Bildoptimierung

Auf dieser Seite finden Sie Voraussetzungen und eine detaillierte Anleitung zum Optimieren von Gemini für Bilddaten mithilfe von überwachtem Lernen.

Anwendungsfälle

Mit der Feinabstimmung können Sie vortrainierte Bildmodelle an spezielle Aufgaben anpassen und so ihre Leistung erheblich steigern. Hier einige Anwendungsfälle für Bilder:

  • Produktkatalog-Optimierung: Wichtige Attribute aus Bildern extrahieren (z.B. Marke, Farbe, Größe), um Ihren Produktkatalog automatisch zu erstellen und zu ergänzen.
  • Bildmoderation: Sie können ein Modell optimieren, um unangemessene oder schädliche Inhalte in Bildern zu erkennen und zu melden. So wird das Internet für alle sicherer.
  • Visuelle Prüfung: Trainieren Sie ein Modell, um bestimmte Objekte oder Mängel in Bildern zu erkennen und so die Qualitätskontrolle oder Prüfprozesse zu automatisieren.
  • Bildklassifizierung: Verbessern Sie die Genauigkeit der Bildklassifizierung für bestimmte Bereiche, z. B. die Analyse von medizinischen Bildern oder Satellitenbildern.
  • Bildbasierte Empfehlungen: Bilder werden analysiert, um personalisierte Empfehlungen zu geben, z. B. ähnliche Produkte oder ergänzende Artikel.
  • Extraktion von Tabelleninhalten: Daten aus Tabellen in Bildern extrahieren und in strukturierte Formate wie Tabellenkalkulationen oder Datenbanken konvertieren.

Beschränkungen

  • Maximale Anzahl von Bildern pro Beispiel: 16
  • Maximale Größe der Bilddatei: 20 MB

Weitere Informationen zu den Anforderungen an Bildbeispiele finden Sie auf der Seite Bilder verstehen.

Dataset-Format

Im Folgenden finden Sie ein Beispiel für ein Bild-Dataset.

Ein Beispiel für das generische Format finden Sie unter Dataset-Beispiel für Gemini 1.5 Pro und Gemini 1.5 Flash.

{
  "contents": [
    {
      "role": "user",
      "parts": [
        {
          "fileData": {
            "mimeType": "image/jpeg",
            "fileUri": "gs://cloud-samples-data/ai-platform/generative_ai/gemini-1_5/image/longcap100/100.jpeg"
            }
        }, 
        {
          "text": "Describe this image in detail that captures the essence of it."
        }
      ]
    }, 
    {
      "role": "model",
      "parts": [
        {
          "text": "A man stands on a road, wearing a blue denim jacket, tan pants, and white sneakers. He has his hands in his pockets and is wearing a white t-shirt under his jacket. The man's pants are cuffed, and his shoes are white. The road is dark grey, and the leaves are green. The man is standing in the shade, and the light is shining on the ground."
        }
      ]
    }
  ]
}

Beispieldatensätze

Anhand eines Beispiel-Datasets können Sie lernen, wie Sie ein gemini-1.5-pro- oder gemini-1.5-flash-Modell optimieren.

Geben Sie die URIs in den entsprechenden Parametern beim Erstellen eines überwachten Textmodell-Feinabstimmungsjobs an, um diese Datasets zu verwenden.

Beispiel:

...
"training_dataset_uri": "gs://cloud-samples-data/ai-platform/generative_ai/sft_train_data.jsonl",
...
"validation_dataset_uri": "gs://cloud-samples-data/ai-platform/generative_ai/sft_validation_data.jsonl",
...

Nächste Schritte