이미지를 Cloud Storage에 업로드하고 이를 사용하여 다양한 유형의 구름(적운, 적란운 등)을 인식하도록 커스텀 모델을 학습시킬 것이다.
AutoML Vision
AutoML Vision의 사용하기 쉬운 그래픽 인터페이스로 간단하게 이미지를 업로드해 커스텀 이미지 모델을 학습시킬 수 있다.
또한 정확성, 지연 시간, 크기에 맞춰 모델을 최적화한 후 클라우드의 애플리케이션 또는 엣지의 다양한 기기로 내보낼 수도 있다.
AutoML Vision 설정
AutoML Vision은 이미지 분류 모델을 학습하고 이에 대한 예측을 생성하는 모든 단계에 대한 인터페이스를 제공한다.
Cloud Shell 활성화
export PROJECT_ID=<PROJECT_ID>
export USERNAME=<USERNAME>테스트에 사용할 Cloud Storage 버킷 생성
gsutil mb -p $PROJECT_ID \
-c regional \
-l us-central1 \
gs://$PROJECT_ID-vcm/AutoML UI로 이동
AutoML UI
Cloud Storage에 Training 이미지 업로드
구름의 이미지를 분류하도록 모델을 훈련시키려면 모델이 다양한 유형의 구름과 관련된 이미지 기능을 이해할 수 있도록 레이블이 지정된 훈련 데이터를 제공해야 한다.
여기서 모델은 권운, 적운 및 적란운의 세 가지 유형의 구름을 분류하는 방법을 배울 것이다.
AutoML Vision을 사용하려면 Google Cloud Storage에 학습 이미지를 넣어야 한다.
Shell에서 아래 명령어 실행
export BUCKET=<YOUR_BUCKET_NAME>학습 이미지 내 버킷에 복사
gsutil -m cp -r gs://cloud-training/automl-lab-clouds/* gs://${BUCKET}
잘 복사된 것 확인
데이터 세트 생성
학습 데이터가 Cloud Storage에 있으므로 AutoML Vision에서 데이터에 액세스할 수 있는 방법이 필요하다.
각 행에 트레이닝 이미지에 대한 URL과 해당 이미지에 대한 관련 레이블이 포함된 CSV 파일을 생성해줘야 한다.
여기선 구글에서 제공해주는 것을 사용할 것이기 때문에 CSV 파일이 이미 생성되 있다. 내 버킷에 업데이트하기만 하면 끝
파일을 Cloud Shell 인스턴스에 복사
gsutil cp gs://cloud-training/automl-lab-clouds/data.csv .프로젝트의 파일로 CSV 업데이트
sed -i -e "s/placeholder/${BUCKET}/g" ./data.csv내 버킷에 업로드
gsutil cp ./data.csv gs://${BUCKET}
올라간 것 확인
AutoML UI페이지로 돌아가서 데이터 세트를 생성할 것이다.
다음 화면에서 훈련 이미지의 위치를 선택
실행 중인 것을 화면으로 볼 수 있다.
8~12분 소요
이미지에 대한 간략한 검토를 해볼 것이다.
각 레이블에 대한 이미지 수 정보를 보려면 LABEL STATS 클릭
목록을 그냥 검토하면 된다,,
모델 학습
AutoML Vision은 모델 코드를 작성할 필요 없이 자동으로 해준다.
예산 설정값에 8을 입력하고 Deploy model to 1 node after training을 선택해준다.
이 프로세스를 통해 테스트가 완료된 후 모델을 즉시 예측할 수 있다.
이 데이터 세트를 트레이닝하는데 약 55~90분이 소요된다.
성공
모델 평가
모델의 정밀도 및 재현율에 대한 정보를 볼 수 있다.
신뢰도 임계값을 조정하여 그 영향을 확인해볼 수도 있다.
Confusion Matrix
예측 생성
이전에 본 적이 없는 데이터를 사용하여 훈련된 모델에 대한 예측을 생성해볼 것이다.
UI를 사용하여 이미지를 업로드할 것이다.
모델이 이 두 이미지를 어떻게 분류하는지 확인해보자
첫 번째는 권운
두 번째는 적란운
AutoML UI페이지로 이동
다운 받았던 두 이미지 업로드
모델이 각 유형의 구름을 올바르게 분류했다.
