GSP223

Genel bakış

AutoML, makine öğrenimi konusunda uzmanlığı sınırlı olan geliştiricilerin yüksek kaliteli görüntü tanıma modelleri eğitmesine yardımcı olur. Görüntüleri AutoML kullanıcı arayüzüne yükledikten sonra, kullanımı kolay bir REST API aracılığıyla önceden eğitilmiş bir model kullanarak tahmin oluşturabilirsiniz.

Bu laboratuvarda, Cloud Storage'a görüntüler yükleyecek ve bunları kullanarak özel bir modeli farklı bulut türlerini (ör. kümülüs, kümülonimbüs) tanıyacak şekilde eğiteceksiniz.

Neler öğreneceksiniz?

Bu laboratuvarda şunları yapacaksınız:

• Cloud Storage'a etiketli veri kümesi yükleme ve CSV etiket dosyası kullanarak bu veri kümesini AutoML'e bağlama
• Önceden eğitilmiş bir model kullanarak tahmin oluşturma

Kurulum ve şartlar

Laboratuvarı Başlat düğmesini tıklamadan önce

Buradaki talimatları okuyun. Laboratuvarlar süreli olduğundan duraklatılamaz. Laboratuvarı Başlat'ı tıkladığınızda başlayan zamanlayıcı, Google Cloud kaynaklarının ne süreyle kullanımınıza açık durumda kalacağını gösterir.

Bu uygulamalı laboratuvarı kullanarak, laboratuvar etkinliklerini gerçek bir bulut ortamında (Simülasyon veya demo ortamında değil.) gerçekleştirebilirsiniz. Bu olanağın sunulabilmesi için size yeni, geçici kimlik bilgileri verilir. Bu kimlik bilgilerini laboratuvar süresince Google Cloud'da oturum açmak ve Google Cloud'a erişmek için kullanırsınız.

Bu laboratuvarı tamamlamak için şunlar gerekir:

• Standart bir internet tarayıcısına erişim (Chrome Tarayıcı önerilir).

Not: Bu laboratuvarı çalıştırmak için tarayıcıyı gizli pencerede açın. Aksi takdirde, kişisel hesabınızla öğrenci hesabınız arasında oluşabilecek çakışmalar nedeniyle kişisel hesabınızdan ek ücret alınabilir.

• Laboratuvarı tamamlamak için yeterli süre. (Laboratuvarlar, başlatıldıktan sonra duraklatılamaz)

Not: Kişisel bir Google Cloud hesabınız veya projeniz varsa bu laboratuvarda kullanmayın. Aksi takdirde hesabınızdan ek ücret alınabilir.

Laboratuvarınızı başlatma ve Google Cloud Console'da oturum açma

1. Laboratuvarı Başlat düğmesini tıklayın. Laboratuvar için ödeme yapmanız gerekiyorsa ödeme yöntemini seçebileceğiniz bir pop-up açılır. Soldaki Laboratuvar Ayrıntıları panelinde şunlar yer alır:

   • Google Console'u Aç düğmesi
   • Kalan süre
   • Bu laboratuvarda kullanmanız gereken geçici kimlik bilgileri
   • Bu laboratuvarda ilerlemek için gerekebilecek diğer bilgiler

2. Google Console'u Aç'ı tıklayın. Laboratuvar, kaynakları çalıştırır ve sonra Oturum aç sayfasını gösteren başka bir sekme açar.

   İpucu: Sekmeleri ayrı pencerelerde, yan yana açın.

   Not: Hesap seçin iletişim kutusunu görürseniz Başka Bir Hesap Kullan'ı tıklayın.

3. Gerekirse Laboratuvar Ayrıntıları panelinden Kullanıcı adı'nı kopyalayın ve Oturum aç iletişim kutusuna yapıştırın. Sonraki'ni tıklayın.

4. Laboratuvar Ayrıntıları panelinden Şifre'yi kopyalayın ve Hoş geldiniz iletişim penceresine yapıştırın. Sonraki'ni tıklayın.

