ทำให้ใช้งานได้และจัดการโมเดลที่กำหนดเอง

คุณสามารถทำให้โมเดลที่กําหนดเองและโมเดลที่ AutoML ฝึกไว้ใช้งานได้ รวมถึงจัดการโมเดลเหล่านั้นได้โดยใช้คอนโซล Firebase หรือ Firebase Admin Python และ Node.js SDK หากต้องการเพียงแค่ทำให้โมเดลใช้งานได้และอัปเดตเป็นครั้งคราว วิธีที่ใช้ง่ายที่สุดคือการใช้Firebaseคอนโซล Admin SDK มีประโยชน์เมื่อผสานรวมกับไปป์ไลน์การสร้าง การทำงานกับ Colab หรือสมุดบันทึก Jupyter และเวิร์กโฟลว์อื่นๆ

ติดตั้งใช้งานและจัดการโมเดลในคอนโซล Firebase

โมเดล TensorFlow Lite

วิธีทำให้โมเดล TensorFlow Lite ใช้งานได้โดยใช้คอนโซล Firebase

1. เปิดFirebase MLหน้าโมเดลที่กำหนดเองในคอนโซล Firebase
2. คลิกเพิ่มรูปแบบที่กําหนดเอง (หรือเพิ่มรูปแบบอื่น)
3. ระบุชื่อที่จะใช้ระบุโมเดลในโปรเจ็กต์ Firebase จากนั้นอัปโหลดไฟล์โมเดล TensorFlow Lite (มักจะลงท้ายด้วย .tflite หรือ .lite)

หลังจากติดตั้งใช้งานรูปแบบแล้ว คุณจะเห็นรูปแบบนั้นในหน้า "กําหนดเอง" จากตรงนั้น คุณจะทํางานต่างๆ ให้เสร็จสมบูรณ์ได้ เช่น อัปเดตโมเดลด้วยไฟล์ใหม่ ดาวน์โหลดโมเดล และลบโมเดลออกจากโปรเจ็กต์

ติดตั้งใช้งานและจัดการโมเดลด้วย Firebase Admin SDK

ส่วนนี้จะแสดงวิธีทำให้งานทั่วไปในการติดตั้งใช้งานและการจัดการโมเดลเสร็จสมบูรณ์ด้วย Admin SDK ดูความช่วยเหลือเพิ่มเติมได้ในข้อมูลอ้างอิง SDK สำหรับ Python หรือ Node.js

ดูตัวอย่างการใช้งาน SDK ได้ที่ตัวอย่างการเริ่มต้นใช้งาน Python และตัวอย่างการเริ่มต้นใช้งาน Node.js

ก่อนเริ่มต้น

1. หากยังไม่มีโปรเจ็กต์ Firebase ให้สร้างโปรเจ็กต์ใหม่ในคอนโซล Firebase จากนั้นเปิดโปรเจ็กต์และทำดังนี้

   1. ในหน้าการตั้งค่า ให้สร้างบัญชีบริการและดาวน์โหลดไฟล์คีย์บัญชีบริการ โปรดเก็บไฟล์นี้ไว้อย่างปลอดภัยเนื่องจากไฟล์นี้จะให้สิทธิ์เข้าถึงระดับผู้ดูแลระบบแก่โปรเจ็กต์

   2. เปิดใช้ Cloud Storage ในหน้าพื้นที่เก็บข้อมูล จดชื่อที่เก็บข้อมูลไว้

      คุณต้องมีที่เก็บข้อมูล Cloud Storage เพื่อจัดเก็บไฟล์โมเดลไว้ชั่วคราวขณะเพิ่มลงในโปรเจ็กต์ Firebase หากใช้แพ็กเกจ Blaze คุณสามารถสร้างและใช้ที่เก็บข้อมูลอื่นที่ไม่ใช่ที่เก็บข้อมูลเริ่มต้นเพื่อวัตถุประสงค์นี้

   3. ในหน้า Firebase ML ให้คลิกเริ่มต้นใช้งานหากคุณยังไม่ได้เปิดใช้ Firebase ML

2. ในคอนโซล Google API ให้เปิดโปรเจ็กต์ Firebase และเปิดใช้ Firebase ML API

3. ติดตั้งและเริ่มต้น Admin SDK

   เมื่อเริ่มต้นใช้งาน SDK ให้ระบุข้อมูลเข้าสู่ระบบของบัญชีบริการและที่เก็บข้อมูล Cloud Storage ที่ต้องการใช้จัดเก็บโมเดล ดังนี้

