پیش بینی ها از مدل های میزبانی شده

Earth Engine ee.Model به عنوان یک اتصال دهنده به مدل های میزبانی شده در Vertex AI ارائه می کند. Earth Engine داده‌های تصویر یا جدول را به عنوان درخواست‌های پیش‌بینی آنلاین به یک مدل آموزش دیده مستقر در نقطه پایانی Vertex AI ارسال می‌کند. سپس خروجی های مدل به صورت تصاویر یا جداول Earth Engine در دسترس هستند.

مدل های تنسورفلو

TensorFlow یک پلت فرم یادگیری ماشینی منبع باز (ML) است که از روش های پیشرفته ML مانند یادگیری عمیق پشتیبانی می کند. Earth Engine API روش هایی را برای وارد کردن و یا صادرات تصاویر، آموزش و آزمایش داده ها در قالب TFRecord ارائه می دهد. برای نمایش هایی که از TensorFlow با داده های Earth Engine استفاده می کنند ، صفحه نمونه های ML را ببینید. برای جزئیات در مورد نحوه نوشتن داده ها در فایل های TFRecord به صفحه TFRecord مراجعه کنید.

ee.Model

بسته ee.Model تعامل با مدل‌های یادگیری ماشین میزبان را مدیریت می‌کند.

مدل های میزبانی شده در Vertex AI

یک نمونه جدید ee.Model را می توان با ee.Model.fromVertexAi ایجاد کرد. این یک شی ee.Model است که داده های Earth Engine را در تانسورها بسته بندی می کند، آنها را به عنوان درخواست های پیش بینی به Vertex AI ارسال می کند و سپس پاسخ ها را در Earth Engine جمع می کند.

Earth Engine از TensorFlow (به عنوان مثال فرمت SavedModel )، PyTorch و مدل های AutoML پشتیبانی می کند. برای تهیه یک مدل برای میزبانی، آن را ذخیره کنید ، آن را به Vertex AI وارد کنید ، سپس مدل را در نقطه پایانی مستقر کنید .

فرمت های ورودی

برای تعامل با Earth Engine، ورودی‌ها و خروجی‌های مدل میزبان باید با فرمت تبادل پشتیبانی‌شده سازگار باشد. پیش‌فرض قالب تبادلی TensorProto است که به‌طور خاص TensorProtos سریال‌سازی شده در base64 ( مرجع ) است. این را می توان به صورت برنامه ریزی شده، همانطور که در صفحه مثال های ML نشان داده شده است، پس از آموزش و قبل از ذخیره کردن، یا با بارگذاری، اضافه کردن تبدیل ورودی و خروجی و ذخیره مجدد انجام داد. سایر قالب‌های بار پشتیبانی شده عبارتند از JSON با RAW_JSON و آرایه‌های چند بعدی با ND_ARRAYS . برای جزئیات بیشتر به اسناد قالب بار ما مراجعه کنید.

مجوزهای IAM نقطه پایانی

برای استفاده از مدل با ee.Model.fromVertexAi() ، باید مجوزهای کافی برای استفاده از مدل داشته باشید. به طور خاص، شما (یا هر کسی که از مدل استفاده می کند) حداقل به نقش کاربر Vertex AI برای پروژه ابری که مدل در آن میزبانی می شود نیاز دارید. شما مجوزهای پروژه ابری خود را با استفاده از کنترل‌های مدیریت شناسایی و دسترسی (IAM) کنترل می‌کنید.

مناطق

هنگام استقرار مدل خود در یک نقطه پایانی، باید مشخص کنید که در کدام منطقه مستقر شود. منطقه us-central1 توصیه می‌شود، زیرا احتمالاً به دلیل نزدیکی به سرورهای Earth Engine بهترین عملکرد را خواهد داشت، اما تقریباً هر منطقه ای کار خواهد کرد. برای جزئیات بیشتر در مورد مناطق Vertex AI و ویژگی هایی که هر کدام از آنها پشتیبانی می کند، به اسناد موقعیت مکانی Vertex AI مراجعه کنید.

اگر از پلتفرم هوش مصنوعی مهاجرت می کنید، توجه داشته باشید که Vertex AI نقطه پایانی جهانی ندارد و ee.Model.fromVertexAi() پارامتر region ندارد.

هزینه ها

برای اطلاعات دقیق در مورد هزینه ها، صفحه قیمت گذاری مربوط به هر محصول را ببینید.

می‌توانید از محاسبه‌گر قیمت‌گذاری برای برآورد هزینه بر اساس میزان استفاده پیش‌بینی‌شده خود استفاده کنید.

ادامه مطلب

برای جزئیات بیشتر در مورد نحوه استفاده از مدل میزبانی شده با Earth Engine صفحه پیش بینی تصویر ما را برای پیش بینی تصویر یا صفحه پیش بینی خواص ما را ببینید.