Wdrażaj modele niestandardowe i zarządzaj nimi

Możesz wdrażać modele niestandardowe i modele wytrenowane przez AutoML oraz zarządzać nimi za pomocą konsoli Firebase lub pakietów SDK Firebase Admin Python i Node.js. Jeśli chcesz po prostu wdrożyć model i od czasu do czasu go aktualizować, zwykle najprościej jest użyć konsoli Firebase. Pakiet Admin SDK może być pomocny podczas integracji z potokami kompilacji, pracy z notatnikami Colab lub Jupyter i innych przepływów pracy.

Wdrażaj modele i zarządzaj nimi w konsoli Firebase

Modele TensorFlow Lite

Aby wdrożyć model TensorFlow Lite przy użyciu konsoli Firebase:

  1. Otwórz stronę modelu niestandardowego Firebase ML w konsoli Firebase.
  2. Kliknij opcję Dodaj model niestandardowy (lub Dodaj kolejny model ).
  3. Podaj nazwę, która będzie używana do identyfikacji Twojego modelu w projekcie Firebase, a następnie prześlij plik modelu TensorFlow Lite (zwykle kończący się na .tflite lub .lite ).

Po wdrożeniu modelu możesz go znaleźć na stronie Niestandardowe. Stamtąd możesz wykonywać takie zadania, jak aktualizacja modelu nowym plikiem, pobieranie modelu i usuwanie modelu z projektu.

Wdrażaj modele i zarządzaj nimi za pomocą pakietu Firebase Admin SDK

W tej sekcji pokazano, jak można wykonywać typowe zadania związane z wdrażaniem i zarządzaniem modelami za pomocą pakietu Admin SDK. Dodatkową pomoc można znaleźć w dokumentacji zestawu SDK dla języka Python lub Node.js.

Przykłady używanego pakietu SDK można znaleźć w przykładzie szybkiego startu języka Python i przykładzie szybkiego startu Node.js.

Zanim zaczniesz

  1. Jeśli nie masz jeszcze projektu Firebase, utwórz nowy projekt w konsoli Firebase . Następnie otwórz swój projekt i wykonaj następujące czynności:

    1. Na stronie Ustawienia utwórz konto usługi i pobierz plik klucza konta usługi. Przechowuj ten plik w bezpiecznym miejscu, ponieważ zapewnia on dostęp administratora do Twojego projektu.

    2. Na stronie Pamięć włącz opcję Cloud Storage. Zanotuj nazwę swojego wiadra.

      Potrzebujesz zasobnika Cloud Storage, aby tymczasowo przechowywać pliki modeli podczas dodawania ich do projektu Firebase. Jeśli korzystasz z planu Blaze, możesz utworzyć i używać w tym celu wiadra innego niż domyślny.

    3. Na stronie Firebase ML kliknij Rozpocznij , jeśli jeszcze nie włączyłeś Firebase ML.

  2. W konsoli Google API otwórz projekt Firebase i włącz interfejs Firebase ML API.

  3. Zainstaluj i zainicjuj pakiet Admin SDK .

    Podczas inicjowania pakietu SDK określ poświadczenia konta usługi i zasobnik Cloud Storage, którego chcesz używać do przechowywania swoich modeli:

    Pyton

    import firebase_admin
    from firebase_admin import ml
    from firebase_admin import credentials
    
    firebase_admin.initialize_app(
      credentials.Certificate('/path/to/your/service_account_key.json'),
      options={
          'storageBucket': 'your-storage-bucket',
      })
    

    Node.js

    const admin = require('firebase-admin');
    const serviceAccount = require('/path/to/your/service_account_key.json');
    admin.initializeApp({
      credential: admin.credential.cert(serviceAccount),
      storageBucket: 'your-storage-bucket',
    });
    const ml = admin.machineLearning();
    

Wdrażaj modele

Pliki TensorFlow Lite

Aby wdrożyć model TensorFlow Lite z pliku modelu, prześlij go do swojego projektu, a następnie opublikuj:

Pyton

# First, import and initialize the SDK as shown above.

# Load a tflite file and upload it to Cloud Storage
source = ml.TFLiteGCSModelSource.from_tflite_model_file('example.tflite')

# Create the model object
tflite_format = ml.TFLiteFormat(model_source=source)
model = ml.Model(
    display_name="example_model",  # This is the name you use from your app to load the model.
    tags=["examples"],             # Optional tags for easier management.
    model_format=tflite_format)

# Add the model to your Firebase project and publish it
new_model = ml.create_model(model)
ml.publish_model(new_model.model_id)

Node.js

// First, import and initialize the SDK as shown above.

