أمثلة على سير العمل في Vertex AI

تنظيم صفحاتك في مجموعات يمكنك حفظ المحتوى وتصنيفه حسب إعداداتك المفضّلة.

توضّح الأمثلة الواردة في هذه الصفحة استخدامات Vertex AI مع Earth Engine. راجِع صفحة النماذج المستضافة لمعرفة التفاصيل. تستخدِم هذه الأمثلة واجهة برمجة تطبيقات Python في Earth Engine التي تعمل في أجهزة الكمبيوتر الدفترية في Colab.

التكاليف

AutoML

تصنيف المحاصيل باستخدام رموز برمجية بسيطة

تتيح ميزة "تعلُّم الآلة التلقائي" إنشاء نموذج وتدريبه باستخدام الحد الأدنى من الجهد الفني. يوضّح هذا المثال كيفية تدريب نموذج AutoML للبيانات الوصفية ونشره باستخدام حزمة تطوير البرامج Vertex AI Python SDK، ثم الربط به من Earth Engine لتصنيف أنواع المحاصيل من الصور الجوية لبرنامج National Agriculture Imagery Program (NAIP).

PyTorch

تصنيف الغطاء الأرضي باستخدام شبكة عصبية اصطناعية

يوضّح هذا المثال شبكة عصبية تلافعية بسيطة تأخذ عدة متجهات طيفية كمدخلات (أي بكسل واحد في كل مرة) وتُخرج تصنيف فئة واحدًا لكل بكسل. توضِّح ملفّ ملاحظات Colab إنشاء شبكة النقل العصبية التسلسلي (CNN) وتدريبها باستخدام بيانات من Earth Engine ونشر النموذج على Vertex AI و الحصول على توقّعات من النموذج في Earth Engine.

Tensorflow

التنبؤ بعدة فئات باستخدام شبكة عصبية عميقة من الصفر

الشبكة العصبية "العميقة" (DNN) هي شبكة عصبية اصطناعية (ANN) تتضمّن واحدة أو أكثر من الطبقات المخفية. يوضّح هذا المثال شبكة عصبية عميقة بسيطة تتضمّن طبقة مخفية واحدة. تأخذ شبكة DNN الإدخالات على شكل متجهات طيفية (أي بكسل واحد في كل مرة) وتُخرج تصنيفًا واحدًا واحتمالات الفئات لكل بكسل. توضِّح "دفتر ملاحظات" Colab كيفية إنشاء شبكة المعالجة العصبية العميقة وتدريبها باستخدام بيانات من Earth Engine وإجراء توقّعات بشأن الصور التي تم تصديرها واستيراد التوقّعات إلى Earth Engine.

التوقّعات المتعددة الفئات باستخدام شبكة عصبية عميقة مستضافة على Vertex AI

يمكنك الحصول على توقّعات من نموذج مستضاف على Vertex AI مباشرةً في Earth Engine (على سبيل المثال، في محرِّر الرموز البرمجية). يوضّح هذا الدليل كيفية تدريب نموذج TensorFlow وحفظه وإعداده لاستضافته، ونشره على نقطة نهاية Vertex AI والحصول على خريطة لتوقّعات النموذج التفاعلية من Earth Engine.

التقسيم الدلالي باستخدام شبكة عصبية تلافعية (FCNN) تم تدريبها واستضافتها على Vertex AI

يوضّح هذا الدليل التقسيم الدلالي لإنشاء خرائط لتغطية الأرض. يمكنك الاطّلاع على تفاصيل عن المدخلات أو بيانات التدريب في جلسة Geo for Good لعام 2022. استنادًا إلى بيانات من Earth Engine، يوضّح هذا الدليل كيفية تدريب نموذج على Vertex AI باستخدام جهاز مخصّص، وإعداد النموذج لاستضافته، ونشره على نقطة نهاية، والحصول على خريطة لتوقّعات النموذج التفاعلي من Earth Engine.