   Önemli: Sol paneldeki kimlik bilgilerini kullanmanız gerekir. Google Cloud Öğrenim Merkezi kimlik bilgilerinizi kullanmayın. Not: Bu laboratuvarda kendi Google Cloud hesabınızı kullanabilmek için ek ücret ödemeniz gerekebilir.

5. Sonraki sayfalarda ilgili düğmeleri tıklayarak ilerleyin:

   • Şartları ve koşulları kabul edin.
   • Geçici bir hesap kullandığınızdan kurtarma seçenekleri veya iki faktörlü kimlik doğrulama eklemeyin.
   • Ücretsiz denemelere kaydolmayın.

Birkaç saniye sonra Cloud Console bu sekmede açılır.

Not: Soldaki Gezinme menüsü'nü tıklayarak Google Cloud ürün ve hizmetlerinin listelendiği menüyü görüntüleyebilirsiniz.

Cloud Shell'i etkinleştirme

Cloud Shell, çok sayıda geliştirme aracı içeren bir sanal makinedir. 5 GB boyutunda kalıcı bir ana dizin sunar ve Google Cloud üzerinde çalışır. Cloud Shell, Google Cloud kaynaklarınıza komut satırı erişimi sağlar.

1. Google Cloud Console'un üst kısmından Cloud Shell'i etkinleştir simgesini tıklayın.

Bağlandığınızda, kimliğiniz doğrulanmış olur. Proje ise PROJECT_ID'nize göre ayarlanmıştır. Çıkış, bu oturum için PROJECT_ID'yi tanımlayan bir satır içerir:

Your Cloud Platform project in this session is set to YOUR_PROJECT_ID

gcloud, Google Cloud'un komut satırı aracıdır. Cloud Shell'e önceden yüklenmiştir ve sekmeyle tamamlamayı destekler.

2. (İsteğe bağlı) Etkin hesap adını şu komutla listeleyebilirsiniz:

gcloud auth list

3. Yetkilendir'i tıklayın.

4. Çıkışınız aşağıdaki gibi görünecektir:

Çıkış:

ACTIVE: * ACCOUNT: student-01-xxxxxxxxxxxx@qwiklabs.net To set the active account, run: $ gcloud config set account `ACCOUNT`

5. (İsteğe bağlı) Proje kimliğini şu komutla listeleyebilirsiniz:

gcloud config list project

Çıkış:

[core] project = <project_ID>

Örnek çıkış:

[core] project = qwiklabs-gcp-44776a13dea667a6 Not: gcloud ile ilgili tüm belgeleri, Google Cloud'daki gcloud CLI'ya genel bakış rehberinde bulabilirsiniz.

1. görev: AutoML kurulumu

AutoML, görüntü sınıflandırma modelleri eğitilirken ve bu modellerde tahmin oluşturulurken uygulanan tüm adımların yer aldığı bir arayüz sunar. İlk olarak Cloud AutoML API'yi etkinleştirin.

1. Gezinme menüsünde API'ler ve Hizmetler > Kitaplık'ı seçin.

2. Arama çubuğuna "Cloud AutoML" yazın.

3. Cloud AutoML API'nin Etkin durumda olduğunu doğrulayın.

4. Yeni bir tarayıcıda AutoML kullanıcı arayüzünü açın.

Depolama paketi oluşturma

1. Aşağıdaki komutu çalıştırarak bir depolama paketi oluşturun:

gsutil mb -p $GOOGLE_CLOUD_PROJECT \ -c standard \ -l us \ gs://$GOOGLE_CLOUD_PROJECT-vcm/

2. Oluşturduğunuz depolama paketini görüntülemek için Google Cloud konsolunda gezinme menüsünü açıp Cloud Storage'ı tıklayın.

Hedefi doğrulamak için İlerleme durumumu kontrol et'i tıklayın.

