Join us for Firebase Summit on November 10, 2021. Tune in to learn how Firebase can help you accelerate app development, release with confidence, and scale with ease. Register

কাস্টম মডেল স্থাপন এবং পরিচালনা করুন

আপনি Firebase কনসোল অথবা Firebase অ্যাডমিন পাইথন এবং Node.js SDK ব্যবহার করে কাস্টম মডেল এবং অটোএমএল-প্রশিক্ষিত মডেলগুলি স্থাপন এবং পরিচালনা করতে পারেন। আপনি যদি কেবল একটি মডেল স্থাপন করতে চান এবং মাঝে মাঝে এটি আপডেট করতে চান তবে ফায়ারবেস কনসোল ব্যবহার করা সাধারণত সহজ। অ্যাডমিন এসডিকে সহায়ক হতে পারে যখন বিল্ড পাইপলাইন, কোলাব বা জুপিটার নোটবুক এবং অন্যান্য ওয়ার্কফ্লোগুলির সাথে কাজ করে।

ফায়ারবেস কনসোলে মডেল স্থাপন এবং পরিচালনা করুন

TensorFlow লাইট মডেল

ফায়ারবেস কনসোল ব্যবহার করে একটি টেন্সরফ্লো লাইট মডেল স্থাপন করতে:

  1. খুলুন Firebase এমএল কাস্টম মডেল পৃষ্ঠা Firebase কনসোলে।
  2. ক্লিক করুন কাস্টম মডেল যোগ করুন (বা অন্য মডেল জুড়ুন)।
  3. একটি নাম যে (সাধারণত এ শেষ হওয়া আপনার Firebase প্রকল্পে আপনার মডেল শনাক্ত করতে, তারপরে আপলোড TensorFlow লাইট মডেল ফাইল ব্যবহার করা হবে তা উল্লেখ করুন .tflite বা .lite )।

আপনি আপনার মডেল স্থাপন করার পরে, আপনি এটি কাস্টম পৃষ্ঠায় খুঁজে পেতে পারেন। সেখান থেকে, আপনি একটি নতুন ফাইল দিয়ে মডেল আপডেট করা, মডেলটি ডাউনলোড করা এবং আপনার প্রকল্প থেকে মডেলটি মুছে ফেলার মতো কাজগুলি সম্পন্ন করতে পারেন।

ফায়ারবেস অ্যাডমিন এসডিকে দিয়ে মডেলগুলি স্থাপন এবং পরিচালনা করুন

এই বিভাগটি দেখায় যে আপনি কীভাবে অ্যাডমিন এসডিকে দিয়ে সাধারণ মডেল স্থাপন এবং ব্যবস্থাপনা কাজগুলি সম্পন্ন করতে পারেন। জন্য SDK এর রেফারেন্স দেখুন পাইথন বা Node.js অতিরিক্ত সাহায্যের জন্য।

ব্যবহারে SDK এর উদাহরণের জন্য, দেখুন পাইথন দ্রুতশুরু নমুনা এবং Node.js দ্রুতশুরু নমুনা

তুমি শুরু করার আগে

  1. যদি আপনি ইতিমধ্যেই একটি Firebase প্রকল্প আছে না থাকে, তাহলে একটি নতুন প্রকল্প তৈরি Firebase কনসোল । তারপরে, আপনার প্রকল্পটি খুলুন এবং নিম্নলিখিতগুলি করুন:

    1. উপর সেটিং পৃষ্ঠা, একটি পরিষেবা অ্যাকাউন্ট তৈরি করুন এবং পরিষেবা অ্যাকাউন্ট কী ফাইল ডাউনলোড করুন। এই ফাইলটিকে নিরাপদ রাখুন, কারণ এটি আপনার প্রকল্পে প্রশাসকের প্রবেশাধিকার প্রদান করে।

    2. স্টোরেজ পৃষ্ঠায়, ক্লাউড স্টোরেজ সক্ষম করুন। আপনার বালতির নাম নোট করুন।

      আপনার ফায়ারবেস প্রকল্পে যোগ করার সময় মডেল ফাইলগুলি সাময়িকভাবে সংরক্ষণ করার জন্য আপনার একটি ক্লাউড স্টোরেজ বালতি প্রয়োজন। আপনি যদি ব্লেজ প্ল্যানে থাকেন, তাহলে আপনি এই উদ্দেশ্যে ডিফল্ট ছাড়া অন্য একটি বালতি তৈরি এবং ব্যবহার করতে পারেন।

    3. Firebase এমএল পৃষ্ঠায়, ক্লিক করুন শুরু যদি আপনি এখনো Firebase এমএল সক্ষম করা আছে।

  2. ইন Google API এর কনসোল , আপনার Firebase প্রকল্পের খুলুন এবং Firebase এমএল API সক্ষম করুন।

  3. ইনস্টল করুন এবং এডমিন SDK এর আরম্ভ

    যখন আপনি SDK আরম্ভ করেন, আপনার পরিষেবা অ্যাকাউন্টের শংসাপত্র এবং ক্লাউড স্টোরেজ বালতি নির্দিষ্ট করুন যা আপনি আপনার মডেলগুলি সঞ্চয় করতে চান:

    পাইথন

    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();
    

মডেল স্থাপন করুন

TensorFlow Lite ফাইল

একটি মডেল ফাইল থেকে একটি TensorFlow লাইট মডেল স্থাপন করতে, এটি আপনার প্রকল্পে আপলোড করুন এবং তারপর এটি প্রকাশ করুন:

পাইথন

# 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);

TensorFlow এবং Keras মডেল

পাইথন এসডিকে দিয়ে, আপনি TensorFlow সংরক্ষিত মডেল ফরম্যাট থেকে একটি মডেলকে TensorFlow Lite এ রূপান্তর করতে পারেন এবং একক ধাপে আপনার ক্লাউড স্টোরেজ বালতিতে আপলোড করতে পারেন। তারপরে, আপনি যেভাবে টেনসরফ্লো লাইট ফাইল স্থাপন করেন সেভাবে এটি স্থাপন করুন।

পাইথন

# 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)

যদি আপনার একটি কেরাস মডেল থাকে, আপনি এটিকে টেনসরফ্লো লাইটে রূপান্তর করতে পারেন এবং একক ধাপে আপলোড করতে পারেন। আপনি একটি HDF5 ফাইলে সংরক্ষিত একটি কেরাস মডেল ব্যবহার করতে পারেন:

পাইথন

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.)
# ...

অথবা, আপনি সরাসরি আপনার প্রশিক্ষণ স্ক্রিপ্ট থেকে একটি কেরাস মডেল রূপান্তর এবং আপলোড করতে পারেন:

পাইথন

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.)
# ...

অটোএমএল টেন্সরফ্লো লাইট মডেল

আপনার সাথে একটি এজ মডেল প্রশিক্ষিত তাহলে AutoML ক্লাউড এপিআই বা Google ক্লাউড কনসোলে UI 'তে সঙ্গে, আপনি এডমিন SDK এর ব্যবহার Firebase করার মডেল প্রসারিত করতে পারেন।

আপনাকে মডেলের রিসোর্স আইডেন্টিফায়ার নির্দিষ্ট করতে হবে, যা একটি স্ট্রিং যা নিচের উদাহরণের মত দেখাচ্ছে:

projects/PROJECT_NUMBER/locations/STORAGE_LOCATION/models/MODEL_ID
PROJECT_NUMBER মডেল ধারণকারী ক্লাউড স্টোরেজ বালতির প্রকল্প নম্বর। এটি আপনার ফায়ারবেস প্রজেক্ট বা অন্য গুগল ক্লাউড প্রকল্প হতে পারে। আপনি Firebase কনসোলের সেটিংস পৃষ্ঠায় অথবা Google ক্লাউড কনসোল ড্যাশবোর্ডে এই মানটি খুঁজে পেতে পারেন।
STORAGE_LOCATION মডেল ধারণকারী ক্লাউড স্টোরেজ বালতির রিসোর্স লোকেশন। এই মান সর্বদা us-central1
MODEL_ID মডেলের আইডি, যা আপনি অটোএমএল ক্লাউড এপিআই থেকে পেয়েছেন।

পাইথন

# 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);

আপনার প্রকল্পের মডেলগুলি তালিকাভুক্ত করুন

আপনি আপনার প্রকল্পের মডেল তালিকাভুক্ত করতে পারেন, allyচ্ছিকভাবে ফলাফলগুলি ফিল্টার করে:

পাইথন

# 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);

আপনি নিম্নলিখিত ক্ষেত্রগুলি দ্বারা ফিল্টার করতে পারেন:

মাঠ উদাহরণ
display_name display_name = example_model
display_name != example_model

সঙ্গে সব প্রদর্শন নাম experimental_ উপসর্গ:

display_name : experimental_*

মনে রাখবেন যে শুধুমাত্র উপসর্গ মিলন সমর্থিত।

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

সঙ্গে ফিল্টার একত্রিত করুন AND , OR , এবং NOT অপারেটর ও প্রথম বন্ধনী ( ( , ) )।

মডেলগুলি আপডেট করুন

আপনি আপনার প্রকল্পের একটি মডেল যোগ করে থাকলে, এর প্রদর্শন নাম, ট্যাগ এবং আপডেট করতে পারেন tflite মডেল ফাইল:

পাইথন

# 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);

মডেল অপ্রকাশিত বা মুছে দিন

একটি মডেল অপ্রকাশিত বা মুছে ফেলার জন্য, মডেল আইডি অপ্রকাশন বা মুছে ফেলার পদ্ধতিতে প্রেরণ করুন। যখন আপনি একটি মডেল অপ্রকাশিত করেন, তখন এটি আপনার প্রকল্পে থাকে, কিন্তু আপনার অ্যাপ ডাউনলোড করার জন্য উপলব্ধ নয়। যখন আপনি একটি মডেল মুছে ফেলেন, এটি আপনার প্রকল্প থেকে সম্পূর্ণরূপে সরানো হয়। (একটি আদর্শ অপসারণ একটি আদর্শ কর্মপ্রবাহে প্রত্যাশিত নয়, কিন্তু আপনি এটি ব্যবহার করতে পারেন অবিলম্বে আপনার প্রকাশিত একটি নতুন মডেলটি প্রকাশ করতে এবং এখনও কোথাও ব্যবহার করা হচ্ছে না, অথবা যে ক্ষেত্রে ব্যবহারকারীদের জন্য এটি একটি খারাপ "ডাউনলোড" করা খারাপ। মডেল-খুঁজে পাওয়া ত্রুটিগুলি পাওয়ার চেয়ে মডেল।)

যদি আপনার কাছে এখনও মডেল বস্তুর রেফারেন্স না থাকে, তাহলে সম্ভবত আপনার প্রকল্পের মডেলগুলিকে একটি ফিল্টারের সাথে তালিকাভুক্ত করে মডেল আইডি পেতে হবে। উদাহরণস্বরূপ, "face_detector" ট্যাগ করা সমস্ত মডেল মুছে ফেলার জন্য:

পাইথন

# 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);