AutoML Edge-Modell mit der Google Cloud Console trainieren
Mit Sammlungen den Überblick behalten
Sie können Inhalte basierend auf Ihren Einstellungen speichern und kategorisieren.
Sie können ein AutoML Edge-Modell (exportierbar) für bestimmte Datentypen direkt in der UI erstellen oder einen Pipeline-Trainingsjob programmatisch starten. Sie erstellen dieses Modell mit einem vorbereiteten Dataset. Erstellen Sie dieses Dataset in der Google Cloud Console oder mithilfe der API. Die Vertex AI API verwendet die Elemente aus dem Dataset, um das Modell zu trainieren, zu testen und die Modellleistung zu bewerten. Prüfen Sie die Bewertungsergebnisse, passen Sie das Trainings-Dataset nach Bedarf an und erstellen Sie einen neuen Trainingsjob mit dem verbesserten Dataset.
Trainingsjobs können mehrere Stunden dauern. Auf der Vertex-AI-Seite der Google Cloud Console wird der Status des Trainings angezeigt.
AutoML Edge-Modell trainieren
Rufen Sie in der Google Cloud Console im Abschnitt "Vertex AI" die Seite Datasets auf.
Klicken Sie auf den Namen des Datasets, das Sie zum Trainieren Ihres Modells verwenden möchten, um dessen Detailseite zu öffnen.
Wenn Ihr Datentyp Annotationssätze verwendet, wählen Sie den Annotationssatz aus, den Sie für dieses Modell verwenden möchten.
Klicken Sie auf Neues Modell trainieren.
Führen Sie auf der Seite Neues Modell trainieren die folgenden Schritte für Ihren Datentyp aus:
Bild
Wählen Sie radio_button_checkedAutoML Edge für die Trainingsmethode aus und klicken Sie auf Weiter.
Geben Sie den Anzeigenamen für das neue Modell ein.
Wenn Sie die Aufteilung Ihrer Trainingsdaten manuell festlegen möchten, maximieren Sie Erweiterte Optionen und wählen Sie eine Option für die Datenaufteilung aus.
Weitere Informationen
Klicken Sie auf Weiter.
Nur Klassifikation-Modelle (optional) Im Abschnitt Erklärbarkeitcheck_boxErklärbare Bitmaps für jedes Bild im Test-Dataset generieren auswählen, um Vertex Explainable AI zu aktivieren.
Wählen Sie Visualisierungseinstellungen aus und klicken Sie auf Weiter.
Diese Funktion ist mit Kosten verbunden. Weitere Informationen finden Sie unter Preise.
Wählen Sie das Optimierungsziel aus, das Ihren Anforderungen am besten entspricht. Sie können entweder die Genauigkeit, die Latenz oder beides optimieren.
Klicken Sie auf Weiter.
Geben Sie im Fenster Computing und Preise die maximale Anzahl an Stunden ein, in denen Ihr Modell trainiert werden soll.
Mit dieser Einstellung können Sie die Trainingskosten begrenzen. Die tatsächlich benötigte Zeit kann aber länger sein als dieser Wert, da auch noch andere Vorgänge am Erstellen eines neuen Modells beteiligt sind.
Wenn Sie das Training beenden möchten, wenn das Modell nicht mehr verbessert wird, wählen Sie Vorzeitiges Beenden aktivieren aus.
Video
Geben Sie den Anzeigenamen für das neue Modell ein.
Klicken Sie auf Weiter.
Wählen Sie radio_button_checkedAutoML Edge für die Trainingsmethode aus und klicken Sie auf Weiter.
Wählen Sie das Optimierungsziel aus, das Ihren Anforderungen am besten entspricht. Sie können entweder die Genauigkeit, die Latenz oder beides optimieren.
Klicken Sie auf Weiter.
Einige Minuten nach dem Start des Trainings können Sie die Schätzung der Knotenstunden für das Training anhand der Attribute des Modells prüfen.
Wenn Sie das Training abbrechen, fallen für das aktuelle Produkt keine Kosten an.
Klicken Sie auf Training starten.
Das Modelltraining kann je nach Trainingsbudget (nur Bilder) und Größe sowie Komplexität Ihrer Daten viele Stunden dauern. Sie können diesen Tab schließen und später zurückkehren. Wenn das Training für Ihr Modell abgeschlossen ist, erhalten eine entsprechende E-Mail.
