Contoh di halaman ini menunjukkan penggunaan Vertex AI dengan Earth Engine. Lihat halaman model yang dihosting untuk mengetahui detailnya. Contoh ini menggunakan Python API Earth Engine yang berjalan di Notebook Colab.
Biaya
AutoML
Klasifikasi Tanaman Low-Code
AutoML memungkinkan pembuatan dan pelatihan model dengan upaya teknis yang minimal. Contoh ini menunjukkan pelatihan dan deployment model Tabular AutoML menggunakan Vertex AI Python SDK, lalu menghubungkannya dari Earth Engine untuk mengklasifikasikan jenis tanaman dari citra udara National Agriculture Imagery Program (NAIP).
PyTorch
Klasifikasi Penutup Lahan dengan CNN
Contoh ini menunjukkan CNN sederhana yang menggunakan beberapa vektor spektral sebagai input (yaitu satu piksel dalam satu waktu) dan menghasilkan satu label class per piksel. Notebook Colab menunjukkan cara membuat CNN, melatihnya dengan data dari Earth Engine, men-deploy model ke Vertex AI, dan mendapatkan prediksi dari model di Earth Engine.
Tensorflow
Prediksi multi-kelas dengan DNN dari awal
Jaringan neural "dalam" (DNN) adalah jaringan neural tiruan (ANN) dengan satu atau beberapa lapisan tersembunyi. Contoh ini menunjukkan DNN sederhana dengan satu lapisan tersembunyi. DNN mengambil vektor spektral sebagai input (yaitu satu piksel pada satu waktu) dan menghasilkan satu label class dan probabilitas class per piksel. Notebook Colab menunjukkan cara membuat DNN, melatihnya dengan data dari Earth Engine, membuat prediksi pada citra yang diekspor, dan mengimpor prediksi ke Earth Engine.
Prediksi multi-class dengan DNN yang dihosting di Vertex AI
Anda bisa mendapatkan prediksi dari model yang dihosting di Vertex AI langsung di Earth Engine (misalnya, di Editor Kode). Panduan ini menunjukkan cara melatih, menyimpan, dan menyiapkan model TensorFlow untuk hosting, men-deploy model ke endpoint Vertex AI, serta mendapatkan peta prediksi model interaktif dari Earth Engine.
Segmentasi semantik dengan FCNN yang dilatih dan dihosting di Vertex AI
Panduan ini menunjukkan segmentasi semantik untuk pemetaan tutupan lahan. Detail tentang input atau data pelatihan ada di sesi Geo for Good 2022 ini. Didukung oleh data dari Earth Engine, panduan ini menunjukkan cara melatih model di Vertex AI menggunakan mesin kustom, menyiapkan model untuk hosting, men-deploy model ke endpoint, serta mendapatkan peta prediksi model interaktif dari Earth Engine.
Menghosting Model Segmentasi Tajuk Pohon Terlatih
Anda dapat menghosting model terlatih untuk mendapatkan prediksi interaktif di Earth Engine. Misalnya, Li et al. (2023) memublikasikan beberapa model segmentasi tajuk pohon yang diimplementasikan di TensorFlow. Jika input dan output dibentuk sesuai, model ini dapat dihosting secara langsung dan digunakan untuk mendapatkan prediksi di Earth Engine di mana pun ada citra input. Panduan ini menunjukkan cara mendownload model terlatih, menyiapkannya untuk dihosting di Vertex AI, dan mendapatkan prediksi citra di katalog publik Earth Engine.
Yggdrasil Decision Forests (YDF)
Yggdrasil Decision Forests (YDF) adalah implementasi model machine learning berbasis hierarki populer yang kompatibel dengan TensorFlow. Model ini dapat dilatih, disimpan, dan dihosting di Vertex AI, seperti jaringan neural. Notebook ini menunjukkan cara menginstal YDF, melatih model sederhana, menghosting model di Vertex AI, dan mendapatkan prediksi interaktif di Earth Engine.
Tidak digunakan lagi
TensorFlow Decision Forests
TensorFlow Decision Forests (TF-DF) adalah implementasi model machine learning berbasis hierarki yang populer di TensorFlow. Model ini dapat dilatih, disimpan, dan dihosting di Vertex AI, seperti jaringan neural TensorFlow. Notebook ini menunjukkan cara menginstal TF-DF, melatih hutan acak, menghosting model di Vertex AI, dan mendapatkan prediksi interaktif di Earth Engine.
Regresi dengan FCNN
Jaringan neural "konvolusional" (CNN) berisi satu atau beberapa lapisan konvolusional, dengan input berupa lingkungan piksel, sehingga menghasilkan jaringan yang tidak terhubung sepenuhnya, tetapi cocok untuk mengidentifikasi pola spasial. Jaringan neural konvolusional penuh (FCNN) tidak berisi lapisan terhubung sepenuhnya sebagai output. Artinya, model ini tidak mempelajari output global (yaitu, satu output per gambar), melainkan output yang dilokalkan (yaitu, per piksel).
Notebook Colab ini menunjukkan penggunaan model UNET, yaitu FCNN yang dikembangkan untuk segmentasi gambar medis, guna memprediksi output [0,1] berkelanjutan di setiap piksel dari lingkungan piksel 256x256. Secara khusus, contoh ini menunjukkan cara mengekspor patch data untuk melatih jaringan dan cara menumpuk patch gambar untuk inferensi, guna menghilangkan artefak batas ubin.
Melatih di platform AI
Untuk model yang relatif besar (seperti contoh FCNN), masa pakai virtual machine gratis tempat notebook Colab berjalan mungkin tidak cukup untuk tugas pelatihan yang berjalan lama. Secara khusus, jika error prediksi yang diharapkan tidak diminimalkan pada set data evaluasi, iterasi pelatihan yang lebih banyak mungkin diperlukan. Untuk melakukan tugas pelatihan besar di Cloud, notebook Colab ini menunjukkan cara memaketkan kode pelatihan Anda, memulai tugas pelatihan, menyiapkan SavedModel dengan perintah earthengine model prepare, dan mendapatkan prediksi di Earth Engine secara interaktif dengan ee.Model.fromAiPlatformPredictor.
Jalankan di Google Colab
Lihat sumber di GitHub