(async () => {
  // Upload the tflite file to Cloud Storage
  const storageBucket = admin.storage().bucket('your-storage-bucket');
  const files = await storageBucket.upload('./example.tflite');

  // Create the model object and add the model to your Firebase project.
  const bucket = files[0].metadata.bucket;
  const name = files[0].metadata.name;
  const gcsUri = `gs:/⁠/${bucket}/${name}`;
  const model = await ml.createModel({
    displayName: 'example_model',  // This is the name you use from your app to load the model.
    tags: ['examples'],  // Optional tags for easier management.
    tfliteModel: { gcsTfliteUri: gcsUri },
  });

  // Publish the model.
  await ml.publishModel(model.modelId);

  process.exit();
})().catch(console.error);

Modele TensorFlow i Keras

Dzięki pakietowi SDK języka Python możesz w jednym kroku przekonwertować model z zapisanego formatu TensorFlow na TensorFlow Lite i przesłać go do zasobnika Cloud Storage. Następnie wdróż go w taki sam sposób, jak wdrażasz plik TensorFlow Lite.

Pyton

# First, import and initialize the SDK as shown above.

# Convert the model to TensorFlow Lite and upload it to Cloud Storage
source = ml.TFLiteGCSModelSource.from_saved_model('./model_directory')

# Create the model object
tflite_format = ml.TFLiteFormat(model_source=source)
model = ml.Model(
    display_name="example_model",  # This is the name you use from your app to load the model.
    tags=["examples"],             # Optional tags for easier management.
    model_format=tflite_format)

# Add the model to your Firebase project and publish it
new_model = ml.create_model(model)
ml.publish_model(new_model.model_id)

Jeśli masz model Keras, możesz także przekonwertować go na TensorFlow Lite i przesłać w jednym kroku. Możesz użyć modelu Keras zapisanego w pliku HDF5:

Pyton

import tensorflow as tf

# Load a Keras model, convert it to TensorFlow Lite, and upload it to Cloud Storage
model = tf.keras.models.load_model('your_model.h5')
source = ml.TFLiteGCSModelSource.from_keras_model(model)

# Create the model object, add the model to your project, and publish it. (See
# above.)
# ...

Możesz też przekonwertować i przesłać model Keras bezpośrednio ze skryptu szkoleniowego:

Pyton

import tensorflow as tf

# Create a simple Keras model.
x = [-1, 0, 1, 2, 3, 4]
y = [-3, -1, 1, 3, 5, 7]

model = tf.keras.models.Sequential(
    [tf.keras.layers.Dense(units=1, input_shape=[1])])
model.compile(optimizer='sgd', loss='mean_squared_error')
model.fit(x, y, epochs=3)

# Convert the model to TensorFlow Lite and upload it to Cloud Storage
source = ml.TFLiteGCSModelSource.from_keras_model(model)

# Create the model object, add the model to your project, and publish it. (See
# above.)
# ...

Modele AutoML TensorFlow Lite

Jeśli wytrenowałeś model Edge za pomocą interfejsu API AutoML Cloud lub interfejsu użytkownika konsoli Google Cloud, możesz wdrożyć model w Firebase za pomocą pakietu Admin SDK.

Będziesz musiał określić identyfikator zasobu modelu, który jest ciągiem znaków wyglądającym jak w poniższym przykładzie:

projects/PROJECT_NUMBER/locations/STORAGE_LOCATION/models/MODEL_ID
PROJECT_NUMBER Numer projektu zasobnika Cloud Storage zawierającego model. Może to być Twój projekt Firebase lub inny projekt Google Cloud. Tę wartość znajdziesz na stronie Ustawienia konsoli Firebase lub w panelu konsoli Google Cloud.
STORAGE_LOCATION Lokalizacja zasobu zasobnika Cloud Storage zawierającego model. Ta wartość jest zawsze us-central1 .
MODEL_ID Identyfikator modelu, który uzyskałeś z API AutoML Cloud.

Pyton

# First, import and initialize the SDK as shown above.

# Get a reference to the AutoML model
source = ml.TFLiteAutoMlSource('projects/{}/locations/{}/models/{}'.format(
    # See above for information on these values.
    project_number,
    storage_location,
    model_id
))

# Create the model object
tflite_format = ml.TFLiteFormat(model_source=source)
model = ml.Model(
    display_name="example_model",  # This is the name you will use from your app to load the model.
    tags=["examples"],             # Optional tags for easier management.
    model_format=tflite_format)

# Add the model to your Firebase project and publish it
new_model = ml.create_model(model)
new_model.wait_for_unlocked()
ml.publish_model(new_model.model_id)

Node.js

// First, import and initialize the SDK as shown above.

