Catch up on everthing we announced at this year's Firebase Summit. Learn more

部署和管理自定义模型

您可以使用 Firebase 控制台或 Firebase Admin Python 和 Node.js SDK 部署和管理自定义模型和 AutoML 训练模型。如果您只想部署模型并偶尔更新它,通常使用 Firebase 控制台最简单。在与构建管道集成、使用 Colab 或 Jupyter 笔记本以及其他工作流程时,Admin SDK 会很有帮助。

在 Firebase 控制台中部署和管理模型

TensorFlow Lite 模型

要使用 Firebase 控制台部署 TensorFlow Lite 模型:

  1. 打开火力地堡ML自定义模式页在火力地堡控制台。
  2. 点击添加自定义模式(或添加另一个模型)。
  3. 指定将被用来识别您的模型在火力地堡的项目,然后上传TensorFlow精简版模型文件(通常在结尾的名称.tflite.lite )。

部署模型后,您可以在自定义页面上找到它。从那里,您可以完成诸如使用新文件更新模型、下载模型以及从项目中删除模型等任务。

使用 Firebase Admin SDK 部署和管理模型

本节展示了如何使用 Admin SDK 完成常见的模型部署和管理任务。请参阅SDK参考的PythonNode.js的额外帮助。

对于使用SDK的示例,请参阅Python的快速启动示例Node.js的快速启动示例

在你开始之前

  1. 如果您还没有一个火力地堡项目,创建在一个新的项目火力地堡控制台。然后,打开您的项目并执行以下操作:

    1. 设置页面,创建一个服务帐户和下载服务帐户密钥文件。确保此文件安全,因为它授予管理员访问您的项目的权限。

    2. 在存储页面上,启用云存储。记下您的存储桶名称。

      您需要一个 Cloud Storage 存储分区来临时存储模型文件,同时将它们添加到您的 Firebase 项目。如果您使用 Blaze 计划,则可以为此目的创建和使用默认存储桶以外的存储桶。

    3. 在火力地堡ML页面,如果您还没有启用火力地堡ML点击开始使用

  2. 谷歌API控制台,打开你的火力地堡项目,使火力地堡ML API。

  3. 安装和初始化管理SDK

    初始化 SDK 时,请指定您的服务帐号凭据和要用于存储模型的 Cloud Storage 存储分区:

    Python

    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',
      })
    

    节点.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();
    

部署模型

TensorFlow Lite 文件

要从模型文件部署 TensorFlow Lite 模型,请将其上传到您的项目,然后发布:

Python

# 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)

节点.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);

TensorFlow 和 Keras 模型

使用 Python SDK,您只需一步即可将模型从 TensorFlow 保存的模型格式转换为 TensorFlow Lite,然后将其上传到您的 Cloud Storage 存储分区。然后,以与部署 TensorFlow Lite 文件相同的方式部署它。

Python

# 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)

如果您有 Keras 模型,您也可以将其转换为 TensorFlow Lite 并一步上传。您可以使用保存到 HDF5 文件的 Keras 模型:

Python

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.)
# ...

或者,您可以直接从训练脚本转换和上传 Keras 模型:

Python

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.)
# ...

AutoML TensorFlow Lite 模型

如果你训练的边缘模型与AutoML云API或与谷歌云端控制台界面,您可以部署使用管理SDK的模型火力地堡。

您需要指定模型的资源标识符,它是一个类似于以下示例的字符串:

projects/PROJECT_NUMBER/locations/STORAGE_LOCATION/models/MODEL_ID
PROJECT_NUMBER包含模型的 Cloud Storage 存储分区的项目编号。这可能是您的 Firebase 项目或其他 Google Cloud 项目。您可以在 Firebase 控制台或 Google Cloud Console 仪表板的“设置”页面上找到此值。
STORAGE_LOCATION包含模型的 Cloud Storage 存储分区的资源位置。此值始终为us-central1
MODEL_ID您从 AutoML Cloud API 获得的模型 ID。

Python

# 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)

节点.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);

列出您项目的模型

您可以列出项目的模型,并可选择过滤结果:

Python

# 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))

节点.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);

您可以按以下字段过滤:

场地例子
display_name display_name = example_model
display_name != example_model

所有的显示名称与experimental_前缀:

display_name : experimental_*

请注意,仅支持前缀匹配。

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

组合过滤与ANDOR ,和NOT运算符和括号( () )。

更新模型

您添加了一个模型到项目后,您可以更新其显示名称,标签和tflite模型文件:

Python

# 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)

节点.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);

取消发布或删除模型

要取消发布或删除模型,请将模型 ID 传递给取消发布或删除方法。当您取消发布模型时,它会保留在您的项目中,但不可用于您的应用程序下载。当您删除模型时,它会从您的项目中完全删除。 (在标准工作流程中不希望取消发布模型,但您可以使用它立即取消发布您不小心发布且尚未在任何地方使用的新模型,或者在用户下载“坏”的情况更糟的情况下模型而不是获得模型未找到的错误。)

如果您仍然没有对 Model 对象的引用,您可能需要通过使用过滤器列出项目的模型来获取模型 ID。例如,删除所有标记为“face_detector”的模型:

Python

# 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)

节点.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);