इस पेज पर दिए गए उदाहरणों में, Earth Engine के साथ Vertex AI के इस्तेमाल के बारे में बताया गया है. ज़्यादा जानकारी के लिए, होस्ट किए गए मॉडल का पेज देखें. इन उदाहरणों में, Colab Notebooks में चल रहे Earth Engine Python API का इस्तेमाल किया गया है.
लागत
AutoML
कम कोड वाला फ़सल का क्लासिफ़िकेशन
AutoML की मदद से, कम से कम तकनीकी प्रयासों के साथ मॉडल बनाया और ट्रेन किया जा सकता है. इस उदाहरण में, Vertex AI Python SDK का इस्तेमाल करके, AutoML टेबल मॉडल को ट्रेन करने और डिप्लॉय करने का तरीका बताया गया है. इसके बाद, National Agriculture Imagery Program (NAIP) की हवाई तस्वीरों से फ़सल के टाइप का ब्यौरा पाने के लिए, Earth Engine से मॉडल को कनेक्ट करने का तरीका बताया गया है.
PyTorch
सीएनएन की मदद से, लैंडकवर की कैटगरी तय करना
इस उदाहरण में एक आसान सीएनएन दिखाया गया है, जो इनपुट के तौर पर कई स्पेक्ट्रल वेक्टर लेता है (यानी एक बार में एक पिक्सल) और हर पिक्सल के लिए एक क्लास लेबल दिखाता है. Colab नोटबुक में, CNN बनाने, Earth Engine के डेटा से उसे ट्रेनिंग देने, Vertex AI में मॉडल को डिप्लॉय करने, और Earth Engine में मॉडल से अनुमान पाने का तरीका बताया गया है.
TensorFlow
शुरुआत से डीडीएन की मदद से, कई क्लास का अनुमान लगाना
"डीप" न्यूरल नेटवर्क (डीएनएन), एक आर्टिफ़िशियल न्यूरल नेटवर्क (एएनएन) होता है, जिसमें एक या उससे ज़्यादा हिडन लेयर होती हैं. इस उदाहरण में, एक ही हिडन लेयर वाली एक आसान डीडीएन दिखाई गई है. DNN, स्पेक्ट्रल वैक्टर को इनपुट के तौर पर लेता है (यानी एक बार में एक पिक्सल). साथ ही, हर पिक्सल के लिए एक क्लास लेबल और क्लास की संभावनाओं को दिखाता है. Colab की नोटबुक में, डीएनएन बनाने, Earth Engine के डेटा से उसे ट्रेन करने, एक्सपोर्ट की गई इमेज पर अनुमान लगाने, और अनुमान को Earth Engine में इंपोर्ट करने का तरीका बताया गया है.
Vertex AI पर होस्ट किए गए डीडीएन की मदद से, कई क्लास का अनुमान लगाना
Vertex AI पर होस्ट किए गए मॉडल से, सीधे Earth Engine में अनुमान पाएं. उदाहरण के लिए, कोड एडिटर में. इस गाइड में, TensorFlow मॉडल को होस्ट करने के लिए ट्रेन करने, सेव करने, और तैयार करने का तरीका बताया गया है. साथ ही, मॉडल को Vertex AI एंडपॉइंट पर डिप्लॉय करने और Earth Engine से इंटरैक्टिव मॉडल के अनुमान का मैप पाने का तरीका भी बताया गया है.
Vertex AI पर ट्रेन किए गए और होस्ट किए गए एफ़सीएन (फ़ुली कनेक्टेड कॉन्वोल्यूशनल नेटवर्क) की मदद से, सिमेंटिक सेगमेंटेशन
इस गाइड में, लैंड कवर मैपिंग के लिए सेमैटिक सेगमेंटेशन के बारे में बताया गया है. इनपुट या ट्रेनिंग डेटा के बारे में जानकारी, 2022 Geo for Good सेशन में दी गई है. Earth Engine के डेटा की मदद से बनाई गई इस गाइड में, Vertex AI पर कस्टम मशीन का इस्तेमाल करके मॉडल को ट्रेनिंग देने, मॉडल को होस्ट करने के लिए तैयार करने, मॉडल को एंडपॉइंट पर डिप्लॉय करने, और Earth Engine से इंटरैक्टिव मॉडल के अनुमान का मैप पाने का तरीका बताया गया है.
पहले से ट्रेन किए गए ट्री-क्राउन सेगमेंटेशन मॉडल को होस्ट करना
Earth Engine में इंटरैक्टिव अनुमान पाने के लिए, पहले से ट्रेन किए गए मॉडल होस्ट किए जा सकते हैं. उदाहरण के लिए, Li et al. (2023) ने TensorFlow में लागू किए गए, कई पेड़ के मुकुट के सेगमेंटेशन मॉडल पब्लिश किए. अगर इनपुट और आउटपुट को इसी हिसाब से तैयार किया जाता है, तो इन मॉडल को सीधे होस्ट किया जा सकता है. साथ ही, इनका इस्तेमाल Earth Engine में अनुमान पाने के लिए किया जा सकता है. ऐसा तब किया जा सकता है, जब इनपुट इमेज उपलब्ध हो. इस गाइड में, पहले से ट्रेन किए गए मॉडल को डाउनलोड करने, Vertex AI पर होस्ट करने के लिए तैयार करने, और Earth Engine के सार्वजनिक कैटलॉग में मौजूद इमेज के आधार पर अनुमान पाने का तरीका बताया गया है.
