Benutzerdefiniertes Hello-Training: Trainieren eines benutzerdefinierten Bildklassifizierungsmodells
Mit Sammlungen den Überblick behalten
Sie können Inhalte basierend auf Ihren Einstellungen speichern und kategorisieren.
Auf dieser Seite erfahren Sie, wie Sie eine TensorFlow Keras-Trainingsanwendung in Vertex AI ausführen. Dieses spezifische Modell trainiert ein Bildklassifizierungsmodell, das Blumen nach Typ klassifizieren kann.
Auf jeder Seite wird davon ausgegangen, dass Sie die Anleitung auf den vorherigen Seiten des Leitfadens bereits ausgeführt haben.
Im weiteren Verlauf dieses Dokuments wird davon ausgegangen, dass Sie dieselbe Cloud Shell-Umgebung verwenden, die Sie erstellt haben, wenn Sie der ersten Seite dieser Anleitung gefolgt sind. Wenn Ihre ursprüngliche Cloud Shell-Sitzung nicht mehr geöffnet ist, können Sie mit folgenden Schritten zur Umgebung zurückkehren:
In the Google Cloud console, activate Cloud Shell.
Führen Sie in der Cloud Shell-Sitzung den folgenden Befehl aus:
cdhello-custom-sample
Benutzerdefinierte Trainingspipeline ausführen
In diesem Abschnitt wird die Verwendung des Trainingspakets beschrieben, das Sie in Cloud Storage hochgeladen haben, um eine benutzerdefinierte Trainingspipeline von Vertex AI auszuführen.
Wechseln Sie in der Google Cloud Console im Abschnitt „Vertex AI“ zur Seite Trainingspipelines.
Klicken Sie auf add_box
Erstellen, um den Bereich Neues Modell trainieren zu öffnen.
Führen Sie im Schritt Trainingsmethode auswählen die folgenden Schritte aus:
Wählen Sie in der Drop-down-Liste Dataset die Option Kein verwaltetes Dataset aus. Diese spezielle Trainingsanwendung lädt Daten aus der Bibliothek TensorFlow Datasets statt aus einem verwalteten Vertex AI-Dataset.
Achten Sie darauf, dass Benutzerdefiniertes Training (erweitert) ausgewählt ist.
Klicken Sie auf Weiter.
Geben Sie im Schritt Modelldetails im Feld Namehello_custom ein. Klicken Sie auf Weiter.
Geben Sie im Schritt Trainingscontainer Informationen für Vertex AI zur Verwendung des Trainingspakets an, das Sie in Cloud Storage hochgeladen haben.
Wählen Sie Vordefinierter Container aus.
Wählen Sie in der Drop-down-Liste Modell-Framework die Option TensorFlow aus.
Wählen Sie in der Drop-down-Liste Modell-Framework-Version die Option 2.3 aus.
Geben Sie im Feld Paket den Wert cloud-samples-data/ai-platform/hello-custom/hello-custom-sample-v1.tar.gz ein.
Geben Sie im Feld Python-Modul den Wert trainer.task ein. trainer ist der Name des Python-Pakets in Ihrem Tarball und task.py den Trainingscode enthält. Daher ist trainer.task der Name des Moduls, das Vertex AI ausführen soll.
Klicken Sie im Feld Modellausgabeverzeichnis auf Durchsuchen. Gehen Sie im Bereich Ordner auswählen so vor:
Wechseln Sie zu Ihrem Cloud Storage-Bucket.
Klicken Sie auf Neuen Ordner erstellen create_new_folder.
Geben Sie dem neuen Ordner den Namen output. Klicken Sie auf Erstellen.
Klicken Sie auf Auswählen.
Prüfen Sie, ob das Feld den Wert gs://BUCKET_NAME/output enthält. Dabei ist BUCKET_NAME der Name Ihres Cloud Storage-Buckets.
Dieser Wert wird Vertex AI im API-Feld baseOutputDirectory übergeben. Dadurch werden mehrere Umgebungsvariablen festgelegt, auf die Ihre Trainingsanwendung zugreifen kann, wenn sie ausgeführt wird.
Wenn Sie beispielsweise dieses Feld auf gs://BUCKET_NAME/output setzen, legt Vertex AI die Umgebungsvariable AIP_MODEL_DIR auf gs://BUCKET_NAME/output/model fest. Am Ende des Trainings verwendet Vertex AI alle Artefakte im Verzeichnis AIP_MODEL_DIR, um eine Modellressource zu erstellen.