استضافة نموذج مدرَّب مسبقًا لتقسيم قمة الشجرة

يمكنك استضافة نماذج تمّ تدريبها مسبقًا للحصول على توقّعات تفاعلية في Earth Engine. على سبيل المثال، نشرت مجموعة Li et al. (2023) عدة نماذج لتقسيم قمة الشجرة تم تنفيذها في TensorFlow. إذا تم تشكيل المدخلات والمخرجات وفقًا لذلك، يمكن استضافة هذه النماذج مباشرةً واستخدامها للحصول على توقّعات في Earth Engine في أي مكان تتوفّر فيه صور إدخال. يوضّح هذا الدليل كيفية تنزيل ملف هجين تم تدريبه مسبقًا وإعداده لاستضافته على Vertex AI والحصول على توقّعات بشأن الصور في كتالوج Earth Engine العلني.

Yggdrasil Decision Forests (YDF)

غابات قرارات Yggdrasil (YDF) هي تطبيق لنماذج تعلُّم الآلة الشائعة المستندة إلى الأشجار والمتوافقة مع TensorFlow. يمكن تدريب هذه النماذج وحفظها واستضافتها على Vertex AI، كما هو الحال مع الشبكات العصبية. يوضّح دفتر البيانات هذا كيفية تثبيت YDF وتدريب نموذج بسيط واستضافة النموذج على Vertex AI والحصول على توقعات تفاعلية في Earth Engine.

منهي العمل به

TensorFlow Decision Forests

غابات قرارات TensorFlow (TF-DF) هي تطبيق لنماذج التعلم الآلي الشائعة المستندة إلى الأشجار في TensorFlow. يمكن تدريب هذه النماذج وحفظها واستضافتها على Vertex AI، كما هو الحال مع الشبكات العصبية في TensorFlow. توضِّح "دفتر ملاحظات Jupyter" هذا كيفية تثبيت TF-DF وتدريب غابة عشوائية واستضافة النموذج على Vertex AI والحصول على تنبؤات تفاعلية في Earth Engine.

الانحدار باستخدام شبكة عصبية تلافعية

تحتوي الشبكة العصبية "التجميعية" (CNN) على طبقة تجميعية واحدة أو أكثر، حيث تكون المدخلات هي مجموعات من وحدات البكسل، ما يؤدي إلى إنشاء شبكة غير متصلة بالكامل، ولكنها مناسبة لتحديد الأنماط المكانية. لا تحتوي الشبكة العصبية التوليدية بالكامل (FCNN) على طبقة مكتملة الاتصال كمخرج. وهذا يعني أنّه لا يتعلم نتيجة كليّة (أي نتيجة واحدة لكل صورة)، بل يتعلم نتائج مُعدَّلة (أي لكل بكسل).

توضِّح "دفتر ملاحظات" Colab هذا استخدام نموذج UNET، وهو شبكة عصبية تلافعية وظيفية تم تطويرها لتقسيم الصور الطبية، وذلك لتوقع ناتج مستمر [0،1] في كل بكسل من 256×256 بكسل مجاور. على وجه التحديد، يوضّح هذا المثال كيفية تصدير أجزاء من البيانات لتدريب الشبكة وكيفية تداخل أجزاء الصور لاستنتاجها، وذلك لإزالة العناصر المزعجة في حدود المربّعات.

التدريب على AI Platform

بالنسبة إلى النماذج الكبيرة نسبيًا (مثل مثال FCNN)، قد لا يكون وقت تشغيل الجهاز الافتراضي المجاني الذي يتم تشغيل أوراق ملاحظات Colab عليه كافيًا لمهمّة تدريب تستغرق وقتًا طويلاً. على وجه التحديد، إذا لم يتم تقليل خطأ التنبؤ المتوقّع في مجموعة بيانات التقييم، قد يكون من الحكمة إجراء المزيد من دورات التدريب. لتنفيذ مهام تدريب كبيرة في السحابة الإلكترونية، توضِّح ملفّ ملاحظات Colab هذا كيفية تجميع رمز التعليم وبدء مهمة تدريب وإعداد SavedModel باستخدام الأمر earthengine model prepare والحصول على توقّعات في Earth Engine بشكل تفاعلي باستخدام ee.Model.fromAiPlatformPredictor.