Vertex AI के उदाहरण के तौर पर दिए गए वर्कफ़्लो

इस पेज पर दिए गए उदाहरणों में, Earth Engine के साथ Vertex AI के इस्तेमाल के बारे में बताया गया है. ज़्यादा जानकारी के लिए, होस्ट किए गए मॉडल वाला पेज देखें. इन उदाहरणों में, Colab Notebooks में चल रहे Earth Engine Python API का इस्तेमाल किया गया है.

लागत

AutoML

लो-कोड क्रॉप क्लासिफ़िकेशन

AutoML की मदद से, कम से कम तकनीकी मेहनत के साथ मॉडल बनाया और ट्रेन किया जा सकता है. इस उदाहरण में, Vertex AI Python SDK का इस्तेमाल करके, AutoML Tabular मॉडल को ट्रेनिंग देने और डिप्लॉय करने का तरीका बताया गया है. इसके बाद, Earth Engine से कनेक्ट करके, नैशनल एग्रीकल्चर इमेजरी प्रोग्राम (एनएआईपी) की प्लेन से ली गई तस्वीरों से फ़सल के टाइप को अलग-अलग कैटगरी में बांटने का तरीका बताया गया है.

PyTorch

सीएनएन की मदद से, लैंडकवर को कैटगरी में बांटना

इस उदाहरण में एक आसान सीएनएन दिखाया गया है, जो इनपुट के तौर पर कई स्पेक्ट्रल वेक्टर लेता है. इसका मतलब है कि एक बार में एक पिक्सल और हर पिक्सल के लिए एक क्लास लेबल आउटपुट करता है. Colab notebook में, सीएनएन बनाने, Earth Engine के डेटा से उसे ट्रेनिंग देने, और मॉडल को Vertex AI पर डिप्लॉय करने का तरीका बताया गया है. साथ ही, Earth Engine में मॉडल से अनुमान पाने का तरीका भी बताया गया है.

Tensorflow

डीएनएन की मदद से, मल्टी-क्लास प्रेडिक्शन की शुरुआत करना

"डीप" न्यूरल नेटवर्क (डीएनएन), एक आर्टिफ़िशियल न्यूरल नेटवर्क (एएनएन) होता है. इसमें एक या उससे ज़्यादा छिपी हुई लेयर होती हैं. इस उदाहरण में, एक छिपी हुई लेयर वाला सामान्य डीएनएन दिखाया गया है. डीएनएन, स्पेक्ट्रल वेक्टर को इनपुट के तौर पर लेता है.इसका मतलब है कि एक बार में एक पिक्सल. इसके बाद, हर पिक्सल के लिए एक क्लास लेबल और क्लास की संभावनाओं को आउटपुट के तौर पर दिखाता है. Colab notebook में, डीएनएन बनाने, Earth Engine के डेटा से उसे ट्रेनिंग देने, एक्सपोर्ट की गई इमेज के आधार पर अनुमान लगाने, और अनुमानों को Earth Engine में इंपोर्ट करने का तरीका बताया गया है.

Vertex AI पर होस्ट किए गए डीएनएन की मदद से, मल्टी-क्लास प्रेडिक्शन

Vertex AI पर होस्ट किए गए मॉडल से, सीधे Earth Engine में अनुमान पाए जा सकते हैं. उदाहरण के लिए, कोड एडिटर में. इस गाइड में, TensorFlow मॉडल को होस्ट करने के लिए उसे ट्रेन करने, सेव करने, और तैयार करने का तरीका बताया गया है. साथ ही, मॉडल को Vertex AI एंडपॉइंट पर डिप्लॉय करने और Earth Engine से इंटरैक्टिव मॉडल के अनुमानों का मैप पाने का तरीका बताया गया है.

Vertex AI पर ट्रेन और होस्ट किए गए FCNN की मदद से, सिमैंटिक सेगमेंटेशन

इस गाइड में, लैंड कवर मैपिंग के लिए सिमैंटिक सेगमेंटेशन के बारे में बताया गया है. इनपुट या ट्रेनिंग डेटा के बारे में जानकारी, 2022 Geo for Good सेशन में दी गई है. Earth Engine के डेटा की मदद से, इस गाइड में बताया गया है कि कस्टम मशीन का इस्तेमाल करके, Vertex AI पर किसी मॉडल को कैसे ट्रेन किया जाए. साथ ही, मॉडल को होस्ट करने के लिए तैयार करने, उसे किसी एंडपॉइंट पर डिप्लॉय करने, और Earth Engine से इंटरैक्टिव मॉडल के अनुमानों का मैप पाने का तरीका भी बताया गया है.