[[["Leicht verständlich","easyToUnderstand","thumb-up"],["Mein Problem wurde gelöst","solvedMyProblem","thumb-up"],["Sonstiges","otherUp","thumb-up"]],[["Schwer verständlich","hardToUnderstand","thumb-down"],["Informationen oder Beispielcode falsch","incorrectInformationOrSampleCode","thumb-down"],["Benötigte Informationen/Beispiele nicht gefunden","missingTheInformationSamplesINeed","thumb-down"],["Problem mit der Übersetzung","translationIssue","thumb-down"],["Sonstiges","otherDown","thumb-down"]],["Zuletzt aktualisiert: 2025-08-07 (UTC)."],[],[],null,["# Train an AutoML Edge model using the Google Cloud console\n\nYou create an AutoML Edge (exportable) model directly in the UI for certain\ndata types, or by starting a training pipeline job\n[programmatically](/vertex-ai/docs/training/automl-edge-api). You create this model using a prepared\ndataset. Create this dataset in the Google Cloud console or\nusing the [API](/vertex-ai/docs/training/automl-edge-api). Vertex AI API uses the\nitems from the dataset to train the model, test it, and evaluate\nmodel performance. Review the evaluations results, adjust the training dataset\nas needed, and create a new training job using the improved dataset.\n\nTraining jobs can take several hours to complete. The Vertex AI\npage of the Google Cloud console shows the status of training.\n\nTraining an AutoML Edge model\n-----------------------------\n\n1. In the Google Cloud console, in the Vertex AI section, go to\n the **Datasets** page.\n\n [Go to the Datasets page](https://console.cloud.google.com/vertex-ai/datasets)\n2. Click the name of the dataset you want to use to train your model to open\n its details page.\n\n3. If your data type uses annotation sets, select the annotation set you want\n to use for this model.\n\n4. Click **Train new model**.\n\n5. In the **Train new model** page, complete the\n following steps for your data type:\n\n ### Image\n\n 1.\n Select radio_button_checked**AutoML Edge**\n for the training method and click **Continue**.\n\n 2. Enter the display name for your new model.\n\n 3.\n If you want manually set how your training data is split, expand **Advanced\n options** and select a data split option.\n [Learn more](/vertex-ai/docs/general/ml-use).\n\n 4. Click **Continue**.\n\n 5.\n ***Classification** models only (optional)* : In the **Explainability**\n section, select check_box**Generate explainable\n bitmaps for each image in the test set** to enable\n [Vertex Explainable AI](/vertex-ai/docs/explainable-ai/overview).\n Choose [visualization settings](/vertex-ai/docs/explainable-ai/visualization-settings-automl-icn) and\n click **Continue**.\n\n This feature has costs associated with it. See [Pricing](/vertex-ai/pricing)\n for more information.\n\n \u003cbr /\u003e\n\n 6.\n Select the optimization goal that best suits your need. You\n can optimize for accuracy, latency, or both.\n\n 7. Click **Continue**.\n\n 8.\n In the **Compute and pricing** window, enter the maximum number of\n hours you want your model to train for.\n\n\n This setting helps you put a cap on the training costs. The actual\n time elapsed can be longer than this value, because there are other\n operations involved in creating a new model.\n\n \u003cbr /\u003e\n\n 9.\n If you want to stop training when the model is no longer\n improving, select **Enable early stopping**.\n\n ### Video\n\n 1. Enter the display name for your new model.\n\n 2. Click **Continue**.\n\n 3.\n Select radio_button_checked**AutoML Edge**\n for the training method and click **Continue**.\n\n 4.\n Select the optimization goal that best suits your need. You\n can optimize for accuracy, latency, or both.\n\n 5. Click **Continue**.\n\n Several minutes after training starts, you can check the training\n node hour estimation from the model's properties information.\n If you cancel the training, there is no charge on the current product.\n\n \u003cbr /\u003e\n\n6. Click **Start Training**.\n\n Model training can take many hours, depending on your training budget\n (image only) and the size and complexity of your data. You can close\n this tab and return to it later. You will receive an email when your\n model has completed training.\n\nWhat's next\n-----------\n\n- [Evaluate AutoML models](/vertex-ai/docs/training/evaluating-automl-models).\n- [Export AutoML Edge models](/vertex-ai/docs/export/export-edge-model).\n- [Use Vertex Explainable AI to understand model behavior](/vertex-ai/docs/explainable-ai/overview)."]]
