בדוגמאות שבדף הזה מוצגים שימושים ב-Vertex AI עם Earth Engine. פרטים נוספים זמינים בדף המודלים המארחים. בדוגמאות האלה נעשה שימוש ב-Earth Engine Python API שפועל ב-Colab Notebooks.
עלויות
AutoML
סיווג חיתוך בקוד מינימלי
AutoML מאפשר ליצור מודל ולאמן אותו במאמץ טכני מינימלי. בדוגמה הזו מוסבר איך מארגנים ומאמנים מודל טבלאי של AutoML באמצעות Vertex AI Python SDK, ואז מתחברים אליו מ-Earth Engine כדי לסווג סוגי גידולים מתמונות אוויר של National Agriculture Imagery Program (NAIP).
הפעלה ב-Google Colab
הצגת המקור ב-GitHub
PyTorch
סיווג של כיסוי פני השטח באמצעות רשת CNN
בדוגמה הזו מוצגת רשת CNN פשוטה שמקבלת כמה וקטורים ספקטרליים כקלט (כלומר פיקסל אחד בכל פעם) ומפיקה תווית סיווג אחת לכל פיקסל. ב-notebook של Colab מוסבר איך יוצרים את ה-CNN, מאומנים אותו באמצעות נתונים מ-Earth Engine, פורסים את המודל ב-Vertex AI ומקבלים חיזויים מהמודל ב-Earth Engine.
TensorFlow
חיזוי של כמה סיווגים באמצעות DNN מהתחלה
רשת נוירונים 'עמוקה' (DNN) היא רשת נוירונים מלאכותית (ANN) עם שכבה מוסתרת אחת או יותר. בדוגמה הזו מוצג רשת עצבית עמוקה פשוטה עם שכבה מוסתרת אחת. ה-DNN מקבל וקטורים ספקטרליים כקלט (כלומר פיקסל אחד בכל פעם) ומפיק תווית מחלקה אחת והסתברויות של מחלקות לכל פיקסל. ב-notebook ב-Colab מוסבר איך יוצרים את ה-DNN, איך מאומנים אותו באמצעות נתונים מ-Earth Engine, איך מבצעים תחזיות על תמונות שיוצאו ואיך מייבאים את התחזיות ל-Earth Engine.
חיזוי של קטגוריות מרובות באמצעות DNN שמתארח ב-Vertex AI
אפשר לקבל תחזיות ממודל שמתארח ב-Vertex AI ישירות ב-Earth Engine (למשל, ב-Code Editor). במדריך הזה מוסבר איך לאמן, לשמור ולהכין מודל TensorFlow לאירוח, לפרוס את המודל לנקודת קצה של Vertex AI ולקבל מפה של חיזויים אינטראקטיביים של המודל מ-Earth Engine.
פילוח סמנטי באמצעות FCNN שהוכשרו ואירוחו ב-Vertex AI
במדריך הזה נסביר איך מבצעים פילוח סמנטי למיפוי של כיסוי פני השטח. פרטים על הקלט או על נתוני האימון מופיעים בסשן הזה מ-Geo for Good 2022. במדריך הזה, שמבוסס על נתונים מ-Earth Engine, מוסבר איך לאמן מודל ב-Vertex AI באמצעות מכונה בהתאמה אישית, להכין את המודל לאירוח, לפרוס את המודל לנקודת קצה ולקבל מפה של תחזיות אינטראקטיביות של המודל מ-Earth Engine.
אירוח מודל פילוח של כתרות עצים שעבר אימון מראש
אתם יכולים לארח מודלים שהותאמו מראש כדי לקבל חיזויים אינטראקטיביים ב-Earth Engine. לדוגמה, Li et al. (2023) פרסמו כמה מודלים של פילוח של כפות עצים שוטמעים ב-TensorFlow. אם הקלט והפלט יהיו בפורמט המתאים, אפשר יהיה לארח את המודלים האלה ישירות ולהשתמש בהם כדי לקבל תחזיות ב-Earth Engine בכל מקום שבו יש תמונות קלט. במדריך הזה נסביר איך מורידים מודל שהוכן מראש, מכינים אותו לאירוח ב-Vertex AI ומקבלים חיזויים על תמונות בקטלוג הציבורי של Earth Engine.
Yggdrasil Decision Forests (YDF)
Yggdrasil Decision Forests (YDF) היא הטמעה של מודלים פופולריים של למידת מכונה מבוססת-עץ שתואמים ל-TensorFlow. אפשר לאמן, לשמור ולארח את המודלים האלה ב-Vertex AI, כמו עם רשתות נוירונים. במסמך ה-notebook הזה מוסבר איך להתקין את YDF, לאמן מודל פשוט, לארח את המודל ב-Vertex AI ולקבל תחזיות אינטראקטיביות ב-Earth Engine.
הוצא משימוש
TensorFlow Decision Forests
יערות החלטות של TensorFlow (TF-DF) היא הטמעה של מודלים פופולריים של למידת מכונה שמבוססים על עצים ב-TensorFlow. אפשר לאמן, לשמור ולארח את המודלים האלה ב-Vertex AI, כמו ברשתות נוירונליות של TensorFlow. ב-notebook הזה תלמדו איך להתקין את TF-DF, לאמן יער אקראי, לארח את המודל ב-Vertex AI ולקבל תחזיות אינטראקטיביות ב-Earth Engine.
רגרסיה באמצעות FCNN
רשת נוירונים 'קונווולציונית' (CNN) מכילה שכבת קונווולציה אחת או יותר, שבה הקלט הוא שכונות של פיקסלים. התוצאה היא רשת שלא מחוברת באופן מלא, אבל מתאימה לזיהוי דפוסים מרחביים. רשת נוירונים עמוקה (FCNN) לא מכילה שכבה מקושרת במלואה כפלט. כלומר, המערכת לא לומדת פלט גלובלי (כלומר פלט יחיד לכל תמונה), אלא פלט מקומי (כלומר לכל פיקסל).
ב-notebook הזה ב-Colab מוצגת שימוש במודל UNET, רשת FCNN שפותחה לפילוח תמונות רפואיות, כדי לחזות פלט רציף [0,1] בכל פיקסל משכונות של 256x256 פיקסלים. באופן ספציפי, בדוגמה הזו מוסבר איך לייצא תיקוני נתונים כדי לאמן את הרשת, ואיך להוסיף תיקוני תמונה לתמונה כדי לבצע הסקה, וכך למנוע פגמים בגבולות התיקונים.
אימון ב-AI Platform
במודלים גדולים יחסית (כמו הדוגמה של FCNN), יכול להיות שהמשך החיים של המכונה הווירטואלית בחינם שבה פועלים קובצי ה-notebook של Colab לא יספיק למשימות אימון ממושכות. באופן ספציפי, אם שגיאת החיזוי הצפויה לא מצטמצמת במערך הנתונים של ההערכה, מומלץ לבצע עוד כמה חזרות של אימון. כדי לבצע משימות אימון גדולות ב-Cloud, ב-notebook הזה ב-Colab מוסבר איך לארוז את קוד האימון, להפעיל משימת אימון, להכין SavedModel באמצעות הפקודה earthengine model prepare ולקבל תחזיות ב-Earth Engine באופן אינטראקטיבי באמצעות ee.Model.fromAiPlatformPredictor.