Achten Sie darauf, dass im optionalen Schritt Hyperparameter das Kästchen Hyperparameter-Abstimmung aktivieren nicht markiert ist. In dieser Anleitung wird keine Hyperparameter-Abstimmung verwendet. Klicken Sie auf Weiter.
Weisen Sie im Schritt Computing und Preise Ressourcen für den benutzerdefinierten Trainingsjob zu:
Wählen Sie im Drop-down-Menü Region die Option us-central1 aus.
Wählen Sie in der Drop-down-Liste Maschinentyp die Option n1-standard-4 aus dem Abschnitt Standard aus.
Fügen Sie für diese Anleitung keine Beschleuniger oder Worker-Pools hinzu. Klicken Sie auf Weiter.
Im Schritt Vorhersagecontainer geben Sie Vertex AI Informationen zum Abrufen von Vorhersagen an:
Wählen Sie Vordefinierter Container aus.
Gehen Sie im Bereich Vordefinierte Containereinstellungen folgendermaßen vor:
Wählen Sie in der Drop-down-Liste Modell-Framework die Option TensorFlow aus.
Wählen Sie in der Drop-down-Liste Modell-Framework-Version die Option 2.3 aus.
Wählen Sie in der Drop-down-Liste Beschleunigertyp die Option Keine aus.
Prüfen Sie, ob das Feld Modellverzeichnis den Wert gs://BUCKET_NAME/output enthält. Dabei ist BUCKET_NAME der Name Ihres Cloud Storage-Buckets. Dies entspricht dem Wert Modellausgabeverzeichnis, den Sie in einem vorherigen Schritt bereitgestellt haben.
Lassen Sie die Felder im Abschnitt Schemata vorhersagen leer.
Klicken Sie auf Training starten, um die benutzerdefinierte Trainingspipeline zu starten.
Sie können jetzt Ihre neue Trainingspipeline mit dem Namen hello_custom auf der Seite Training ansehen. Möglicherweise müssen Sie die Seite aktualisieren. Diese Trainingspipeline hat zwei Hauptaspekte:
Die Trainingspipeline erstellt eine benutzerdefinierte Jobressource mit dem Namen hello_custom-custom-job. Nach kurzer Zeit können Sie diese Ressource auf der Seite Benutzerdefinierte Jobs im Abschnitt Training ansehen:
Der benutzerdefinierte Job führt die Trainingsanwendung mit den Rechenressourcen aus, die Sie in diesem Abschnitt angegeben haben.
Nach Abschluss des benutzerdefinierten Jobs sucht die Trainingspipeline die Artefakte, die Ihre Trainingsanwendung im Verzeichnis output/model/ Ihres Cloud Storage-Buckets erstellt. Anhand dieser Artefakte wird eine Modellressource erstellt.
Training überwachen
So rufen Sie Trainingslogs auf:
Rufen Sie in der Google Cloud Console im Abschnitt „Vertex AI“ die Seite Benutzerdefinierte Jobs auf.
Klicken Sie in der Liste auf hello_custom-custom-job, um Details für die gerade erstellte CustomJob aufzurufen.
Klicken Sie auf der Seite mit den Jobdetails auf Logs ansehen.
Trainiertes Modell ansehen
Wenn die benutzerdefinierte Trainingspipeline abgeschlossen ist, finden Sie das trainierte Modell in der Google Cloud Console im Abschnitt „Vertex AI“ auf der Seite Modelle.
