Antes de iniciar a avaliação contínua

Classificação de imagens

Formato da entrada

O modelo precisa receber solicitações de previsão on-line neste formato:

{
  "instances": [
    {
      "yourDataKey": <image input (string)>,
      <optional additional key>: <any JSON data type>,
      ...
    },
    ...
  ]
}

<image input (string)> pode ser:

• Uma imagem codificada em Base64
• O URI de uma imagem armazenada no Cloud Storage. Para garantir que o Serviço de rotulagem de dados tenha permissão para ler a imagem, o bucket do Cloud Storage precisa estar no mesmo projeto do Google Cloud em que você está criando o job de avaliação.

Exemplo codificado em Base64

Veja no exemplo a seguir um corpo de solicitação de previsão on-line com uma imagem codificada em Base64:

{
  "instances": [
    {
      "image_bytes": {
        "b64": "iVBORw0KGgoAAAANSUhEUgAAAAYAAAAGCAYAAADgzO9IAAAAhUlEQVR4AWOAgZeONnHvHcXiGJDBqyDTXa+dVC888oy51F9+eRdY8NdWwYz/RyT//znEsAjEt277+syt5VMJw989DM/+H2MI/L8tVBQk4d38xcWp7ctLhi97ZCZ0rXV6yLA4b6dH59sjTq3fnji1fp4AsWS5j7PXstRg+/b3gU7N351AQgA8+jkf43sjaQAAAABJRU5ErkJggg=="
      }
    }
  ]
}

Os dados de entrada estão aninhados no campo image_bytes neste exemplo. Se o modelo aceita uma entrada de previsão como essa, especifique essa estrutura aninhada ao criar o job de avaliação.

Exemplo de referência do Cloud Storage

Veja no exemplo a seguir um corpo de solicitação de previsão on-line com uma referência a uma imagem no Cloud Storage:

{
  "instances": [
    {
      "image_path": "gs://cloud-samples-data/datalabeling/image/flower_1.jpeg"
    }
  ]
}

Formato da saída

O modelo precisa retornar previsões on-line neste formato:

{
  "predictions": [
    {
      "YOUR_LABEL_KEY": [
        <label (string)>,
        <additional label (string)>,
        ...
      ],
      "YOUR_SCORE_KEY": [
        <score (number)>,
        <additional score (number)>,
        ...
      ],
      <optional additional key>: <any JSON data type>,
      ...
    },
    ...
  ]
}

As matrizes de rótulos e de pontuações precisam ter o mesmo comprimento. Se o modelo realiza uma classificação de rótulo único, é necessário que haja um rótulo e uma pontuação. Se o modelo realiza uma classificação de vários rótulos, cada rótulo na matriz precisa corresponder à pontuação no mesmo índice da matriz.

As pontuações são obrigatórias. Elas representam a confiança ou a probabilidade que o modelo de machine learning atribui às previsões dele. Normalmente, para selecionar um rótulo, os modelos comparam a pontuação calculada para uma entrada específica com um limite de classificação.

Exemplo de saída de classificação

Veja no exemplo a seguir um corpo de resposta de previsão on-line de classificação:

{
  "predictions": [
    {
      "sentiments": [
        "happy"
      ],
      "confidence": [
        "0.8"
      ]
    }
  ]
}

Classificação de texto

Formato da entrada

O modelo precisa receber solicitações de previsão on-line neste formato:

{
  "instances": [
    {
      "yourDataKey": <text input (string)>,
      <optional additional key>: <any JSON data type>,
      ...
    },
    ...
  ]
}

Exemplo de entrada de texto

Veja no exemplo a seguir um corpo de solicitação de previsão on-line com dados de texto:

{
  "instances": [
    {
      "text": "If music be the food of love, play on;"
    }
  ]
}

Formato da saída

O modelo precisa retornar previsões on-line neste formato:

{
  "predictions": [
    {
      "YOUR_LABEL_KEY": [
        <label (string)>,
        <additional label (string)>,
        ...
      ],
      "YOUR_SCORE_KEY": [
        <score (number)>,
        <additional score (number)>,
        ...
      ],
      <optional additional key>: <any JSON data type>,
      ...
    },
    ...
  ]
}

As matrizes de rótulos e de pontuações precisam ter o mesmo comprimento. Se o modelo realiza uma classificação de rótulo único, é necessário que haja um rótulo e uma pontuação. Se o modelo realiza uma classificação de vários rótulos, cada rótulo na matriz precisa corresponder à pontuação no mesmo índice da matriz.

As pontuações são obrigatórias. Elas representam a confiança ou a probabilidade que o modelo de machine learning atribui às previsões dele. Normalmente, para selecionar um rótulo, os modelos comparam a pontuação calculada para uma entrada específica com um limite de classificação.

Exemplo de saída de classificação

Veja no exemplo a seguir um corpo de resposta de previsão on-line de classificação:

{
  "predictions": [
    {
      "sentiments": [
        "happy"
      ],
      "confidence": [
        "0.8"
      ]
    }
  ]
}

Classificação geral

Formato da entrada

O modelo precisa receber solicitações de previsão on-line neste formato:

{
  "instances": [
    {
      "yourDataKey": <input data (string or array)>,
      <optional additional key>: <any JSON data type>,
      ...
    },
    ...
  ]
}

Exemplo de entrada geral

Veja no exemplo a seguir um corpo de solicitação de previsão on-line com uma matriz de dados de entrada que contém strings e números:

{
  "instances": [
    {
      "weather": [
        "sunny",
        72,
        0.22
      ]
    }
  ]
}

Formato da saída

O modelo precisa retornar previsões on-line neste formato:

{
  "predictions": [
    {
      "YOUR_LABEL_KEY": [
        <label (string)>,
        <additional label (string)>,
        ...
      ],
      "YOUR_SCORE_KEY": [
        <score (number)>,
        <additional score (number)>,
        ...
      ],
      <optional additional key>: <any JSON data type>,
      ...
    },
    ...
  ]
}

As matrizes de rótulos e de pontuações precisam ter o mesmo comprimento. Se o modelo realiza uma classificação de rótulo único, é necessário que haja um rótulo e uma pontuação. Se o modelo realiza uma classificação de vários rótulos, cada rótulo na matriz precisa corresponder à pontuação no mesmo índice da matriz.