   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',
     })
   

   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();
   

ทำให้โมเดลใช้งานได้

ไฟล์ TensorFlow Lite

หากต้องการทำให้โมเดล TensorFlow Lite ใช้งานได้จากไฟล์โมเดล ให้อัปโหลดไฟล์ไปยังโปรเจ็กต์แล้วเผยแพร่ ดังนี้

# 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)

// 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);

โมเดล TensorFlow และ Keras

เมื่อใช้ Python SDK คุณจะแปลงโมเดลจากรูปแบบโมเดลที่บันทึกไว้ของ TensorFlow เป็น TensorFlow Lite และอัปโหลดไปยังที่เก็บข้อมูล Cloud Storage ได้ภายในขั้นตอนเดียว จากนั้นจึงนำไปใช้งานด้วยวิธีเดียวกับที่ใช้กับไฟล์ TensorFlow Lite

# 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)

หากมีโมเดล Keras คุณสามารถแปลงเป็น TensorFlow Lite และอัปโหลดได้ในขั้นตอนเดียว คุณใช้โมเดล Keras ที่บันทึกไว้ในไฟล์ HDF5 ได้ดังนี้

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.)
# ...

หรือจะแปลงและอัปโหลดโมเดล Keras จากสคริปต์การฝึกโดยตรงก็ได้ โดยทำดังนี้

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.)
# ...

โมเดล TensorFlow Lite ของ AutoML

หากฝึกโมเดล Edge ด้วย AutoML Cloud API หรือ UI ของคอนโซล Google Cloud คุณจะทําให้โมเดลใช้งานได้ใน Firebase โดยใช้ Admin SDK

คุณจะต้องระบุตัวระบุทรัพยากรของโมเดล ซึ่งเป็นสตริงที่มีลักษณะดังตัวอย่างต่อไปนี้

projects/PROJECT_NUMBER/locations/STORAGE_LOCATION/models/MODEL_ID

# 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)

// 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);

แสดงรายการโมเดลของโปรเจ็กต์

คุณสามารถแสดงรายการโมเดลของโปรเจ็กต์โดยกรองผลลัพธ์ได้ (ไม่บังคับ) ดังนี้

# 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))

// 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);

คุณกรองตามช่องต่อไปนี้ได้

รวมตัวกรองเข้ากับโอเปอเรเตอร์ AND, OR และ NOT รวมถึงวงเล็บ ((, ))

อัปเดตโมเดล

หลังจากเพิ่มโมเดลลงในโปรเจ็กต์แล้ว คุณจะอัปเดตชื่อที่แสดง แท็ก และtfliteไฟล์โมเดลได้ ดังนี้

# 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)

// 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);

ยกเลิกการเผยแพร่หรือลบโมเดล

หากต้องการเลิกเผยแพร่หรือลบโมเดล ให้ส่งรหัสโมเดลไปยังเมธอดเลิกเผยแพร่หรือลบ เมื่อยกเลิกการเผยแพร่โมเดลแล้ว โมเดลจะยังคงอยู่ในโปรเจ็กต์ แต่จะดาวน์โหลดไม่ได้สำหรับแอป เมื่อลบโมเดล ระบบจะนำโมเดลนั้นออกจากโปรเจ็กต์โดยสมบูรณ์ (การเลิกเผยแพร่โมเดลไม่ใช่ขั้นตอนการทำงานมาตรฐาน แต่คุณใช้การเลิกเผยแพร่เพื่อเลิกเผยแพร่โมเดลใหม่ที่เผยแพร่ไปโดยไม่ตั้งใจและยังไม่ได้ใช้งานในตำแหน่งใดเลย หรือในกรณีที่การดาวน์โหลดโมเดล "ไม่ดี" ส่งผลเสียต่อผู้ใช้มากกว่าการได้รับข้อผิดพลาด "ไม่พบโมเดล" ทันที)

หากยังไม่มีการอ้างอิงออบเจ็กต์โมเดล คุณอาจต้องรับรหัสโมเดลโดยการแสดงโมเดลของโปรเจ็กต์ด้วยตัวกรอง เช่น หากต้องการลบโมเดลทั้งหมดที่ติดแท็ก "face_detector" ให้ทำดังนี้

# 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)

// 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);