Cloud Storage paketi oluşturma

2. görev: Cloud Storage'a eğitim görüntüleri yükleme

Bir modeli bulut görüntülerini sınıflandıracak şekilde eğitmek için etiketli eğitim verileri sağlamanız gerekir. Böylece model, farklı bulut türleriyle ilişkili özellikleri anlamaya başlayabilir. Bu örnekteki modeliniz; sirüs, kümülüs ve kümülonimbüs adlı üç farklı bulut türünü sınıflandırmayı öğrenecek. AutoML'i kullanmak için eğitim görüntülerinizi Cloud Storage'a yerleştirmeniz gerekir.

1. Bulut görüntülerini eklemeden önce, paketinizin adını taşıyan bir ortam değişkeni oluşturun.

Cloud Shell'de aşağıdaki komutu çalıştırın:

export BUCKET=$GOOGLE_CLOUD_PROJECT-vcm

Eğitim görüntüleri, bir Cloud Storage paketinde herkese açık olarak barındırılır.

2. Eğitim görüntülerini paketinize kopyalamak için Cloud Storage'a yönelik gsutil komut satırı yardımcı programını kullanın:

gsutil -m cp -r gs://spls/gsp223/images/* gs://${BUCKET}

3. Görüntülerin kopyalanması tamamlandığında Storage tarayıcısının üst kısmındaki Yenile düğmesini, ardından paketinizin adını tıklayın. Sınıflandırılacak 3 farklı bulut türüne ait fotoğrafların yer aldığı 3 klasör göreceksiniz.

Bu klasörlerdeki görüntü dosyalarını tıkladığınızda, modelinizi farklı bulut türleri için eğitirken kullanacağınız fotoğrafları görebilirsiniz.

3. görev: Veri kümesi oluşturma

Eğitim verileriniz Cloud Storage'a yüklendiğine göre, AutoML'in bu verilere erişebilmesini sağlamanız gerekir. Her satırında bir eğitim görüntüsünün URL'sini ve bu görüntüyle ilişkili etiketi barındıran bir CSV dosyası oluşturacaksınız. Bu CSV dosyası sizin için oluşturulmuştur. Dosyayı paketinizin adıyla güncellemeniz yeterlidir.

1. Dosyayı Cloud Shell örneğinize kopyalamak için aşağıdaki komutu çalıştırın:

gsutil cp gs://spls/gsp223/data.csv .

2. Ardından CSV dosyasını projenizdeki dosyalarla güncelleyin:

sed -i -e "s/placeholder/${BUCKET}/g" ./data.csv

3. Şimdi bu dosyayı Cloud Storage paketinize yükleyin:

gsutil cp ./data.csv gs://${BUCKET}

4. Komutun çalışması tamamlandığında Storage tarayıcısının üst kısmındaki Yenile düğmesini tıklayın. Paketinizde data.csv dosyasının göründüğünü doğrulayın.

5. Vertex AI Veri kümeleri sekmesini açın. Aşağıdakine benzeyen bir sayfa görürsünüz:

6. Konsolun en üstünde + Oluştur'u tıklayın.

7. Veri kümesine "clouds" adını verin.

8. Görüntü sınıflandırma (Tek etiketli) seçeneğini belirleyin.

Not: Kendi projelerinizde çok sınıflı sınıflandırmayı kullanmanız önerilir.

9. Oluştur'u tıklayın.

10. Cloud Storage'da içe aktarma dosyaları seçin'i tıklayın ve dosya adını, kısa süre önce yüklediğiniz dosyanın URL'sine ekleyin (paketinizin-adı/data.csv).

Bu bağlantıyı kolayca almak için Cloud konsoluna geri dönün, data.csv dosyasını tıklayın ve URI alanına gidin.

11. Devam'ı tıklayın.

Görüntülerinizin içe aktarılması 2 ila 5 dakika sürer. İçe aktarma işlemi tamamlandığında veri kümenizdeki tüm görüntülerin yer aldığı bir sayfaya yönlendirilirsiniz.