As pontuações são obrigatórias. Elas representam a confiança ou a probabilidade que o modelo de machine learning atribui às previsões dele. Normalmente, para selecionar um rótulo, os modelos comparam a pontuação calculada para uma entrada específica com um limite de classificação.

Exemplo de saída de classificação

Veja no exemplo a seguir um corpo de resposta de previsão on-line de classificação:

{
  "predictions": [
    {
      "sentiments": [
        "happy"
      ],
      "confidence": [
        "0.8"
      ]
    }
  ]
}

Detecção de objetos de imagem

Formato da entrada

O modelo precisa receber solicitações de previsão on-line neste formato:

{
  "instances": [
    {
      "yourDataKey": <image input (string)>,
      <optional additional key>: <any JSON data type>,
      ...
    },
    ...
  ]
}

<image input (string)> pode ser:

• Uma imagem codificada em Base64
• O URI de uma imagem armazenada no Cloud Storage. Para garantir que o Serviço de rotulagem de dados tenha permissão para ler a imagem, o bucket do Cloud Storage precisa estar no mesmo projeto do Google Cloud em que você está criando o job de avaliação.

Exemplo codificado em Base64

Veja no exemplo a seguir um corpo de solicitação de previsão on-line com uma imagem codificada em Base64:

{
  "instances": [
    {
      "image_bytes": {
        "b64": "iVBORw0KGgoAAAANSUhEUgAAAAYAAAAGCAYAAADgzO9IAAAAhUlEQVR4AWOAgZeONnHvHcXiGJDBqyDTXa+dVC888oy51F9+eRdY8NdWwYz/RyT//znEsAjEt277+syt5VMJw989DM/+H2MI/L8tVBQk4d38xcWp7ctLhi97ZCZ0rXV6yLA4b6dH59sjTq3fnji1fp4AsWS5j7PXstRg+/b3gU7N351AQgA8+jkf43sjaQAAAABJRU5ErkJggg=="
      }
    }
  ]
}

Os dados de entrada estão aninhados no campo image_bytes neste exemplo. Se o modelo aceita uma entrada de previsão como essa, especifique essa estrutura aninhada ao criar o job de avaliação.

Exemplo de referência do Cloud Storage

Veja no exemplo a seguir um corpo de solicitação de previsão on-line com uma referência a uma imagem no Cloud Storage:

{
  "instances": [
    {
      "image_path": "gs://cloud-samples-data/datalabeling/image/flower_1.jpeg"
    }
  ]
}

Formato da saída

O modelo precisa retornar previsões on-line neste formato:

{
  "predictions": [
    {
      "yourBoundingBoxKey": [
        {
          "top_left": {
            "x": <left coordinate for first box>,
            "y": <top coordinate for first box>
          },
          "bottom_right": {
            "x": <right coordinate for first box>,
            "y": <bottom coordinate for first box>
          },
        },
        ...
      ],
      "YOUR_LABEL_KEY": [
        <label for first box>,
        ...
      ],
      "YOUR_SCORE_KEY": [
        <score for first box,
        ...
      ],
      <optional additional key>: <any JSON data type>,
      ...
    },
    ...
  ]
}

As matrizes de caixas delimitadoras, de rótulos e de pontuações precisam ter o mesmo comprimento. Cada entrada na matriz de caixa delimitadora precisa ter um rótulo no mesmo índice na matriz e corresponder a uma pontuação nesse índice da matriz. Por exemplo, yourBoundingBoxKey[0] é rotulado por yourLabelKey[0] e tem a pontuação yourScoreKey[0].

As pontuações são obrigatórias. Elas representam a confiança ou a probabilidade que o modelo de machine learning atribui às previsões dele. Normalmente, para selecionar um rótulo, os modelos comparam a pontuação calculada para uma entrada específica com um limite de classificação.

Formato de saída alternativo

Se você usar a string detection_boxes para yourBoundingBoxKey, a string detection_classes para yourLabelKey e a string detection_scores para yourScoreKey, use o seguinte formato para sua previsão em vez do formato padrão:

{
  "predictions": [
    {
      "detection_boxes": [
        {
          "x_min": <left coordinate for first box>,
          "y_min": <top coordinate for first box>,
          "x_max": <right coordinate for first box>,
          "y_max": <bottom coordinate for first box>
        },
        ...
      ],
      "detection_classes": [
        <label for first box>,
        ...
      ],
      "detection_scores": [
        <score for first box,
        ...
      ],
      <optional additional key>: <any JSON data type>,
      ...
    },
    ...
  ]
}

Exemplo de saída de detecção de objetos

Veja no exemplo a seguir um corpo de resposta de previsão on-line da detecção de objetos:

{
  "predictions": [
    {
      "bird_locations": [
        {
          "top_left": {
            "x": 53,
            "y": 22
          },
          "bottom_right": {
            "x": 98,
            "y": 150
          }
        }
      ],
      "species": [
        "rufous hummingbird"
      ],
      "probability": [
        0.77
      ]
    }
  ]
}