[[["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: 2025-08-19 (UTC)."],[],[],null,["# Hello custom training: Train a custom image classification model\n\n| To learn more,\n| run the following notebooks in the environment of your choice:\n|\n| - \"Use the Vertex AI SDK for Python to train and deploy a custom image classification model for batch prediction.\":\n|\n| [Open in Colab](https://colab.research.google.com/github/GoogleCloudPlatform/vertex-ai-samples/blob/main/notebooks/official/custom/sdk-custom-image-classification-batch.ipynb)\n|\n|\n| \\|\n|\n| [Open in Colab Enterprise](https://console.cloud.google.com/vertex-ai/colab/import/https%3A%2F%2Fraw.githubusercontent.com%2FGoogleCloudPlatform%2Fvertex-ai-samples%2Fmain%2Fnotebooks%2Fofficial%2Fcustom%2Fsdk-custom-image-classification-batch.ipynb)\n|\n|\n| \\|\n|\n| [Open\n| in Vertex AI Workbench](https://console.cloud.google.com/vertex-ai/workbench/deploy-notebook?download_url=https%3A%2F%2Fraw.githubusercontent.com%2FGoogleCloudPlatform%2Fvertex-ai-samples%2Fmain%2Fnotebooks%2Fofficial%2Fcustom%2Fsdk-custom-image-classification-batch.ipynb)\n|\n|\n| \\|\n|\n| [View on GitHub](https://github.com/GoogleCloudPlatform/vertex-ai-samples/blob/main/notebooks/official/custom/sdk-custom-image-classification-batch.ipynb)\n| - \"Use the Vertex AI SDK for Python to train and deploy a custom image classification model for online prediction.\":\n|\n| [Open in Colab](https://colab.research.google.com/github/GoogleCloudPlatform/vertex-ai-samples/blob/main/notebooks/official/custom/sdk-custom-image-classification-online.ipynb)\n|\n|\n| \\|\n|\n| [Open in Colab Enterprise](https://console.cloud.google.com/vertex-ai/colab/import/https%3A%2F%2Fraw.githubusercontent.com%2FGoogleCloudPlatform%2Fvertex-ai-samples%2Fmain%2Fnotebooks%2Fofficial%2Fcustom%2Fsdk-custom-image-classification-online.ipynb)\n|\n|\n| \\|\n|\n| [Open\n| in Vertex AI Workbench](https://console.cloud.google.com/vertex-ai/workbench/deploy-notebook?download_url=https%3A%2F%2Fraw.githubusercontent.com%2FGoogleCloudPlatform%2Fvertex-ai-samples%2Fmain%2Fnotebooks%2Fofficial%2Fcustom%2Fsdk-custom-image-classification-online.ipynb)\n|\n|\n| \\|\n|\n| [View on GitHub](https://github.com/GoogleCloudPlatform/vertex-ai-samples/blob/main/notebooks/official/custom/sdk-custom-image-classification-online.ipynb)\n\nThis page shows you how to run a TensorFlow Keras training application on\nVertex AI. This particular model trains an image classification\nmodel that can classify flowers by type.\nThis tutorial has several pages:\n\n\u003cbr /\u003e\n\n1. [Setting up your project and environment.](/vertex-ai/docs/tutorials/image-classification-custom)\n\n2. Training a custom image classification model.\n\n3. [Serving predictions from a custom image classification\n model.](/vertex-ai/docs/tutorials/image-classification-custom/serving)\n\n4. [Cleaning up your project.](/vertex-ai/docs/tutorials/image-classification-custom/cleanup)\n\nEach page assumes that you have already performed the instructions from the\nprevious pages of the tutorial.\nThe rest of this document assumes that you are using the same Cloud Shell environment that you created when following the [first page of this\ntutorial](/vertex-ai/docs/tutorials/image-classification-custom). If your original Cloud Shell session is no longer open, you can return to the environment by doing the following:\n\n\u003cbr /\u003e\n\n1. In the Google Cloud console, activate Cloud Shell.\n\n [Activate Cloud Shell](https://console.cloud.google.com/?cloudshell=true)\n2. In the Cloud Shell session, run the following command:\n\n ```bash\n cd hello-custom-sample\n ```\n\nRun a custom training pipeline\n------------------------------\n\nThis section describes using the training package that you uploaded to\nCloud Storage to run a Vertex AI custom training\npipeline.\n\n1. In the Google Cloud console, in the Vertex AI section, go to\n the **Training pipelines** page.\n\n [Go to Training pipelines](https://console.cloud.google.com/vertex-ai/training/training-pipelines)\n2. Click **add_box\n Create** to open the **Train new model** pane.\n\n3. On the **Choose training method** step, do the following:\n\n 1. In the **Dataset** drop-down list, select **No managed dataset** . This\n particular training application loads data from the [TensorFlow\n Datasets](https://www.tensorflow.org/datasets/) library rather than a managed Vertex AI\n dataset.\n\n 2. Ensure that **Custom training (advanced)** is selected.\n\n Click **Continue**.\n4. On the **Model details** step, in the **Name** field, enter\n `hello_custom`. Click **Continue**.\n\n5. On the **Training container** step, provide Vertex AI with\n information it needs to use the training package that you uploaded to\n Cloud Storage:\n\n 1. Select **Prebuilt container**.\n\n 2. In the **Model framework** drop-down list, select **TensorFlow**.\n\n 3. In the **Model framework version** drop-down list, select **2.3**.