תהליכי עבודה לדוגמה ב-Vertex AI

הדוגמאות בדף הזה ממחישות את השימושים ב-Vertex AI עם Earth Engine. פרטים נוספים זמינים בדף המודלים המתארחים. בדוגמאות האלה נעשה שימוש ב-API בשפת Python של Earth Engine שפועל ב-נוטבוק של Colab.

עלויות

AutoML

סיווג גידולים עם תכנות מינימלי

‫AutoML מאפשר ליצור ולאמן מודל במינימום מאמץ טכני. בדוגמה הזו נדגים איך לאמן ולפרוס מודל AutoML Tabular באמצעות Vertex AI Python SDK, ואז להתחבר אליו מ-Earth Engine כדי לסווג סוגי גידולים מצילומי אוויר של National Agriculture Imagery Program‏ (NAIP).

PyTorch

סיווג כיסוי קרקע באמצעות CNN

בדוגמה הזו מוצגת רשת CNN פשוטה שמקבלת כמה וקטורים ספקטרליים כקלט (כלומר, פיקסל אחד בכל פעם) ומוציאה תווית סיווג אחת לכל פיקסל. ב-Colab notebook מוסבר איך ליצור את ה-CNN, לאמן אותו באמצעות נתונים מ-Earth Engine, לפרוס את המודל ב-Vertex AI ולקבל תחזיות מהמודל ב-Earth Engine.

Tensorflow

חיזוי בכמה מחלקות באמצעות DNN מאפס

רשת נוירונים "עמוקה" (DNN) היא רשת נוירונים מלאכותית (ANN) עם שכבה נסתרת אחת או יותר. בדוגמה הזו מוצגת רשת נוירונים עמוקה (DNN) פשוטה עם שכבה נסתרת אחת. רשת ה-DNN מקבלת וקטורים ספקטרליים כקלט (כלומר, פיקסל אחד בכל פעם) ומוציאה תווית סיווג אחת והסתברויות סיווג לכל פיקסל. בנוטבוק של Colab מודגמת יצירה של DNN, אימון שלו באמצעות נתונים מ-Earth Engine, ביצוע חיזויים על תמונות שיוצאו וייבוא של החיזויים ל-Earth Engine.

חיזוי בכמה מחלקות באמצעות DNN שמתארח ב-Vertex AI

אתם יכולים לקבל חיזויים ממודל שמתארח ב-Vertex AI ישירות ב-Earth Engine (למשל בעורך הקוד). במדריך הזה נסביר איך לאמן, לשמור ולהכין מודל TensorFlow לאירוח, לפרוס את המודל בנקודת קצה של Vertex AI ולקבל מפה של חיזויים אינטראקטיביים של המודל מ-Earth Engine.

פילוח סמנטי באמצעות FCNN שאומן ומתארח ב-Vertex AI

במדריך הזה מוסבר איך לבצע פילוח סמנטי למיפוי תכסית קרקע. פרטים על הקלט או על נתוני האימון זמינים בסשן הזה של Geo for Good משנת 2022. המדריך הזה מבוסס על נתונים מ-Earth Engine, ומראה איך לאמן מודל ב-Vertex AI באמצעות מכונה בהתאמה אישית, להכין את המודל לאירוח, לפרוס את המודל בנקודת קצה ולקבל מפה של חיזויים אינטראקטיביים של המודל מ-Earth Engine.

אירוח מודל פילוח של צמרות עצים שעבר אימון מראש

אתם יכולים לארח מודלים שעברו אימון מראש כדי לקבל חיזויים אינטראקטיביים ב-Earth Engine. לדוגמה, Li et al. (2023) פרסמו כמה מודלים של פילוח צמרות עצים שהוטמעו ב-TensorFlow. אם הקלט והפלט מעוצבים בהתאם, אפשר לארח את המודלים האלה ישירות ולהשתמש בהם כדי לקבל חיזויים ב-Earth Engine בכל מקום שבו יש תמונות קלט. במדריך הזה נסביר איך להוריד מודל שעבר אימון מראש, להכין אותו לאירוח ב-Vertex AI ולקבל חיזויים לגבי תמונות בקטלוג הציבורי של Earth Engine.

‫Yggdrasil Decision Forests ‏(YDF)

‫Yggdrasil Decision Forests (YDF) הוא הטמעה של מודלים פופולריים של למידת מכונה שמבוססים על עצים ותואמים ל-TensorFlow. אפשר לאמן, לשמור ולארח את המודלים האלה ב-Vertex AI, כמו רשתות נוירונים. ב-notebook הזה מוסבר איך להתקין את YDF, לאמן מודל פשוט, לארח את המודל ב-Vertex AI ולקבל חיזויים אינטראקטיביים ב-Earth Engine.

הוצא משימוש

TensorFlow Decision Forests

‫TensorFlow Decision Forests (TF-DF) הוא הטמעה של מודלים פופולריים של למידת מכונה שמבוססים על עצים ב-TensorFlow. אפשר לאמן, לשמור ולארח את המודלים האלה ב-Vertex AI, כמו רשתות נוירונים של TensorFlow. ב-notebook הזה מוסבר איך להתקין את TF-DF, לאמן יער אקראי, לארח את המודל ב-Vertex AI ולקבל חיזויים אינטראקטיביים ב-Earth Engine.

רגרסיה עם FCNN

רשת נוירונים "קונבולוציונית" (CNN) מכילה שכבה קונבולוציונית אחת או יותר, שבהן הקלטים הם שכונות של פיקסלים. התוצאה היא רשת שלא מחוברת באופן מלא, אבל מתאימה לזיהוי דפוסים מרחביים. רשת קונבולוציה מלאה (FCNN) לא מכילה שכבה מקושרת לחלוטין כפלט. כלומר, הוא לא לומד פלט גלובלי (כלומר פלט אחד לכל תמונה), אלא פלט מקומי (כלומר לכל פיקסל).

ב-נוטבוק של Colab הזה מוסבר איך להשתמש במודל UNET, שהוא FCNN שפותח לחלוקת תמונות למקטעים רפואיות, כדי לחזות פלט רציף [0,1] בכל פיקסל מתוך שכונות של 256x256 פיקסלים. באופן ספציפי, הדוגמה הזו מראה איך לייצא מקטעי נתונים כדי לאמן את הרשת ואיך להשתמש בטכניקת overtile על מקטעי תמונות לצורך הסקה, כדי לבטל פגמים בגבולות של המשבצות.

אימון ב-AI Platform

במודלים גדולים יחסית (כמו בדוגמה של FCNN), יכול להיות שמשך הזמן של המכונה הווירטואלית החינמית שעליה פועלים נוטבוקים של Colab לא יספיק למשימת אימון ארוכה. באופן ספציפי, אם שגיאת החיזוי הצפויה לא ממוזערת במערך הנתונים להערכה, יכול להיות שכדאי לבצע עוד איטרציות אימון. כדי לבצע משימות אימון גדולות בענן, ב-נוטבוק של Colab הזה מוסבר איך לארוז את קוד האימון, להתחיל משימת אימון, להכין SavedModel באמצעות הפקודה earthengine model prepare ולקבל תחזיות ב-Earth Engine באופן אינטראקטיבי באמצעות ee.Model.fromAiPlatformPredictor.