Hedefi doğrulamak için İlerleme durumumu kontrol et'i tıklayın.

Veri kümesi oluşturma

4. görev: Görüntüleri inceleme

İçe aktarım tamamlandıktan sonra, yüklediğiniz görüntüleri görebileceğiniz Göz at sekmesine yönlendirilirsiniz.

Eğitim görüntülerini incelemek için sol menüde farklı etiketlere göre filtreleme yapmayı (kümülüs seçeneğini tıklamayı) deneyin:

Not: Üretim modeli oluşturuyor olsaydınız doğruluk oranının yüksek olması için etiket başına en az 100 görüntü kullanmanız gerekirdi. Bu sadece bir demo olduğundan, modelin hızla eğitilebilmesi için yalnızca 20 görüntü kullanılmıştır.

Yanlış etiketlenen bir görüntü varsa görüntüyü tıklayarak etiketini değiştirebilirsiniz:

Not: Etiketlenmemiş bir veri kümesiyle çalışıyorsanız AutoML'in sunduğu, şirket içindeki gerçek kişilerce yapılan etiketleme hizmetinden yararlanabilirsiniz.

5. görev: Tahmin oluşturma

Tahmin oluşturmanın birkaç yolu vardır. Bu laboratuvarda, kullanıcı arayüzünü kullanarak görüntüler yükleyecek ve modelinizin yüklenen iki görüntüyü nasıl sınıflandırdığını göreceksiniz (İlk görüntü bir sirüs, ikincisi ise bir kümülonimbus bulutuna aittir).

1. Cloud Shell terminaline dönün.

2. Bu görüntüleri yerel makinenize indirin.

gsutil cp gs://spls/gsp223/examples/* .

3. CLOUD1-JSON adlı örnek dosyayı görüntüleyin:

cat CLOUD1-JSON

Örnek çıkış:

{ "instances": [{ "content": "YOUR_IMAGE_BYTES" }], "parameters": { "confidenceThreshold": 0.5, "maxPredictions": 5 } }

4. Uç nokta değerini bir ortam değişkenine kopyalayın:

ENDPOINT=$(gcloud run services describe automl-service --platform managed --region {{{project_0.default_region | REGION}}} --format 'value(status.url)')

5. Tahmin istemek için aşağıdaki komutu girin:

curl -X POST -H "Content-Type: application/json" $ENDPOINT/v1 -d "@${INPUT_DATA_FILE}" | jq Yukarıdaki çağrı AutoML'den tahmin ister. Ancak giriş verisi belirtilmediğinden istek başarısız olur. 400 HTTP hata kodunda, beklenen verinin mevcut olmadığı belirtilir.

Beklenen çıkış:

{ "error": { "code": 400, "message": "Empty instances.", "status": "INVALID_ARGUMENT" } }

6. görev: Sürpriz sınav

Bu laboratuvardaki konularla ilgili olan kısa sınavı tamamlayarak AutoML ile ilgili bilgilerinizi test edin. Bu laboratuvarda öğrendiğiniz bilgileri kullanarak tahmin üretin.

Modelin, görüntüdeki bulut türünü tahmin edip edemediğini kontrol edin:

1. CLOUD1-JSON'u giriş dosyası olarak belirleyin.

INPUT_DATA_FILE=CLOUD1-JSON

2. Tahmin istemek için aşağıdaki komutu girin:

curl -X POST -H "Content-Type: application/json" $ENDPOINT/v1 -d "@${INPUT_DATA_FILE}" | jq

Modelin, görüntüdeki bulut türünü tahmin edip edemediğini kontrol edin:

3. CLOUD2-JSON'u giriş dosyası olarak belirleyin.

INPUT_DATA_FILE=CLOUD2-JSON

4. Tahmin istemek için aşağıdaki komutu girin:

curl -X POST -H "Content-Type: application/json" $ENDPOINT/v1 -d "@${INPUT_DATA_FILE}" | jq

Tebrikler!

