Prepara tu entorno en Google Cloud Platform

Curso Profesional de Computer Vision con TensorFlow

Contenido del curso

Comprender la visión computarizada

Dimensionamiento de proyecto de visión computarizada

Obtención y procesamiento de los datos

Entrena, testea y optimiza tus modelos

Producto con visión computarizada en producción

Siguientes pasos en inteligencia artificial

Tomar examen

Cursos Empresas Blog Live Conf Eventos Precios

0:005:09

Prepara tu entorno en Google Cloud Platform

Curso Profesional de Computer Vision con TensorFlow

Clase 27 de 33

Clase 27 / 33

\# Autenticar Docker con GCP

gcloud auth configure-docker us-central1-docker.pkg.dev

\# Compilar la imagen Docker

docker build -t us-central1-docker.pkg.dev/\[PROJECT\_ID]/my-repo/my-ml-image .

\# Subir la imagen a Artifact Registry

docker push us-central1-docker.pkg.dev/\[PROJECT\_ID]/my-repo/my-ml-image

\# Configurar un remote de DVC apuntando a GCS

dvc remote add -d myremote gs://\[NOMBRE\_BUCKET]/dvc

dvc remote modify myremote --local credentialpath ~/.config/gcloud/application\_default\_credentials.json

\# cloudbuild.yaml

steps:

&#x20; \- name: 'gcr.io/cloud-builders/gcloud'

&#x20;   args: \['ai-platform', 'jobs', 'submit', 'training', 'train\_job\_{{BUILD\_ID}}',

&#x20;          '--region', 'us-central1',

&#x20;          '--module-name', 'trainer.task',

&#x20;          '--package-path', './src',

&#x20;          '--job-dir', 'gs://\[NOMBRE\_BUCKET]/models/{{BUILD\_ID}}/',

&#x20;          '--runtime-version', '2.8',

&#x20;          '--python-version', '3.8']

timeout: '3600s'

\# main.py

import google.auth

from google.cloud import aiplatform

from flask import Flask, request, jsonify

app = Flask(\_\_name\_\_)

\# Inicializar cliente de Vertex AI

\_, project = google.auth.default()

aiplatform.init(project=project, location="us-central1")

@app.route('/predict', methods=\['POST'])

def predict():

&#x20;   content = request.get\_json()

&#x20;   endpoint = aiplatform.Endpoint(endpoint\_name="projects/\[PROJECT\_ID]/locations/us-central1/endpoints/\[ENDPOINT\_ID]")

&#x20;  &#x20;

&#x20;   \# Realizar predicción

&#x20;   prediction = endpoint.predict(instances=\[content\['data']])

&#x20;   return jsonify({"predictions": prediction})

gcloud functions deploy my\_predict\_function \\

&#x20;   \--runtime python38 \\

&#x20;   \--trigger-http \\

&#x20;   \--allow-unauthenticated \\

&#x20;   \--entry-point app \\

&#x20;   \--project \[PROJECT\_ID] \\

&#x20;   \--region us-central1

\# Autenticar Docker con GCP

gcloud auth configure-docker us-central1-docker.pkg.dev

\# Compilar la imagen Docker

docker build -t us-central1-docker.pkg.dev/\[PROJECT\_ID]/my-repo/my-ml-image .

\# Subir la imagen a Artifact Registry

docker push us-central1-docker.pkg.dev/\[PROJECT\_ID]/my-repo/my-ml-image

\# Configurar un remote de DVC apuntando a GCS

dvc remote add -d myremote gs://\[NOMBRE\_BUCKET]/dvc

dvc remote modify myremote --local credentialpath ~/.config/gcloud/application\_default\_credentials.json

\# cloudbuild.yaml

steps:

&#x20; \- name: 'gcr.io/cloud-builders/gcloud'

&#x20;   args: \['ai-platform', 'jobs', 'submit', 'training', 'train\_job\_{{BUILD\_ID}}',

&#x20;          '--region', 'us-central1',

&#x20;          '--module-name', 'trainer.task',

&#x20;          '--package-path', './src',

&#x20;          '--job-dir', 'gs://\[NOMBRE\_BUCKET]/models/{{BUILD\_ID}}/',

&#x20;          '--runtime-version', '2.8',

&#x20;          '--python-version', '3.8']

timeout: '3600s'

\# main.py

import google.auth

from google.cloud import aiplatform

from flask import Flask, request, jsonify

app = Flask(\_\_name\_\_)

\# Inicializar cliente de Vertex AI

\_, project = google.auth.default()

aiplatform.init(project=project, location="us-central1")

@app.route('/predict', methods=\['POST'])

def predict():

&#x20;   content = request.get\_json()

&#x20;   endpoint = aiplatform.Endpoint(endpoint\_name="projects/\[PROJECT\_ID]/locations/us-central1/endpoints/\[ENDPOINT\_ID]")

&#x20;  &#x20;

&#x20;   \# Realizar predicción

&#x20;   prediction = endpoint.predict(instances=\[content\['data']])

&#x20;   return jsonify({"predictions": prediction})

gcloud functions deploy my\_predict\_function \\

&#x20;   \--runtime python38 \\

&#x20;   \--trigger-http \\

&#x20;   \--allow-unauthenticated \\

&#x20;   \--entry-point app \\

&#x20;   \--project \[PROJECT\_ID] \\

&#x20;   \--region us-central1

Comprender la visión computarizada

¿Por qué aprender computer vision?

¿Qué es la visión computarizada?

Tipos de visión computarizada

Introducción a object detection: clasificación + localización

Aprende a identificar problemas

Dimensionamiento de proyecto de visión computarizada

Cómo definir los tiempos de tu proyecto

Cómo costear tu proyecto

Cómo identificar los roles necesarios en el proyecto

Producto mínimo viable en computer vision

Obtención y procesamiento de los datos

Obtención de datos para tu proyecto

Limpieza de la base de datos

Distribución de datos en entrenamiento y testeo

Etiquetado de los datos de test

Etiquetado de los datos de train

Transforma tu base de datos a TFRecord

Transformar CSV a TFRecord

Entrena, testea y optimiza tus modelos

Librerías a importar durante fase de entrenamiento

Fase de entrenamiento del modelo

Balanceo de imágenes y data augmentation

Entrena, evalua y optimiza con TensorBoard

Validación de modelo en un entorno de ejecución

Re-entrenamiento del modelo para obtener mejores resultados

Seguimiento de centroides con OpenCV

Configuración de los centroides con OpenCV

Algoritmo de dirección y conteo con OpenCV

Crea un ciclo de entrenamiento de tu modelo: MLOps

Producto con visión computarizada en producción

Prepara tu entorno en Google Cloud Platform

Carga y preprocesamiento de modelos

Postprocesamiento de modelos

Despliega y consume tu modelo en producción

Bonus: aprende a apagar las máquinas de GCP para evitar sobrecostos

Siguientes pasos en inteligencia artificial

Siguientes pasos en inteligencia artificial

Comparte tu proyecto de detección de vehículos en carretera y certifícate

Prepara tu entorno en Google Cloud Platform