente, estos modelos se pueden alojar directamente y usar para obtener predicciones en Earth Engine donde haya imágenes de entrada. En esta guía, se muestra cómo descargar un modelo entrenado previamente, prepararlo para alojarlo en Vertex AI y obtener predicciones sobre imágenes en el catálogo público de Earth Engine.
Yggdrasil Decision Forests (YDF)
Yggdrasil Decision Forests (YDF) es una implementación de modelos de aprendizaje automático populares basados en árboles que son compatibles con TensorFlow. Estos modelos se pueden entrenar, guardar y alojar en Vertex AI, al igual que las redes neuronales. En este notebook, se muestra cómo instalar YDF, entrenar un modelo simple, alojarlo en Vertex AI y obtener predicciones interactivas en Earth Engine.
Obsoleto
TensorFlow Decision Forests
TensorFlow Decision Forests (TF-DF) es una implementación de modelos populares de aprendizaje automático basados en árboles en TensorFlow. Estos modelos se pueden entrenar, guardar y alojar en Vertex AI, al igual que las redes neuronales de TensorFlow. En este notebook, se muestra cómo instalar TF-DF, entrenar un bosque aleatorio, alojar el modelo en Vertex AI y obtener predicciones interactivas en Earth Engine.
Regresión con una FCNN
Una red neuronal "convolucional" (CNN) contiene una o más capas convolucionales, en las que las entradas son vecindarios de píxeles, lo que da como resultado una red que no está completamente conectada, pero es adecuada para identificar patrones espaciales. Una red neuronal completamente convolucional (FCNN) no contiene una capa completamente conectada como resultado. Esto significa que no aprende un resultado global (es decir, un solo resultado por imagen), sino resultados localizados (es decir, por píxel).
En este notebook de Colab, se demuestra el uso del modelo UNET, una FCNN desarrollada para la segmentación de imágenes médicas, para predecir un resultado continuo [0,1] en cada píxel de vecindarios de píxeles de 256 x 256. En particular, en este ejemplo, se muestra cómo exportar parches de datos para entrenar la red y cómo superponer parches de imágenes para la inferencia, con el objetivo de eliminar los artefactos de los límites de las mosaicos.
Entrena en la plataforma de IA
En el caso de modelos relativamente grandes (como el ejemplo de FCNN), es posible que la longevidad de la máquina virtual gratuita
en la que se ejecutan los notebooks de Colab no sea suficiente para un trabajo de entrenamiento
de larga duración. Específicamente, si el error de predicción esperado no se minimiza en el conjunto de datos de evaluación, puede ser prudente realizar más iteraciones de entrenamiento. Para realizar trabajos de entrenamiento grandes en la nube, este notebook de Colab demuestra cómo empaquetar tu código de entrenamiento, iniciar un trabajo de entrenamiento, preparar un SavedModel con el comando earthengine model prepare y obtener predicciones en Earth Engine de forma interactiva con ee.Model.fromAiPlatformPredictor.
Ejecutar en Google Colab
Ver el código fuente en GitHub