Ikuti semua informasi yang diumumkan di Firebase Summit, dan pelajari bagaimana Firebase dapat membantu Anda mempercepat pengembangan aplikasi dan menjalankan aplikasi dengan percaya diri. Pelajari Lebih Lanjut

Terapkan dan kelola model khusus

Tetap teratur dengan koleksi Simpan dan kategorikan konten berdasarkan preferensi Anda.

Anda dapat menerapkan dan mengelola model khusus dan model yang dilatih AutoML menggunakan Firebase console atau Firebase Admin Python dan Node.js SDK. Jika Anda hanya ingin menerapkan model dan sesekali mengupdatenya, biasanya paling mudah menggunakan konsol Firebase. Admin SDK dapat berguna saat berintegrasi dengan pipeline build, bekerja dengan notebook Colab atau Jupyter, dan alur kerja lainnya.

Terapkan dan kelola model di konsol Firebase

Model TensorFlow Lite

Untuk menerapkan model TensorFlow Lite menggunakan konsol Firebase:

  1. Buka halaman model Kustom Firebase ML di konsol Firebase.
  2. Klik Tambahkan model khusus (atau Tambahkan model lain ).
  3. Tentukan nama yang akan digunakan untuk mengidentifikasi model Anda di project Firebase, lalu upload file model TensorFlow Lite (biasanya diakhiri dengan .tflite atau .lite ).

Setelah menerapkan model, Anda dapat menemukannya di halaman Kustom. Dari sana, Anda dapat menyelesaikan tugas seperti memperbarui model dengan file baru, mengunduh model, dan menghapus model dari proyek Anda.

Terapkan dan kelola model dengan Firebase Admin SDK

Bagian ini menunjukkan bagaimana Anda dapat menyelesaikan penerapan model umum dan tugas pengelolaan dengan Admin SDK. Lihat referensi SDK untuk Python atau Node.js untuk bantuan tambahan.

Untuk contoh penggunaan SDK, lihat contoh quickstart Python dan contoh quickstart Node.js .

Sebelum kamu memulai

  1. Jika Anda belum memiliki proyek Firebase, buat proyek baru di konsol Firebase . Kemudian, buka proyek Anda dan lakukan hal berikut:

    1. Di halaman Pengaturan , buat akun layanan dan unduh file kunci akun layanan. Amankan file ini, karena memberikan akses administrator ke proyek Anda.

    2. Di halaman Storage, aktifkan Cloud Storage. Catat nama keranjang Anda.

      Anda memerlukan keranjang Cloud Storage untuk menyimpan sementara file model sambil menambahkannya ke proyek Firebase Anda. Jika Anda menggunakan paket Blaze, Anda dapat membuat dan menggunakan keranjang selain yang default untuk tujuan ini.

    3. Di halaman Firebase ML, klik Mulai jika Anda belum mengaktifkan Firebase ML.

  2. Di konsol Google API , buka project Firebase Anda dan aktifkan Firebase ML API.

  3. Instal dan inisialisasi Admin SDK .

    Saat menginisialisasi SDK, tentukan kredensial akun layanan dan bucket Cloud Storage yang ingin digunakan untuk menyimpan model Anda:

    Piton

    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();
    

Terapkan model

File TensorFlow Lite

Untuk men-deploy model TensorFlow Lite dari file model, upload ke project Anda, lalu publikasikan:

Piton

# 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);

Model TensorFlow dan Keras

Dengan Python SDK, Anda dapat mengonversi model dari format model yang disimpan TensorFlow ke TensorFlow Lite dan mengunggahnya ke keranjang Cloud Storage Anda dalam satu langkah. Kemudian, terapkan dengan cara yang sama seperti Anda menerapkan file TensorFlow Lite.

Piton

# 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)

Jika Anda memiliki model Keras, Anda juga dapat mengonversinya menjadi TensorFlow Lite dan mengunggahnya dalam satu langkah. Anda dapat menggunakan model Keras yang disimpan ke file HDF5:

Piton

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.)
# ...

Atau, Anda dapat mengonversi dan mengunggah model Keras langsung dari skrip pelatihan Anda:

Piton

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.)
# ...

Model AutoML TensorFlow Lite

Jika Anda melatih model Edge dengan AutoML Cloud API atau dengan UI Google Cloud Console, Anda dapat menerapkan model tersebut ke Firebase menggunakan Admin SDK.

Anda harus menentukan pengidentifikasi sumber daya model, yang merupakan string yang terlihat seperti contoh berikut:

projects/PROJECT_NUMBER/locations/STORAGE_LOCATION/models/MODEL_ID
PROJECT_NUMBER Nomor project bucket Cloud Storage yang berisi model. Ini mungkin proyek Firebase Anda atau proyek Google Cloud lainnya. Anda dapat menemukan nilai ini di laman Setelan Firebase console atau dasbor Google Cloud Console.
STORAGE_LOCATION Lokasi resource bucket Cloud Storage yang berisi model. Nilai ini selalu us-central1 .
MODEL_ID ID model, yang Anda dapatkan dari AutoML Cloud API.

Piton

# 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);

Cantumkan model proyek Anda

Anda dapat mencantumkan model proyek Anda, secara opsional memfilter hasilnya:

Piton

# 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);

Anda dapat memfilter berdasarkan kolom berikut:

Bidang Contoh
display_name display_name = example_model
display_name != example_model

Semua nama tampilan dengan awalan experimental_ :

display_name : experimental_*

Perhatikan bahwa hanya pencocokan awalan yang didukung.

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

Gabungkan filter dengan operator AND , OR , dan NOT serta tanda kurung ( ( , ) ).

Perbarui model

Setelah menambahkan model ke proyek, Anda dapat memperbarui nama tampilan, tag, dan file model tflite :

Piton

# 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);

Batalkan publikasi atau hapus model

Untuk membatalkan publikasi atau menghapus model, teruskan ID model ke metode batalkan publikasi atau hapus. Saat Anda membatalkan publikasi, model tersebut tetap ada di proyek Anda, tetapi tidak tersedia untuk diunduh aplikasi Anda. Saat Anda menghapus model, model tersebut sepenuhnya dihapus dari proyek Anda. (Membatalkan publikasi model tidak diharapkan dalam alur kerja standar, tetapi Anda dapat menggunakannya untuk segera membatalkan publikasi model baru yang Anda publikasikan secara tidak sengaja dan belum digunakan di mana pun, atau dalam kasus di mana lebih buruk bagi pengguna untuk mengunduh "buruk" model daripada mendapatkan kesalahan model-tidak-ditemukan.)

Jika Anda masih belum memiliki referensi ke objek Model, Anda mungkin perlu mendapatkan ID model dengan mencantumkan model proyek Anda dengan filter. Misalnya, untuk menghapus semua model yang diberi tag "face_detector":

Piton

# 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);