Crea un set di dati per l'addestramento di modelli di rilevamento di oggetti immagine | Gemini Enterprise Agent Platform | Google Cloud Documentation

Passa ai contenuti principali

Documentazione

Inizia

Inizia a utilizzare Google Cloud
Elenco prodotti
Assistenza clienti Google Cloud

Prodotti in primo piano

Agent Platform
Gestione delle API Apigee
BigQuery
Compute Engine
Cloud CDN
Cloud Run
Cloud Storage
Cloud SQL
Gemini Enterprise
Google Kubernetes Engine
Looker

Strumenti per più prodotti

Gestione di accessi e risorse
Gestione di costi e utilizzo
Infrastructure as Code (IaC)
SDK, linguaggi, framework e strumenti

Aree tecnologiche

AI e ML
Sviluppo di applicazioni
Hosting di applicazioni
Computing
Analisi dei dati e pipeline
Database
Distribuito, ibrido e multi-cloud
Soluzioni di settore
Migrazione
Networking
Osservabilità e monitoraggio
Sicurezza
Storage

/

Console

English
Deutsch
Español – América Latina
Français
Indonesia
Italiano
Português – Brasil
עברית
中文 – 简体
中文 – 繁體
日本語
한국어

Gemini Enterprise Agent Platform

Inizia gratuitamente

Panoramica Studio Agenti Modelli Notebook Riferimento API

Agent Platform
AI generativa

Blog degli esperti

Documentazione
- Altro
- Panoramica
- Studio
- Agenti
- Modelli
- Notebook
- Riferimento API
- Prezzi
  - Altro
- Blog degli esperti
Console

Panoramica
Guida per nuovi utenti
Per iniziare
Inizia a utilizzare Agent Platform
Sviluppare codice API Gemini con l'SDK Gen AI
Connettiti al server MCP di Knowledge
Ottieni una chiave API
Configurare le credenziali predefinite dell'applicazione
Migra da Google AI Studio ad Agent Platform
Inizia a usare Gemini 3
Guide per gli sviluppatori per i modelli Gemini
Librerie Google GenAI
Ricettario dell'AI generativa
Accedere ai modelli Gemini utilizzando le librerie OpenAI
Modalità express
Seleziona modelli
- Model Garden
- Panoramica di Model Garden
- Utilizzare i modelli in Model Garden
- Testare le funzionalità del modello
- Modelli Google
- Tutti i modelli Google
- Gemini
  - Eseguire la migrazione ai modelli Gemini più recenti
  - Pro
  - 3.1 Pro
  - 2.5 Pro
  - Flash
  - 3.8 Flash
  - 3.7 Flash
  - 3.6 Flash
  - 3.5 Flash
  - 3 Flash
  - 2.5 Flash
  - API Live 2.5 Flash
  - Flash-Lite
  - 3.5 Flash-Lite
  - 3.1 Flash-Lite
  - 2.5 Flash-Lite
  - Immagine
  - Nano Banana 2.1
  - Nano Banana 2
  - Nano Banana 2 Lite
  - Nano Banana Pro
  - Nano Banana
  - Prova virtuale
  - Omni
  - Omni 1.1 Flash
  - Omni Flash
  - Cyber
  - 3.8 Flash Cyber
  - Dal vivo
  - 3.8 Live
  - Text-to-Speech
  - Gemini 3.8 Flash TTS
  - Gemini 3.8 Flash-Lite TTS
  - Trascrivi
  - Gemini 3.5 Transcribe
  - Traduzione
  - Gemini 3.5 Live Translate
  - Embedding
  - Embedding Gemini 2
  - Robotica
  - Gemini Robotics ER 2
    Panoramica
    Ragionamento spaziale
    Funzionalità agentiche
    Orchestrazione delle attività
    Comprensione dei video
- Veo
  - Veo 3
  - Veo 3.1
- Lyria
  - Lyria 2
  - Lyria 3
- Versioni modello
- Modelli di partner
- Panoramica dei modelli di partner
- Claude
  - Panoramica
  - Richiesta di previsioni
  - Quote per i modelli Anthropic Claude
  - Previsioni batch
  - Output strutturati
  - Memorizzazione nella cache dei prompt
  - Contare i token
  - Ricerca Web
  - Classificatori di sicurezza
  - Programma di verifica cyber
  - Modelli Claude
  - Fable
  - Fable 5.1
  - Fable 5
  - Opus
  - Opus 5.5
  - Opus 5
  - Opus 4.8
  - Opus 4.7
  - Opus 4.6
  - Opus 4.5
  - Opus 4.1
  - Opus 4
  - Sonnet
  - Sonnet 5.5
  - Sonnet 5
  - Sonnet 4.6
  - Sonnet 4.5
  - Sonnet 4
  - Haiku
  - Haiku 5.5
  - Haiku 4.5
- Grok
  - Panoramica
  - API Responses
  - Chiamata di funzione
  - Output strutturato
  - Ragionamento
  - Dettagli modello
  - Grok 4.1 Fast
  - Grok 4.20
  - Grok 4.3
  - Grok 4.6
  - Grok 4.7
- Mistral AI
  - Panoramica
  - Dettagli modello
  - Mistral Medium 3
  - OCR Mistral (25/05)
  - Mistral Small 3.1 (25.03)
  - Codestral 2
- Meta
  - Panoramica
  - Dettagli modello
  - Muse Spark 1.3
- Eseguire il deployment dei modelli partner da Model Garden
- Ritiri dei modelli di partner
- Modelli aperti
- Panoramica
- AlphaFold 3
- AlphaGenome
- DeepSeek
- Embedding (e5)
  - Multilingual E5 Small
  - Multilingue E5 Large
- Google Gemma
- Kimi
  - Panoramica
  - Kimi K2 Thinking
- Llama
  - Panoramica
  - Richiesta di previsioni
  - Dettagli modello
  - Llama 4 Maverick
  - Llama 4 Scout
  - Llama 3.3
- MiniMax
  - Panoramica
  - MiniMax M2
- OpenAI
- Qwen
- ZAI.org
- Modelli aperti gestiti (MaaS)
- Modelli aperti con deployment autonomo
Build
- Progettazione dei prompt
- Introduzione al prompting
- Strategie di prompting
- Indicazioni per i prompt specifici per le attività
  - Progetta prompt multimodali
  - Progettare prompt di chat
- Funzionalità
- Sicurezza
- Generazione di testo e codice
- Generazione di immagini
- Generazione di video
- Generazione di musica
- Generazione di audio
- Analisi dei contenuti multimediali
- Contesto URL
- Elaborazione in corso…
- API Interactions
  - Panoramica
  - Guida per gli sviluppatori
- API Live
- Embedding
- Traduzione
- Trascrivere l'input vocale
- Strumenti per i modelli
- Eseguire il codice
- Uso del computer
- Chiamata di funzione
- Grounding
- Strumenti di sviluppo
- Utilizzare strumenti di scrittura dei prompt basati sull'AI
  - Panoramica
  - Ottimizzare i prompt
    Panoramica
    Ottimizzatore zero-shot
    Ottimizzatore few-shot
    Ottimizzatore basato sui dati
  - Utilizzare i modelli di prompt
  - Gestire i prompt con l'SDK
- Ottimizzazione del modello
- Introduzione all'ottimizzazione
- Ottimizzazione dei modelli Gemini
  - Fine-tuning supervisionato
    Informazioni sul fine-tuning supervisionato
    Preparare i dati
    Utilizzare il fine-tuning supervisionato
    
