Os exemplos nesta página demonstram usos da Vertex AI com o Earth Engine. Consulte a página de modelos hospedados para mais detalhes. Esses exemplos usam a API Python do Earth Engine em execução nos notebooks do Colab.
Custos
AutoML
Classificação de culturas com pouco código
O AutoML permite criar e treinar um modelo com o mínimo de esforço técnico. Este exemplo demonstra como treinar e implantar um modelo tabular do AutoML usando o SDK da Vertex AI para Python e, em seguida, conectar-se a ele pelo Earth Engine para classificar tipos de culturas com base em imagens aéreas do Programa Nacional de Imagens Agrícolas (NAIP, na sigla em inglês).
PyTorch
Classificação de cobertura do solo com uma CNN
Este exemplo demonstra uma CNN simples que usa vários vetores espectrais como entradas (ou seja, um pixel por vez) e gera um único rótulo de classe por pixel. O notebook do Colab demonstra como criar a CNN, treiná-la com dados do Earth Engine, implantar o modelo na Vertex AI e receber previsões do modelo no Earth Engine.
TensorFlow
Previsão multiclasse com uma DNN do zero
Uma rede neural profunda (DNN, na sigla em inglês) é uma rede neural artificial (ANN, na sigla em inglês) com uma ou mais camadas escondidas. Este exemplo demonstra uma DNN simples com uma única camada escondida. A DNN usa vetores espectrais como entradas (ou seja, um pixel por vez) e gera um único rótulo de classe e probabilidades de classe por pixel. O notebook do Colab demonstra como criar a DNN, treiná-la com dados do Earth Engine, fazer previsões em imagens exportadas e importar as previsões para o Earth Engine.
Previsão de várias classes com uma DNN hospedada na Vertex AI
É possível receber previsões de um modelo hospedado na Vertex AI diretamente no Earth Engine (por exemplo, no Editor de Código). Neste guia, demonstramos como treinar, salvar e preparar um modelo do TensorFlow para hospedagem, implantar o modelo em um endpoint da Vertex AI e receber um mapa de previsões de modelo interativas do Earth Engine.
Segmentação semântica com uma FCNN treinada e hospedada na Vertex AI
Este guia demonstra a segmentação semântica para o mapeamento da cobertura do solo. Confira os detalhes sobre as entradas ou os dados de treinamento nesta sessão do Geo for Good de 2022. Com base nos dados do Earth Engine, este guia mostra como treinar um modelo na Vertex AI usando uma máquina personalizada, preparar o modelo para hospedagem, implantar o modelo em um endpoint e receber um mapa de previsões de modelo interativas do Earth Engine.
Hospedar um modelo pré-treinado de segmentação de copas de árvores
É possível hospedar modelos pré-treinados para receber previsões interativas no Earth Engine. Por exemplo, Li et al. (2023) publicaram vários modelos de segmentação de copa de árvores implementados no TensorFlow. Se as entradas e saídas forem moldadas de acordo, esses modelos poderão ser hospedados diretamente e usados para receber previsões no Earth Engine sempre que houver imagens de entrada. Neste guia, mostramos como fazer o download de um modelo pré-treinado, prepará-lo para hospedagem na Vertex AI e receber previsões sobre imagens no catálogo público do Earth Engine.
Florestas de decisão do Yggdrasil (YDF)
Florestas de decisão do Yggdrasil (YDF, na sigla em inglês) é uma implementação de modelos de machine learning baseados em árvore conhecidos que são compatíveis com o TensorFlow. Esses modelos podem ser treinados, salvos e hospedados na Vertex AI, assim como as redes neurais. Este notebook demonstra como instalar o YDF, treinar um modelo simples, hospedar o modelo na Vertex AI e receber previsões interativas no Earth Engine.
Descontinuado
TensorFlow Decision Forests
As Florestas de decisão do TensorFlow (TF-DF) são uma implementação de modelos de machine learning baseados em árvore no TensorFlow. Esses modelos podem ser treinados, salvos e hospedados na Vertex AI, assim como as redes neurais do TensorFlow. Este notebook demonstra como instalar o TF-DF, treinar uma floresta aleatória, hospedar o modelo na Vertex AI e receber previsões interativas no Earth Engine.
Regressão com uma FCNN
Uma rede neural "convolucional" (CNN) contém uma ou mais camadas convolucionais, em que as entradas são vizinhanças de pixels, resultando em uma rede que não é totalmente conectada, mas é adequada para identificar padrões espaciais. Uma rede neural totalmente convolucional (FCNN, na sigla em inglês) não contém uma camada totalmente conectada como saída. Isso significa que ele não aprende uma saída global (ou seja, uma única saída por imagem), mas sim saídas localizadas (ou seja, por pixel).
Este notebook do Colab demonstra o uso do modelo UNET, uma FCNN desenvolvida para segmentação de imagens médicas, para prever uma saída contínua [0,1] em cada pixel de vizinhanças de pixels de 256 x 256. Especificamente, este exemplo mostra como exportar patches de dados para treinar a rede e como sobrepor patches de imagem para inferência, para eliminar artefatos de limite de blocos.
Treinar na plataforma de IA
Para modelos relativamente grandes (como o exemplo de FCNN), a longevidade da máquina virtual sem custo financeiro em que os notebooks do Colab são executados pode não ser suficiente para um job de treinamento de longa duração. Especificamente, se o erro de previsão esperado não for minimizado no conjunto de dados de avaliação, pode ser prudente realizar mais iterações de treinamento. Para realizar grandes jobs de treinamento
na nuvem, este notebook do Colab demonstra como
empacotar seu código de
treinamento, iniciar um
job de treinamento, preparar um
SavedModel
com o comando earthengine model prepare e receber previsões no Earth
Engine de forma interativa com ee.Model.fromAiPlatformPredictor.
Executar no Google Colab
Ver código-fonte no GitHub