Kendi özel makine öğrenimi modelinizi eğitmeyi ve web kullanıcı arayüzü aracılığıyla bu modelde tahmin oluşturmayı öğrendiniz. Artık kendi görüntü veri kümenizi kullanarak model eğitmek için gerekli bilgilere sahipsiniz.

Yaptıklarınız:

• Eğitim görüntülerini Cloud Storage'a yüklediniz ve AutoML'in bu görüntüleri bulması için bir CSV dosyası oluşturdunuz.
• Yeni bulut görüntüleri hakkında tahmin oluşturdunuz.

Görevinizi tamamlayın

Bu yönlendirmesiz öğrenim laboratuvarı, Qwiklabs Machine Learning APIs (Makine Öğrenimi API'leri) ve Intro to ML: Image Processing (Makine Öğrenimine Giriş: Görüntü İşleme) görevlerinin bir parçasıdır. Görevler, bir öğrenme rotasını oluşturan birbiriyle bağlantılı laboratuvar dizilerini ifade eder. Bir görevi tamamladığınızda başarınızın ödülü olarak rozet kazanırsınız. Rozetlerinizi herkese açık hâle getirebilir, dilerseniz rozetin bağlantısını online özgeçmişinizde veya sosyal medya hesabınızda paylaşabilirsiniz. Bu göreve veya bu laboratuvarı içeren herhangi bir göreve kaydolun ve tamamlama kredisini anında kazanın. Tüm mevcut görevleri görmek için Google Cloud Öğrenim Merkezi kataloğuna bakın.

Sonraki laboratuvarınıza katılın

Görevinize Detect Labels, Faces, and Landmarks in Images with the Cloud Vision API (Cloud Vision API ile Görüntülerdeki Etiketleri, Yüzleri ve Önemli Noktaları Algılama) ile devam edin veya aşağıdaki önerilere göz atın:

• Awwvision: Cloud Vision API from a Kubernetes Cluster (Kubernetes Kümesi Üzerinden Cloud Vision API)
• Entity and Sentiment Analysis with the Natural Language API (Natural Language API ile Varlık ve Yaklaşım Analizi)

Sonraki adımlar/Daha fazla bilgi

• Introducing Cloud AutoML (Cloud AutoML ile Tanışın) videosunu izleyin
• Google Cloud Podcast bölümünü dinleyerek AutoML'in nasıl çalıştığı hakkında daha fazla bilgi edinin.
• Duyurunun yapıldığı blog yayınını okuyun.
• Her bir adımı API ile nasıl uygulayabileceğinizi öğrenmek için Vertex AI'a giriş başlıklı makaleyi inceleyin.

Google Cloud eğitimi ve sertifikası

...Google Cloud teknolojilerinden en iyi şekilde yararlanmanıza yardımcı olur. Derslerimizde teknik becerilere odaklanırken en iyi uygulamalara da yer veriyoruz. Gerekli yetkinlik seviyesine hızlıca ulaşmanız ve öğrenim maceranızı sürdürebilmeniz için sizlere yardımcı olmayı amaçlıyoruz. Temel kavramlardan ileri seviyeye kadar farklı eğitim programlarımız mevcut. Ayrıca, yoğun gündeminize uyması için talep üzerine sağlanan, canlı ve sanal eğitim alternatiflerimiz de var. Sertifikasyonlar ise Google Cloud teknolojilerindeki becerilerinizi ve uzmanlığınızı doğrulamanıza ve kanıtlamanıza yardımcı oluyor.

Kılavuzun Son Güncellenme Tarihi: 20 Ekim 2023

Laboratuvarın Son Test Edilme Tarihi: 20 Ekim 2023

Telif Hakkı 2024 Google LLC Tüm hakları saklıdır. Google ve Google logosu, Google LLC şirketinin ticari markalarıdır. Diğer tüm şirket ve ürün adları ilişkili oldukları şirketlerin ticari markaları olabilir.