    Modalità supportate
    Ottimizzazione del testo
    Ottimizzazione dei documenti
    Regolazione delle immagini
    Ottimizzazione dell'audio
    Sintonizzazione video
    Ottimizzare la chiamata di funzione
  - Ottimizzazione del reinforcement learning
    Informazioni sull'ottimizzazione del reinforcement learning
    Guida rapida all'utilizzo della console
    Guida rapida all'utilizzo dell'API
    
    Job di ottimizzazione del reinforcement learning
    Panoramica
    Set di dati per l'ottimizzazione
    Iperparametri
    Funzioni di ricompensa
    Metriche e monitoraggio
    Ottimizzazione continua
  - Ottimizzazione delle preferenze
    Informazioni sull'ottimizzazione delle preferenze
    Preparare i dati
    Utilizzare l'ottimizzazione delle preferenze
  - Utilizzare i punti di controllo di ottimizzazione
  - Utilizzare la sintonizzazione continua
  - Consigli per l'ottimizzazione con LoRA e QLoRA
- Modelli aperti
  - Fine-tuning supervisionato e di distillazione
- Modelli di embedding
  - Ottimizza i modelli di text embedding
- Modelli di traduzione
- Eseguire la migrazione
- Chiama i modelli Agent Platform utilizzando le librerie OpenAI
Valuta
- Panoramica
- Tutorial: esegui la valutazione utilizzando la console
- Esegui la valutazione utilizzando il client GenAI nell'SDK Agent Platform
- Metodi di valutazione alternativi
- Valutare utilizzando il modulo di valutazione nell'SDK Agent Platform
- Esegui la pipeline AutoSxS
- Esegui una pipeline di valutazione basata su calcolo
Esegui il deployment
Amministrazione
Crea il tuo modello
- Panoramica
- MLOps su Agent Platform
- Interfacce per Agent Platform
- Guide per principianti di Agent Platform
  - Addestra un modello AutoML
  - Addestra un modello personalizzato
  - Ottenere inferenze da un modello personalizzato
  - Addestra un modello utilizzando Agent Platform e l'SDK Python
    Presentazione
    Prerequisiti
    Crea un notebook
    Crea un set di dati
    Creare un copione di formazione
    Addestra un modello
    Fare un'inferenza
- Framework ML integrati
  - PyTorch
  - TensorFlow
- Agent Platform per gli utenti di BigQuery
- Glossario
- Per iniziare
- Configurazione di un progetto e di un ambiente di sviluppo
- Installare l'SDK Agent Platform per Python
- Autenticarsi in Agent Platform
- Scelta di un metodo di addestramento
- Prova un tutorial
  - Panoramica dei tutorial
  - Tutorial AutoML
    
