Vertex AI 範例工作流程

本頁範例說明如何搭配使用 Vertex AI 和 Earth Engine。詳情請參閱託管模型頁面。這些範例使用在 Colab 筆記本中執行的 Earth Engine Python API。

費用

AutoML

低程式碼作物分類

有了 AutoML，您只需要在技術方面投入少量資源即可建立及訓練模型。這個範例示範如何使用 Vertex AI Python SDK 訓練及部署 AutoML 表格型模型，然後從 Earth Engine 連結至該模型，藉此根據國家農業影像計畫 (NAIP) 的空中影像，分類農作類型。

Colab 標誌 在 Google Colab 中執行 GitHub 標誌 在 GitHub 上查看來源

PyTorch

使用卷積類神經網路進行地表覆蓋類型分類

這個範例示範簡單的 CNN，該模型會將多個光譜向量做為輸入 (即一次一個像素)，並為每個像素輸出單一類別標籤。Colab 筆記本會示範如何建立 CNN、使用 Earth Engine 的資料訓練模型、將模型部署至 Vertex AI，以及在 Earth Engine 中取得模型的預測結果。

Colab 標誌 在 Google Colab 中執行 GitHub 標誌 在 GitHub 上查看來源

TensorFlow

從頭開始使用 DNN 進行多類別預測

「深層」類神經網路 (DNN) 是指含有一或多個隱藏層的人工類神經網路 (ANN)。本範例示範簡單的 DNN，其中只有一個隱藏層。DNN 會將光譜向量做為輸入 (也就是一次一個像素)，並輸出單一類別標籤和每個像素的類別機率。Colab 筆記本示範如何建立 DNN、使用 Earth Engine 的資料訓練 DNN、根據匯出的圖像做出預測，以及將預測結果匯入 Earth Engine。

Colab 標誌 在 Google Colab 中執行 GitHub 標誌 在 GitHub 上查看來源

使用 Vertex AI 代管的 DNN 進行多類別預測

您可以直接在 Earth Engine (例如在程式碼編輯器中) 取得 Vertex AI 代管模型的預測結果。本指南將示範如何訓練、儲存及準備 TensorFlow 模型以供代管，將模型部署至 Vertex AI 端點，以及從 Earth Engine 取得互動式模型預測地圖。

Colab 標誌 在 Google Colab 中執行 GitHub 標誌 在 GitHub 上查看來源

使用在 Vertex AI 上訓練及代管的 FCNN 進行語意區隔

本指南將說明土地覆蓋地圖的語意區隔。如要瞭解輸入內容或訓練資料的詳細資訊，請參閱這個 2022 年 Geo for Good 工作坊。本指南以 Earth Engine 的資料為基礎，說明如何使用自訂機器在 Vertex AI 上訓練模型、準備模型以供代管、將模型部署至端點，以及從 Earth Engine 取得互動式模型預測地圖。

Colab 標誌 在 Google Colab 中執行 GitHub 標誌 在 GitHub 上查看來源

代管預先訓練的樹冠分割模型

您可以託管預先訓練的模型，在 Earth Engine 中取得互動式預測結果。例如，Li 等人 (2023) 發布了幾個在 TensorFlow 中實作的樹冠分割模型。如果輸入和輸出資料的形狀相符，這些模型就能直接託管，並用於在有輸入影像的情況下，在 Earth Engine 中取得預測結果。本指南將示範如何下載預先訓練的模型，並準備在 Vertex AI 上代管模型，以及取得 Earth Engine 公開目錄中的圖像預測結果。

Colab 標誌 在 Google Colab 中執行 GitHub 標誌 在 GitHub 上查看來源

Yggdrasil Decision Forest (YDF)

Yggdrasil Decision Forests (YDF) 是熱門的樹狀機器學習模型實作項目，與 TensorFlow 相容。這些模型可在 Vertex AI 上訓練、儲存及代管，就像神經網路一樣。本筆記本會示範如何安裝 YDF、訓練簡單的模型、在 Vertex AI 上代管模型，以及在 Earth Engine 中取得互動式預測結果。

Colab 標誌 在 Google Colab 中執行 GitHub 標誌 在 GitHub 上查看來源

已淘汰

TensorFlow Decision Forest

TensorFlow Decision Forest (TF-DF) 是 TensorFlow 中常見的樹狀機器學習模型導入程序。這些模型可在 Vertex AI 上訓練、儲存及代管，就像 TensorFlow 神經網路一樣。 本筆記本會示範如何安裝 TF-DF、訓練隨機森林、在 Vertex AI 上代管模型，以及在 Earth Engine 中取得互動式預測結果。

Colab 標誌 在 Google Colab 中執行 GitHub 標誌 在 GitHub 上查看來源

使用 FCNN 執行迴歸

「卷積」類神經網路 (CNN) 包含一或多個卷積層，其中的輸入內容是像素的鄰域，因此產生的網路並非完全連線，但適合用於識別空間模式。全卷積神經網路 (FCNN) 的輸出內容不含全連接層。也就是說，它不會學習全域輸出內容 (即每張圖片一個輸出內容)，而是學習局部輸出內容 (即每個像素一個輸出內容)。

這個 Colab 筆記本示範如何使用 UNET 模型，這是一種專為醫學圖像區隔而開發的 FCNN，可從 256x256 像素鄰域中，預測每個像素的連續 [0,1] 輸出值。具體來說，這個範例會說明如何匯出資料片段來訓練網路，以及如何重疊圖片片段進行推論，以消除資訊方塊邊界瑕疵。

Colab 標誌 在 Google Colab 中執行 GitHub 標誌 在 GitHub 上查看來源

在 AI Platform 上訓練

對於相對較大的模型 (例如 FCNN 範例)，Colab 筆記本執行的免費虛擬機器可能無法長時間執行訓練工作。具體來說，如果評估資料集的預期預測誤差並未降至最低，建議您增加訓練迭代次數。如要在雲端執行大型訓練工作，請參閱這個 Colab 筆記本，瞭解如何封裝訓練程式碼、啟動訓練工作、使用 earthengine model prepare 指令準備 SavedModel，以及透過 ee.Model.fromAiPlatformPredictor 在 Earth Engine 中以互動方式取得預測結果。

Colab 標誌 在 Google Colab 中執行 GitHub 標誌 在 GitHub 上查看來源