Yggdrasil डिसीज़न फ़ॉरेस्ट (YDF)
Yggdrasil डिसीज़न फ़ॉरेस्ट (YDF) एक ऐसा मशीन लर्निंग मॉडल है जो ट्री-आधारित मशीन लर्निंग मॉडल के तौर पर काम करता है. यह TensorFlow के साथ काम करता है. इन मॉडल को न्यूरल नेटवर्क की तरह ही, Vertex AI पर ट्रेन किया जा सकता है, सेव किया जा सकता है, और होस्ट किया जा सकता है. इस नोटबुक में, YDF इंस्टॉल करने, किसी आसान मॉडल को ट्रेन करने, मॉडल को Vertex AI पर होस्ट करने, और Earth Engine में इंटरैक्टिव अनुमान पाने का तरीका बताया गया है.
बहिष्कृत
TensorFlow के डिसीज़न फ़ॉरेस्ट
TensorFlow डेसिज़न फ़ॉरेस्ट (TF-DF) TensorFlow में, ट्री-आधारित मशीन लर्निंग मॉडल को लागू करने का एक तरीका है. इन मॉडल को TensorFlow न्यूरल नेटवर्क की तरह ही, Vertex AI पर ट्रेन किया जा सकता है, सेव किया जा सकता है, और होस्ट किया जा सकता है. इस नोटबुक में, TF-DF इंस्टॉल करने, रैंडम फ़ॉरेस्ट को ट्रेन करने, Vertex AI पर मॉडल को होस्ट करने, और Earth Engine में इंटरैक्टिव अनुमान पाने का तरीका बताया गया है.
एफ़सीएन (फ़ुली-कनेक्टेड नेटवर्क) के साथ रिग्रेशन
"कॉन्वोल्यूशनल" न्यूरल नेटवर्क (सीएनएन) में एक या एक से ज़्यादा कॉन्वोल्यूशनल लेयर होती हैं. इनमें इनपुट, पिक्सल के आस-पास के एरिया होते हैं. इससे ऐसा नेटवर्क बनता है जो पूरी तरह से कनेक्ट नहीं होता, लेकिन जगह के पैटर्न की पहचान करने के लिए सही होता है. फ़ुल्ली कन्वोल्यूशनल न्यूरल नेटवर्क (एफ़सीएनएन) में, आउटपुट के तौर पर फ़ुल्ली-कनेक्टेड लेयर नहीं होती. इसका मतलब है कि यह किसी ग्लोबल आउटपुट (यानी हर इमेज के लिए एक आउटपुट) को नहीं सीखता, बल्कि हर पिक्सल के लिए लोकलाइज़ किए गए आउटपुट को सीखता है.
इस Colab नोटबुक में, UNET मॉडल का इस्तेमाल दिखाया गया है. यह एक एफ़सीएन मॉडल है, जिसे मेडिकल इमेज सेगमेंटेशन के लिए डेवलप किया गया है. इसका इस्तेमाल, 256x256 पिक्सल के आस-पास के हर पिक्सल में, [0,1] के बीच के लगातार आउटपुट का अनुमान लगाने के लिए किया जाता है. खास तौर पर, इस उदाहरण में, नेटवर्क को ट्रेन करने के लिए, डेटा के पैच एक्सपोर्ट करने का तरीका बताया गया है. साथ ही, टाइल की सीमा के आर्टफ़ैक्ट को हटाने के लिए, अनुमान लगाने के लिए इमेज पैच को ओवरटाइल करने का तरीका भी बताया गया है.
AI Platform पर ट्रेनिंग
ज़्यादा बड़े मॉडल (जैसे, एफ़सीएन उदाहरण) के लिए, मुफ़्त वर्चुअल मशीन की लाइफ़, लंबे समय तक चलने वाली ट्रेनिंग के लिए ज़रूरत के मुताबिक नहीं हो सकती. खास तौर पर, अगर आकलन के लिए इस्तेमाल किए गए डेटासेट पर, अनुमान से जुड़ी गड़बड़ी को कम नहीं किया जाता है, तो ट्रेनिंग के लिए ज़्यादा बार चलाने की ज़रूरत पड़ सकती है. Cloud में बड़ी ट्रेनिंग प्रोसेस करने के लिए, इस Colab notebook में अपने ट्रेनिंग कोड को पैकेज करने, ट्रेनिंग प्रोसेस शुरू करने, earthengine model prepare कमांड की मदद से SavedModel तैयार करने, और ee.Model.fromAiPlatformPredictor की मदद से Earth Engine में इंटरैक्टिव तरीके से अनुमान पाने का तरीका बताया गया है.