Allena il tuo modello di Machine Learning
Importa i tuoi dati in AutoML Vision e avvia il processo di addestramento
Prepara i tuoi dati per l’importazione
positive
" (immagini con esempi di estrazione dell'ambra) e "
Importa i dati in AutoML (1)
Scarica sul tuo computer le due cartelle zippate:
Durante il download, riapri la piattaforma Google Cloud tramite questo link. Dopo aver scaricato le due cartelle, segui questi passaggi per caricarle in AutoML Vision:
Nell'interfaccia, clicca su "Nuovo set di dati".
Rinomina il tuo set di dati e assegnagli un'etichetta riconoscibile (ad esempio, "amber mining"), seleziona "Classificazione a etichetta singola" come obiettivo del tuo modello e clicca su "Crea set di dati".
Mantieni selezionato "Carica immagini dal tuo computer" clicca su "Seleziona file". Dal menu che si apre, seleziona "positive.zip" e "negative.zip". Conferma la tua selezione.
Clicca su "Sfoglia" per selezionare una destinazione sul cloud storage e nella finestra che si aprirà, clicca sull'icona in alto a destra per "Crea un nuovo bucket".
Dai un nuovo nome al tuo bucket. Ai fini di questo esercizio, non importa cosa selezionerai nelle seguenti opzioni. Clicca su "Crea", quindi su "Seleziona" nella finestra successiva.
Importa i dati in AutoML (2)
Ora siamo pronti per caricare i dataset:
Assicurati che "negative.zip" e "positive.zip" appaiano nella casella grigia, quindi clicca su "Continua". Attendi qualche secondo o qualche minuto, a seconda della velocità della tua connessione, affinché le immagini vengano caricate.
Quando il caricamento è completo, clicca su "Immagini" dal menu nella parte superiore della pagina e attendi il completamento del processo di importazione: potrebbero essere necessari fino a 30 minuti.
Al termine del processo di importazione, riceverai una notifica via e-mail. La tua piattaforma Google Cloud mostrerà 1.150 immagini importate, 900 negative e 250 positive.
Allena il tuo modello di Machine Learning
Ora siamo pronti per iniziare il processo di addestramento: Prima, però, scorri le immagini e scopri di più sul nostro set di dati. Controlla ad esempio alcune delle immagini "positive". Riesci a vedere i buchi distintivi, le tracce di estrazione dell'ambra? Se riesci a riconoscerli, anche il tuo modello sarà in grado di farlo.
Per alcune immagini, potrebbe non essere così facile nemmeno per te affermare se sono presenti tracce di estrazione dell'ambra o meno. Nella prossima lezione vedremo come si comporta il modello su questi esempi limite. Quando sei pronto per procedere, clicca su "Addestra"
A questo punto, il modello ti dice che "hai abbastanza immagini per iniziare l’addestramento". Ti informa inoltre che "Il tuo set di dati verrà automaticamente suddiviso in tre parti: addestramento, convalida e test". Vediamo cosa significa.
Avvia l’addestramento su AutoML
Puoi anche dividere il set di dati da solo. La suddivisione manuale dei dati è una buona scelta quando si desidera esercitare un maggiore controllo sul processo o se sono presenti esempi specifici che si è sicuri di voler includere in una determinata parte del ciclo di vita dell'addestramento del modello. Nel nostro caso, la suddivisione predefinita - 80%, 10%, 10% - va benissimo, quindi possiamo procedere:
Clicca su “Inizia l’addestramento”
- In "Definisci il tuo modello", tieni premuta la selezione "Hosting cloud" e clicca su "Continua".
- Quindi, in "Definisci un budget orario per il nodo", imposta il budget su 8 ore/nodo e lascia deselezionata la casella "Distribuisci il modello su 1 nodo dopo l'addestramento".
- Infine, clicca su “Inizia l’addestramento” A questo punto, dovrai attendere un paio d'ore mentre il modello viene addestrato.
-
![4.6.jpg]()
Come utilizzare il Machine Learning
LezioneScopri in quali casi il ML può essere risolutivo per un tuo quesito o ricerca. -
![gni_business_lesson_play_4]()
-
![GoogleTrends_AccessAWorldOfData]()
Public Data Explorer: Accedi a un mondo di dati.
LezioneUsa dati di alta qualità per creare video e animazioni.