(async () => {
  // Get a reference to the AutoML model. See above for information on these
  // values.
  const automlModel = `projects/${projectNumber}/locations/${storageLocation}/models/${modelId}`;

  // Create the model object and add the model to your Firebase project.
  const model = await ml.createModel({
    displayName: 'example_model',  // This is the name you use from your app to load the model.
    tags: ['examples'],  // Optional tags for easier management.
    tfliteModel: { automlModel: automlModel },
  });

  // Wait for the model to be ready.
  await model.waitForUnlocked();

  // Publish the model.
  await ml.publishModel(model.modelId);

  process.exit();
})().catch(console.error);

Wymień modele swojego projektu

Możesz wyświetlić listę modeli swojego projektu, opcjonalnie filtrując wyniki:

Pyton

# First, import and initialize the SDK as shown above.

face_detectors = ml.list_models(list_filter="tags: face_detector").iterate_all()
print("Face detection models:")
for model in face_detectors:
  print('{} (ID: {})'.format(model.display_name, model.model_id))

Node.js

// First, import and initialize the SDK as shown above.

(async () => {
  let listOptions = {filter: 'tags: face_detector'}
  let models;
  let pageToken = null;
  do {
    if (pageToken) listOptions.pageToken = pageToken;
    ({models, pageToken} = await ml.listModels(listOptions));
    for (const model of models) {
      console.log(`${model.displayName} (ID: ${model.modelId})`);
    }
  } while (pageToken != null);

  process.exit();
})().catch(console.error);

Możesz filtrować według następujących pól:

Pole Przykłady
display_name display_name = example_model
display_name != example_model

Wszystkie nazwy wyświetlane z przedrostkiem experimental_ :

display_name : experimental_*

Należy pamiętać, że obsługiwane jest tylko dopasowywanie prefiksów.

tags tags: face_detector
tags: face_detector AND tags: experimental
state.published state.published = true
state.published = false

Połącz filtry za pomocą operatorów AND , OR i NOT oraz nawiasów ( ( , ) ).

Aktualizuj modele

Po dodaniu modelu do projektu możesz zaktualizować jego nazwę wyświetlaną, znaczniki i plik modelu tflite :

Pyton

# First, import and initialize the SDK as shown above.

model = ...   # Model object from create_model(), get_model(), or list_models()

# Update the model with a new tflite model. (You could also update with a
# `TFLiteAutoMlSource`)
source = ml.TFLiteGCSModelSource.from_tflite_model_file('example_v2.tflite')
model.model_format = ml.TFLiteFormat(model_source=source)

# Update the model's display name.
model.display_name = "example_model"

# Update the model's tags.
model.tags = ["examples", "new_models"]

# Add a new tag.
model.tags += "experimental"

# After you change the fields you want to update, save the model changes to
# Firebase and publish it.
updated_model = ml.update_model(model)
ml.publish_model(updated_model.model_id)

Node.js

// First, import and initialize the SDK as shown above.

(async () => {
  const model = ... // Model object from createModel(), getModel(), or listModels()

  // Upload a new tflite file to Cloud Storage.
  const files = await storageBucket.upload('./example_v2.tflite');
  const bucket = files[0].metadata.bucket;
  const name = files[0].metadata.name;

  // Update the model. Any fields you omit will be unchanged.
  await ml.updateModel(model.modelId, {
    displayName: 'example_model',  // Update the model's display name.
    tags: model.tags.concat(['new']),  // Add a tag.
    tfliteModel: {gcsTfliteUri: `gs:/⁠/${bucket}/${name}`},
  });

  process.exit();
})().catch(console.error);

Cofnij publikację lub usuń modele

Aby cofnąć publikację lub usunąć model, przekaż identyfikator modelu do metod cofnięcia publikacji lub usunięcia. Gdy cofniesz publikację modelu, pozostanie on w projekcie, ale nie będzie dostępny do pobrania dla aplikacji. Gdy usuniesz model, zostanie on całkowicie usunięty z projektu. (Cofnięcie publikacji modelu nie jest oczekiwane w standardowym przepływie pracy, ale można go użyć do natychmiastowego cofnięcia publikacji nowego modelu, który przypadkowo opublikowałeś i nie jest jeszcze nigdzie używany, lub w przypadkach, gdy dla użytkowników gorsze jest pobranie „złego” modelu, niż uzyskać błędy związane z nieodnalezieniem modelu.)

Jeśli nadal nie masz odniesienia do obiektu Model, prawdopodobnie będziesz musiał uzyskać identyfikator modelu, wyświetlając listę modeli projektu za pomocą filtra. Na przykład, aby usunąć wszystkie modele oznaczone „face_detector”:

Pyton

# First, import and initialize the SDK as shown above.

face_detectors = ml.list_models(list_filter="tags: 'face_detector'").iterate_all()
for model in face_detectors:
  ml.delete_model(model.model_id)

Node.js

// First, import and initialize the SDK as shown above.

(async () => {
  let listOptions = {filter: 'tags: face_detector'}
  let models;
  let pageToken = null;
  do {
    if (pageToken) listOptions.pageToken = pageToken;
    ({models, pageToken} = await ml.listModels(listOptions));
    for (const model of models) {
      await ml.deleteModel(model.modelId);
    }
  } while (pageToken != null);

  process.exit();
})().catch(console.error);