    Introduzione ai dati di immagine
    Panoramica
    Configurazione del progetto e dell'ambiente
    Creazione di un set di dati e importazione di immagini
    Addestra un modello di classificazione di immagini AutoML
    Valutare e analizzare le prestazioni del modello
    Deployment di un modello in un endpoint ed esecuzione di un'inferenza
    Pulizia del progetto
    
    Introduzione ai dati tabulari
    Panoramica
    Configurazione del progetto e dell'ambiente
    Creazione di un set di dati e addestramento di un modello di classificazione AutoML
    Deployment di un modello e richiesta di un'inferenza
    Pulizia del progetto
  - Tutorial sull'addestramento personalizzato
    Addestra un modello tabulare personalizzato
    
    Addestra un modello di classificazione delle immagini TensorFlow Keras
    Panoramica
    Configurazione del progetto e dell'ambiente
    Addestramento di un modello di classificazione delle immagini personalizzato
    Esecuzione di previsioni da un modello di classificazione delle immagini personalizzato
    Pulizia del progetto
    Ottimizzare un modello di classificazione delle immagini con dati personalizzati
- Utilizzare gli strumenti di sviluppo di Agent Platform
- Panoramica degli strumenti di sviluppo
- Utilizza l'SDK Agent Platform
  - Panoramica
  - Introduzione all'SDK Agent Platform per Python
  - Guida alla migrazione della versione 2.0.1 di Python
  - Classi dell'SDK Agent Platform per Python
    Panoramica delle classi dell'SDK Agent Platform
    Classi di dati
    Corsi di formazione
    Classi modello
    Classi di previsione
    Tracking classes
- Supporto di Terraform per Agent Platform
- Agent Platform Training
- Panoramica
- Addestramento serverless di Agent Platform
  - Panoramica dell'addestramento serverless in Agent Platform
  - Caricare e preparare i dati
    Panoramica della preparazione dei dati
    Utilizzare Cloud Storage come file system montato
    Monta una condivisione NFS per l'addestramento serverless
    Utilizzo di set di dati gestiti
  - Preparare la richiesta di addestramento
    Informazioni sul servizio di addestramento serverless
    Prepara il codice di addestramento
    
    Utilizzo di container predefiniti
    Creare un'applicazione di addestramento Python per un container predefinito
    Container predefiniti per l'addestramento serverless
    
    Utilizzo di container personalizzati
    Container personalizzati per l'addestramento serverless
    Creazione di un container personalizzato
    Containerizzazione ed esecuzione del codice di addestramento a livello locale
  - Addestrare su una risorsa permanente
    Panoramica
    Crea risorsa permanente
    Esegui job di addestramento su una risorsa permanente
    Recuperare le informazioni sulle risorse permanenti
    Riavvia una risorsa permanente
    Eliminare una risorsa permanente
  - Configura il job di addestramento
    Scelta di un metodo di addestramento personalizzato
    Configurazione delle impostazioni dei container per l'addestramento
    Configurazione delle risorse di calcolo per l'addestramento
    Utilizza le prenotazioni con l'addestramento
    Utilizzare le VM spot con l'addestramento
  - Invia il job di addestramento
    Creazione job personalizzati
    
