Exemples de workflows Vertex AI

Les exemples de cette page illustrent l'utilisation de Vertex AI avec Earth Engine. Pour en savoir plus, consultez la page des modèles hébergés. Ces exemples utilisent l'API Python Earth Engine exécutée dans des notebooks Colab.

Coûts

AutoML

Classification des cultures low-code

AutoML permet de créer et d'entraîner un modèle avec un minimum d'efforts techniques. Cet exemple montre comment entraîner et déployer un modèle AutoML Tabular à l'aide du SDK Vertex AI pour Python, puis comment s'y connecter depuis Earth Engine pour classer les types de cultures à partir de l'imagerie aérienne du National Agriculture Imagery Program (NAIP).

PyTorch

Classification de la couverture terrestre avec un CNN

Cet exemple illustre un CNN simple qui prend plusieurs vecteurs spectraux en entrée (c'est-à-dire un pixel à la fois) et génère une seule étiquette de classe par pixel. Le notebook Colab montre comment créer le CNN, l'entraîner avec des données d'Earth Engine, déployer le modèle sur Vertex AI et obtenir des prédictions à partir du modèle dans Earth Engine.

TensorFlow

Prédiction multiclasse avec un DNN à partir de zéro

Un réseau de neurones profond (DNN) est un réseau de neurones artificiels (ANN) comportant une ou plusieurs couches cachées. Cet exemple illustre un DNN simple avec une seule couche cachée. Le DNN prend des vecteurs spectraux en entrée (c'est-à-dire un pixel à la fois) et génère une seule étiquette de classe et des probabilités de classe par pixel. Le notebook Colab montre comment créer le DNN, l'entraîner avec des données d'Earth Engine, effectuer des prédictions sur l'imagerie exportée et importer les prédictions dans Earth Engine.

Prédiction multiclasse avec un DNN hébergé sur Vertex AI

Vous pouvez obtenir des prédictions à partir d'un modèle hébergé sur Vertex AI directement dans Earth Engine (par exemple, dans l'éditeur de code). Ce guide explique comment entraîner, enregistrer et préparer un modèle TensorFlow pour l'hébergement, déployer le modèle sur un point de terminaison Vertex AI, et obtenir une carte des prédictions de modèle interactives à partir d'Earth Engine.

Segmentation sémantique avec un FCNN entraîné et hébergé sur Vertex AI

Ce guide présente la segmentation sémantique pour la cartographie de l'occupation du sol. Pour en savoir plus sur les entrées ou les données d'entraînement, consultez cette session Geo for Good de 2022. Ce guide, qui s'appuie sur les données d'Earth Engine, explique comment entraîner un modèle sur Vertex AI à l'aide d'une machine personnalisée, préparer le modèle pour l'hébergement, le déployer sur un point de terminaison et obtenir une carte des prédictions de modèle interactives à partir d'Earth Engine.

Héberger un modèle de segmentation de cime d'arbre pré-entraîné

Vous pouvez héberger des modèles pré-entraînés pour obtenir des prédictions interactives dans Earth Engine. Par exemple, Li et al. (2023) ont publié plusieurs modèles de segmentation de la couronne des arbres implémentés dans TensorFlow. Si les entrées et les sorties sont mises en forme en conséquence, ces modèles peuvent être hébergés directement et utilisés pour obtenir des prédictions dans Earth Engine partout où il existe des images d'entrée. Ce guide explique comment télécharger un modèle pré-entraîné, le préparer pour l'hébergement sur Vertex AI et obtenir des prédictions sur l'imagerie du catalogue public Earth Engine.

Forêts d'arbres décisionnels Yggdrasil (YDF)

Yggdrasil Decision Forests (YDF) est une implémentation de modèles de machine learning populaires basés sur des arbres, compatible avec TensorFlow. Ces modèles peuvent être entraînés, enregistrés et hébergés sur Vertex AI, comme les réseaux de neurones. Ce notebook explique comment installer YDF, entraîner un modèle simple, l'héberger sur Vertex AI et obtenir des prédictions interactives dans Earth Engine.

Obsolète

Forêts d'arbres décisionnels TensorFlow

Les forêts d'arbres décisionnels TensorFlow (TF-DF) sont une implémentation de modèles de machine learning populaires basés sur des arbres dans TensorFlow. Ces modèles peuvent être entraînés, enregistrés et hébergés sur Vertex AI, comme les réseaux de neurones TensorFlow. Ce notebook explique comment installer TF-DF, entraîner une forêt d'arbres décisionnels, héberger le modèle sur Vertex AI et obtenir des prédictions interactives dans Earth Engine.

Régression avec un FCNN

Un réseau de neurones convolutif (CNN) contient une ou plusieurs couches convolutives, dans lesquelles les entrées sont des voisinages de pixels. Il en résulte un réseau qui n'est pas entièrement connecté, mais qui est adapté à l'identification de motifs spatiaux. Un réseau de neurones entièrement convolutif (FCNN) ne contient pas de couche entièrement connectée en sortie. Cela signifie qu'il n'apprend pas une sortie globale (c'est-à-dire une seule sortie par image), mais plutôt des sorties localisées (c'est-à-dire par pixel).

Ce notebook Colab montre comment utiliser le modèle UNET, un FCNN développé pour la segmentation d'images médicales, afin de prédire une sortie continue [0,1] dans chaque pixel à partir de voisinages de pixels de 256 x 256. Plus précisément, cet exemple montre comment exporter des correctifs de données pour entraîner le réseau et comment superposer des correctifs d'image pour l'inférence, afin d'éliminer les artefacts de limite de tuile.

Entraîner sur AI Platform

Pour les modèles relativement volumineux (comme l'exemple FCNN), la longévité de la machine virtuelle sans frais sur laquelle les notebooks Colab s'exécutent peut ne pas être suffisante pour un job d'entraînement de longue durée. Plus précisément, si l'erreur de prédiction attendue n'est pas minimisée sur l'ensemble de données d'évaluation, il peut être prudent d'effectuer davantage d'itérations d'entraînement. Pour effectuer des jobs d'entraînement volumineux dans le cloud, ce notebook Colab montre comment empaqueter votre code d'entraînement, lancer un job d'entraînement, préparer un SavedModel avec la commande earthengine model prepare et obtenir des prédictions dans Earth Engine de manière interactive avec ee.Model.fromAiPlatformPredictor.