\n\n 4. In the **Package location** field, enter\n `cloud-samples-data/ai-platform/hello-custom/hello-custom-sample-v1.tar.gz`.\n\n 5. In the **Python module** field, enter `trainer.task`. `trainer` is the\n name of the Python package in your tarball, and `task.py` contains your\n training code. Therefore, `trainer.task` is the name of the module that\n you want Vertex AI to run.\n\n 6. In the **Model output directory** field, click **Browse** . Do the\n following in the **Select folder** pane:\n\n 1. Navigate to your Cloud Storage bucket.\n\n 2. Click **Create new folder create_new_folder**.\n\n 3. Name the new folder `output`. Then click **Create**.\n\n 4. Click **Select**.\n\n Confirm that field has the value\n `gs://`\u003cvar translate=\"no\"\u003eBUCKET_NAME\u003c/var\u003e`/output`, where \u003cvar translate=\"no\"\u003eBUCKET_NAME\u003c/var\u003e\n is the name of your Cloud Storage bucket.\n\n This value gets passed to Vertex AI in the\n [`baseOutputDirectory` API\n field](/vertex-ai/docs/reference/rest/v1/CustomJobSpec#FIELDS.base_output_directory), which sets\n several environment variables that your training application can access\n when it runs.\n\n For example, when you set this field to\n `gs://`\u003cvar translate=\"no\"\u003eBUCKET_NAME\u003c/var\u003e`/output`, Vertex AI sets\n the `AIP_MODEL_DIR` environment variable to\n `gs://`\u003cvar translate=\"no\"\u003eBUCKET_NAME\u003c/var\u003e`/output/model`. At the end of training,\n Vertex AI uses any artifacts in the `AIP_MODEL_DIR` directory\n to create a model resource.\n\n Learn more about the [environment variables set by this\n field](/vertex-ai/docs/training/code-requirements#environment-variables).\n\n Click **Continue**.\n6. On the optional **Hyperparameters** step, make sure that the **Enable\n hyperparameter tuning** checkbox is cleared. This tutorial does not use\n hyperparameter tuning. Click **Continue**.\n\n7. On the **Compute and pricing** step, allocate resources for the custom\n training job:\n\n 1. In the **Region** drop-down list, select **us-central1 (Iowa)**.\n\n 2. In the **Machine type** drop-down list, select **n1-standard-4** from the\n **Standard** section.\n\n Do not add any accelerators or worker pools for this tutorial. Click\n **Continue**.\n8. On the **Prediction container** step, provide Vertex AI with\n information it needs to serve predictions:\n\n 1. Select **Prebuilt container**.\n\n 2. In the **Prebuilt container settings** section, do the following:\n\n 1. In the **Model framework** drop-down list, select **TensorFlow**.\n\n 2. In the **Model framework version** drop-down list, select **2.3**.\n\n 3. In the **Accelerator type** drop-down list, select **None**.\n\n 4. Confirm that **Model directory** field has the value\n `gs://`\u003cvar translate=\"no\"\u003eBUCKET_NAME\u003c/var\u003e`/output`, where\n \u003cvar translate=\"no\"\u003eBUCKET_NAME\u003c/var\u003e is the name of your Cloud Storage\n bucket. This matches the **Model output directory** value that you\n provided in a previous step.\n\n 3. Leave the fields in the **Predict schemata** section blank.\n\n9. Click **Start training** to start the custom training pipeline.\n\nYou can now view your new *training pipeline* , which is named `hello_custom`, on\nthe **Training** page. (You might need to refresh the page.) The training\npipeline does two main things:\n\n1. The training pipeline creates a *custom job* resource named\n `hello_custom-custom-job`. After a few moments, you can view this resource\n on the **Custom jobs** page of the **Training** section:\n\n [Go to Custom jobs](https://console.cloud.google.com/vertex-ai/training/custom-jobs)\n\n The custom job runs the training application using the computing resources\n that you specified in this section.\n2. After the custom job completes, the training pipeline finds the artifacts\n that your training application creates in the `output/model/` directory of\n your Cloud Storage bucket. It uses these artifacts to create\n a *model* resource.\n\n### Monitor training\n\nTo view training logs, do the following:\n\n1. In the Google Cloud console, in the Vertex AI section, go to\n the **Custom jobs** page.\n\n [Go to Custom jobs](https://console.cloud.google.com/vertex-ai/training/custom-jobs)\n2. To view details for the `CustomJob` that you just created, click\n `hello_custom-custom-job` in the list.\n\n3. On the job details page, click **View logs**.\n\n### View your trained model\n\nWhen the custom training pipeline completes, you can find the trained model in\nthe Google Cloud console, in the Vertex AI section, on the\n**Models** page.\n\n[Go to Models](https://console.cloud.google.com/vertex-ai/models)\n\nThe model has the name `hello_custom`.\n\nWhat's next\n-----------\n\nFollow the [next page of this tutorial](/vertex-ai/docs/tutorials/image-classification-custom/serving) to serve\npredictions from your trained ML model."]]
