このページの例では、Earth Engine で Vertex AI を使用する方法を示します。詳細については、ホスト型モデルのページをご覧ください。これらの例では、Colab ノートブックで実行されている Earth Engine Python API を使用します。
料金
AutoML
ローコードの作物分類
AutoML を使用すると、最小限の技術的な作業でモデルを作成してトレーニングできます。この例では、Vertex AI Python SDK を使用して AutoML Tabular モデルをトレーニングしてデプロイし、Earth Engine から接続して、National Agriculture Imagery Program(NAIP)の航空画像から作物の種類を分類します。
PyTorch
CNN を使用した土地被覆分類
この例では、複数のスペクトル ベクトルを入力として受け取り(つまり、一度に 1 ピクセル)、ピクセルごとに 1 つのクラスラベルを出力するシンプルな CNN を示します。この Colab ノートブックでは、CNN を作成し、Earth Engine のデータでトレーニングして、モデルを Vertex AI にデプロイし、Earth Engine でモデルから予測を取得する方法を説明します。
TensorFlow
DNN を使用したマルチクラス予測をゼロから行う
「ディープ」ニューラル ネットワーク(DNN)は、1 つ以上の隠れ層を持つ人工ニューラル ネットワーク(ANN)です。この例は、単一の隠れ層を持つシンプルな DNN を示しています。DNN は、スペクトル ベクトルを入力として受け取り(つまり、一度に 1 ピクセル)、ピクセルごとに 1 つのクラスラベルとクラス確率を出力します。この Colab ノートブックでは、DNN の作成、Earth Engine のデータを使用した DNN のトレーニング、エクスポートされた画像に対する予測、Earth Engine への予測のインポートについて説明します。
Vertex AI でホストされている DNN を使用したマルチクラス予測
Vertex AI でホストされているモデルから、Earth Engine(コードエディタなど)で直接予測を取得できます。このガイドでは、TensorFlow モデルをトレーニング、保存、ホスティング用に準備し、モデルを Vertex AI エンドポイントにデプロイして、Earth Engine からインタラクティブなモデル予測のマップを取得する方法について説明します。
Vertex AI でトレーニングされ、ホストされている FCNN を使用したセマンティック セグメンテーション
このガイドでは、土地被覆マッピングのセマンティック セグメンテーションについて説明します。入力データまたはトレーニング データの詳細については、2022 Geo for Good セッションをご覧ください。このガイドでは、Earth Engine のデータを使用して、カスタムマシンで Vertex AI のモデルをトレーニングする方法、ホスティング用にモデルを準備する方法、モデルをエンドポイントにデプロイする方法、Earth Engine からインタラクティブなモデル予測のマップを取得する方法について説明します。
事前トレーニング済みの樹冠セグメンテーション モデルをホストする
事前トレーニング済みモデルをホストして、Earth Engine でインタラクティブな予測を取得できます。たとえば、Li et al.(2023)は、TensorFlow で実装されたいくつかの樹冠セグメンテーション モデルを公開しています。入力と出力が適切に形成されていれば、これらのモデルを直接ホストし、入力画像がある場所であればどこでも Earth Engine で予測を取得するために使用できます。このガイドでは、事前トレーニング済みモデルをダウンロードし、Vertex AI でホストできるように準備して、Earth Engine の公開カタログ内の画像に関する予測を取得する方法について説明します。
Yggdrasil Decision Forests(YDF)
Yggdrasil Decision Forests(YDF)は、TensorFlow と互換性のある、一般的なツリーベースの ML モデルの実装です。これらのモデルは、ニューラル ネットワークと同様に、Vertex AI でトレーニング、保存、ホストできます。このノートブックでは、YDF をインストールし、シンプルなモデルをトレーニングして、Vertex AI でモデルをホストし、Earth Engine でインタラクティブな予測を取得する方法を説明します。
非推奨
TensorFlow デシジョン フォレスト
TensorFlow Decision Forests(TF-DF)は、TensorFlow でよく使用されるツリーベースの機械学習モデルの実装です。これらのモデルは、TensorFlow ニューラル ネットワークと同様に、Vertex AI でトレーニング、保存、ホストできます。このノートブックでは、TF-DF をインストールし、ランダム フォレストをトレーニングして、Vertex AI でモデルをホストし、Earth Engine でインタラクティブな予測を取得する方法を説明します。
FCNN を使用した回帰
「畳み込み」ニューラル ネットワーク(CNN)には、1 つ以上の畳み込みレイヤが含まれています。このレイヤでは、入力はピクセルの近傍であり、結果として、完全には接続されていないものの、空間パターンの特定に適したネットワークになります。完全畳み込みニューラル ネットワーク(FCNN)には、出力として全結合層が含まれていません。つまり、グローバルな出力(画像ごとに 1 つの出力)ではなく、ローカライズされた出力(ピクセルごと)を学習します。
この Colab ノートブックでは、医療画像セグメンテーション用に開発された FCNN である UNET モデルを使用して、256x256 のピクセル近傍から各ピクセルの連続 [0,1] 出力を予測する方法を示します。具体的には、この例では、ネットワークをトレーニングするためにデータのパッチをエクスポートする方法と、タイルの境界アーティファクトを排除するために推論用の画像パッチをオーバータイルする方法を示します。
AI Platform でトレーニングする
比較的大きなモデル(FCNN の例など)の場合、Colab ノートブックが実行される無料の仮想マシンの寿命は、長時間実行されるトレーニング ジョブには十分でない可能性があります。具体的には、評価データセットで予測誤差の期待値が最小化されていない場合は、トレーニングの反復回数を増やすことを検討してください。Cloud で大規模なトレーニング ジョブを実行する場合、この Colab ノートブックでは、トレーニング コードをパッケージ化し、トレーニング ジョブを開始し、earthengine model prepare コマンドで SavedModel を準備し、ee.Model.fromAiPlatformPredictor を使用して Earth Engine でインタラクティブに予測を取得する方法を説明します。
Google Colab で実行
GitHub 上のソースを見る