पहले से ट्रेनिंग दिए गए ट्री-क्राउन सेगमेंटेशन मॉडल को होस्ट करना

Earth Engine में इंटरैक्टिव अनुमान पाने के लिए, पहले से ट्रेन किए गए मॉडल होस्ट किए जा सकते हैं. उदाहरण के लिए, ली और अन्य (2023) ने TensorFlow में लागू किए गए कई ट्री-क्राउन सेगमेंटेशन मॉडल पब्लिश किए. अगर इनपुट और आउटपुट को सही तरीके से तैयार किया गया है, तो इन मॉडल को सीधे होस्ट किया जा सकता है. साथ ही, Earth Engine में अनुमान पाने के लिए इनका इस्तेमाल किया जा सकता है. हालांकि, इसके लिए ज़रूरी है कि इनपुट इमेज मौजूद हो. इस गाइड में, पहले से ट्रेनिंग दिए गए मॉडल को डाउनलोड करने, उसे Vertex AI पर होस्ट करने के लिए तैयार करने, और Earth Engine के सार्वजनिक कैटलॉग में मौजूद इमेजरी के बारे में अनुमान पाने का तरीका बताया गया है.

Yggdrasil Decision Forests (YDF)

Yggdrasil Decision Forests (YDF), ट्री-आधारित मशीन लर्निंग मॉडल का एक लोकप्रिय वर्शन है. यह TensorFlow के साथ काम करता है. इन मॉडल को Vertex AI पर ट्रेन, सेव, और होस्ट किया जा सकता है. ठीक वैसे ही जैसे न्यूरल नेटवर्क को किया जाता है. इस नोटबुक में, YDF को इंस्टॉल करने, एक सामान्य मॉडल को ट्रेन करने, और उस मॉडल को Vertex AI पर होस्ट करने का तरीका बताया गया है. साथ ही, Earth Engine में इंटरैक्टिव अनुमान पाने का तरीका भी बताया गया है.

बहिष्कृत

TensorFlow Decision Forests

TensorFlow Decision Forests (TF-DF), TensorFlow में ट्री-आधारित मशीन लर्निंग मॉडल को लागू करने का एक तरीका है. TensorFlow न्यूरल नेटवर्क की तरह ही, इन मॉडल को Vertex AI पर ट्रेनिंग दी जा सकती है, सेव किया जा सकता है, और होस्ट किया जा सकता है. इस नोटबुक में, TF-DF को इंस्टॉल करने, रैंडम फ़ॉरेस्ट को ट्रेन करने, और मॉडल को Vertex AI पर होस्ट करने का तरीका बताया गया है. साथ ही, Earth Engine में इंटरैक्टिव अनुमान पाने का तरीका भी बताया गया है.

एफ़सीएनएन के साथ रिग्रेशन

"कॉन्वोल्यूशनल" न्यूरल नेटवर्क (सीएनएन) में एक या उससे ज़्यादा कॉन्वोल्यूशनल लेयर होती हैं. इनमें इनपुट, पिक्सल के आस-पास के हिस्से होते हैं. इससे ऐसा नेटवर्क बनता है जो पूरी तरह से कनेक्ट नहीं होता, लेकिन स्पेशल पैटर्न की पहचान करने के लिए सही होता है. फ़ुल्ली कॉन्वोलूशनल न्यूरल नेटवर्क (एफ़सीएनएन) में, आउटपुट के तौर पर फ़ुल्ली-कनेक्टेड लेयर नहीं होती. इसका मतलब है कि यह ग्लोबल आउटपुट (यानी कि हर इमेज के लिए एक आउटपुट) नहीं सीखता, बल्कि स्थानीय आउटपुट (यानी कि हर पिक्सल के लिए) सीखता है.

इस Colab notebook में, UNET मॉडल के इस्तेमाल के बारे में बताया गया है. यह एक FCNN है, जिसे मेडिकल इमेज सेगमेंटेशन के लिए डेवलप किया गया है. इसका इस्तेमाल, 256x256 पिक्सल के आस-पास के पिक्सल से हर पिक्सल में लगातार [0,1] आउटपुट का अनुमान लगाने के लिए किया जाता है. खास तौर पर, इस उदाहरण में नेटवर्क को ट्रेन करने के लिए डेटा के पैच एक्सपोर्ट करने का तरीका बताया गया है. साथ ही, टाइल की बाउंड्री आर्टफ़ैक्ट को हटाने के लिए, अनुमान लगाने के लिए इमेज के पैच को ओवरटाइल करने का तरीका बताया गया है.

एआई प्लैटफ़ॉर्म पर ट्रेनिंग देना

FCNN जैसे बड़े मॉडल के लिए, Colab नोटबुक को चलाने वाली मुफ़्त वर्चुअल मशीन की लाइफ़टाइम, लंबे समय तक चलने वाले ट्रेनिंग जॉब के लिए काफ़ी नहीं हो सकती. खास तौर पर, अगर इवैलुएशन डेटासेट पर अनुमान से जुड़ी गड़बड़ी को कम नहीं किया जाता है, तो ट्रेनिंग के ज़्यादा इटरेशन का इस्तेमाल करना समझदारी होगी. Cloud में बड़े पैमाने पर ट्रेनिंग जॉब चलाने के लिए, इस Colab notebook में ट्रेनिंग कोड को पैकेज करने, ट्रेनिंग जॉब शुरू करने, earthengine model prepare कमांड की मदद से SavedModel तैयार करने, और ee.Model.fromAiPlatformPredictor की मदद से Earth Engine में इंटरैक्टिव तरीके से अनुमान पाने का तरीका बताया गया है.