Vertex AI 範例工作流程

本頁範例說明如何搭配使用 Vertex AI 和 Earth Engine。詳情請參閱代管模型頁面。這些範例使用在 Colab 筆記本中執行的 Earth Engine Python API。

費用

AutoML

低程式碼作物分類

AutoML 讓您輕鬆建立及訓練模型,這個範例示範如何使用 Vertex AI Python SDK 訓練及部署 AutoML Tabular 模型,然後從 Earth Engine 連線至該模型,根據美國國家農業影像計畫 (NAIP) 空拍圖像分類作物類型。

PyTorch

使用 CNN 進行土地覆蓋分類

這個範例示範簡單的 CNN,其會將多個光譜向量做為輸入內容 (即一次一個像素),並為每個像素輸出單一類別標籤。這個 Colab 筆記本會示範如何建立 CNN、使用 Earth Engine 的資料訓練 CNN、將模型部署至 Vertex AI,以及在 Earth Engine 中取得模型的預測結果。

TensorFlow

從頭開始使用 DNN 進行多類別預測

「深層」類神經網路 (DNN) 是具有一或多個隱藏層的人工類神經網路 (ANN)。這個範例說明瞭具有單一隱藏層的簡單 DNN。DNN 會將光譜向量做為輸入內容 (即一次一個像素),並輸出每個像素的單一類別標籤和類別機率。Colab 筆記本會示範如何建立 DNN、使用 Earth Engine 的資料訓練 DNN、對匯出的圖像進行預測,以及將預測結果匯入 Earth Engine。

使用託管於 Vertex AI 的 DNN 進行多類別預測

您可以直接在 Earth Engine (例如程式碼編輯器) 中,透過託管於 Vertex AI 的模型取得預測結果。本指南說明如何訓練、儲存及準備 TensorFlow 模型,以便託管、將模型部署至 Vertex AI 端點,以及從 Earth Engine 取得互動式模型預測地圖。

在 Vertex AI 訓練及託管 FCNN,進行語意分割

本指南將示範如何使用語意分割技術,繪製土地覆蓋地圖。如要進一步瞭解輸入內容或訓練資料,請觀看 2022 年 Geo for Good 研討會。本指南採用 Earth Engine 的資料,說明如何使用自訂機器在 Vertex AI 訓練模型、準備託管模型、將模型部署至端點,以及從 Earth Engine 取得互動式模型預測結果的地圖。

託管預先訓練的樹冠區隔模型

您可以託管預先訓練的模型,在 Earth Engine 中取得互動式預測結果。舉例來說,Li et al. (2023) 發布了多個以 TensorFlow 實作的樹冠分割模型。如果輸入和輸出內容的形狀符合要求,這些模型就能直接託管,並用於在 Earth Engine 中取得預測結果,只要有輸入圖像即可。本指南說明如何下載預先訓練的模型、準備在 Vertex AI 託管模型,以及取得 Earth Engine 公開目錄中圖像的預測結果。

Yggdrasil Decision Forests (YDF)

Yggdrasil Decision Forests (YDF) 是熱門樹狀機器學習模型的實作,與 TensorFlow 相容。這些模型可以像類神經網路一樣,在 Vertex AI 上訓練、儲存及託管。這個筆記本示範如何安裝 YDF、訓練簡易模型、在 Vertex AI 上託管模型,以及在 Earth Engine 中取得互動式預測結果。

已淘汰

TensorFlow Decision Forests

TensorFlow Decision Forests (TF-DF) 是 TensorFlow 中熱門樹狀機器學習模型的實作。這些模型可以訓練、儲存及託管於 Vertex AI,就像 TensorFlow 神經網路一樣。這個筆記本示範如何安裝 TF-DF、訓練隨機森林、在 Vertex AI 上託管模型,以及在 Earth Engine 中取得互動式預測結果。

使用 FCNN 進行迴歸

「卷積」類神經網路 (CNN) 包含一或多個卷積層,其中輸入內容為像素鄰域,因此網路並非完全連結,但適合用於識別空間模式。全卷積類神經網路 (FCNN) 不包含全連接層做為輸出。也就是說,模型不會學習全域輸出內容 (即每張圖片一個輸出內容),而是學習局部輸出內容 (即每個像素)。

這個 Colab 筆記本示範如何使用 UNET 模型 (專為醫療影像分割開發的 FCNN),從 256x256 鄰近像素預測每個像素的連續 [0,1] 輸出。具體來說,這個範例說明如何匯出資料修補程式來訓練網路,以及如何重疊圖片修補程式進行推論,以消除圖塊邊界構件。

在 AI 平台訓練

如果是相對較大的模型 (例如 FCNN 範例),Colab 筆記本執行的免費虛擬機器壽命可能不足以執行長時間執行的訓練工作。具體來說,如果評估資料集上的預期預測錯誤未降至最低,則可能需要進行更多訓練疊代。如要在 Cloud 執行大型訓練工作,請參閱這份 Colab 筆記本,瞭解如何封裝訓練程式碼、啟動訓練工作、使用 earthengine model prepare 指令準備 SavedModel,以及使用 ee.Model.fromAiPlatformPredictor 在 Earth Engine 以互動方式取得預測結果。