    Ottimizzazione degli iperparametri
    Panoramica dell'ottimizzazione degli iperparametri
    Utilizzo dell'ottimizzazione degli iperparametri
    Creazione pipeline di addestramento
    Pianificare i job in base alla disponibilità delle risorse
    Utilizzo dell'addestramento distribuito
    Addestramento con le VM Cloud TPU
    Utilizzo dell'IP privato per l'addestramento personalizzato
    Utilizza l'interfaccia Private Service Connect per l'addestramento (consigliato)
  - Monitoraggio e debug
    Monitoraggio e debug dell'addestramento con una shell interattiva
    Profilare le prestazioni dell'addestramento del modello
  - Tutorial: crea una pipeline per l'addestramento continuo
  - Crea vincoli personalizzati delle policy dell'organizzazione
- Cluster Gemini Enterprise Agent Platform
  - Panoramica
  - Inizia a utilizzare i cluster di addestramento
  - Considerazioni sul deployment
    Risorse di computing
    Networking
    Storage
    Orchestrazione
  - Creare e gestire i cluster
    Crea cluster
    Visualizza cluster
    Gestisci cluster
    Gestisci account e pianificazione dei job su un cluster
  - Resilienza del cluster
  - Monitorare gli eventi di resilienza con una dashboard
  - Guide alle funzionalità
    Utilizzo di VM con avvio flessibile con cluster Slurm
  - Esegui il carico di lavoro sul cluster
    Esegui carichi di lavoro predefiniti
    Visualizzazione dei job con TensorBoard
    Gestire i cluster di addestramento utilizzando Slurm
- Ray on Agent Platform
- Esegui Neural Architecture Search
- Ottimizzazione con Agent Platform Vizier
  - Panoramica di Agent Platform Vizier
  - Crea studi Vizier di Agent Platform
- Sviluppo di modelli AutoML
  - Panoramica dell'addestramento AutoML
  - Dati dell'immagine
    
    Classificazione
    Preparazione dei dati
    Crea set di dati
    Addestra modello
    Valuta il modello
    Ricevi previsioni
    Interpreta i risultati
    
    Rilevamento di oggetti
    Preparazione dei dati
    Crea set di dati
    Addestra modello
    Valuta il modello
    Ricevi previsioni
    Interpreta i risultati
    Codifica dei dati delle immagini con Base64
    Esportazione di un modello AutoML Edge
  - Dati tabulari
    Panoramica
    Introduzione ai dati tabulari
    
    Tabular Workflows
    Panoramica
    
    AutoML end-to-end
    Panoramica
    Addestra un modello
    Ottenere inferenze online
    Ottenere inferenze batch
    
    Previsione
    Panoramica
    Addestra un modello
    Ottenere inferenze online
    Ottenere inferenze batch
    Prezzi
    Service account
    Gestisci quote
    
    Esegui la classificazione e la regressione con AutoML
    Panoramica
    Guida rapida: classificazione AutoML (console Cloud)
    Preparare i dati di addestramento
    Crea un set di dati
    Addestra un modello
    Valuta il modello
    Visualizza l'architettura del modello
    Ottenere inferenze online
    Ottenere inferenze batch
    Esporta modello
    
    Esegui previsioni con AutoML
    Panoramica
    Preparare i dati di addestramento
    Crea un set di dati
    Addestra un modello
    Valuta il modello
    Ottenere inferenze
    Previsione gerarchica
    Esegui la previsione con ARIMA+
    Esegui previsioni con Prophet
    Esegui la riconciliazione delle entità
    Attribuzioni delle funzionalità per la classificazione e la regressione
    Attribuzioni delle caratteristiche per la previsione
    Tipi di dati e trasformazioni per dati AutoML tabulari
    Parametri di addestramento per la previsione
    Suddivisioni dei dati per i dati tabulari
    Best practice per la creazione di dati di addestramento tabulari
  - Addestra un modello AutoML Edge
    Utilizzo della console
    Utilizzo dell'API
- Sviluppo di modelli di AI generativa
- Panoramica
- Crea e gestisci set di dati
- Panoramica
- Suddivisioni dei dati per i modelli AutoML
- Creazione di un set di annotazioni
- Eliminazione di un set di annotazioni
- Aggiungere etichette (console)
- Esportazione di metadati e annotazioni da un set di dati
- Gestisci le versioni del set di dati di immagini (solo API)
- Ottenere inferenze
- Panoramica
- Configurare i modelli per l'inferenza
- Ottenere inferenze online
- Ottenere inferenze batch
- Erogare modelli di AI generativa
- Policy dell'organizzazione personalizzate
- Operazioni di machine learning (MLOps)
- Gestisci funzionalità
  - Gestione delle funzionalità in Agent Platform
  - Agent Platform Feature Store
    Informazioni su Agent Platform Feature Store
    
    Configurare le funzionalità
    Prepara l'origine dati
    Creare un gruppo di funzionalità
    Creare una funzionalità
    
    Configurare l'erogazione online
    Tipi di erogazione online
    Crea un'istanza di negozio online
    Crea un'istanza di visualizzazione caratteristiche
    
    Controlla l'accesso
    Controllare l'accesso alle risorse