Check out what’s new from Firebase at Google I/O 2022. Learn more

Wdrażaj niestandardowe modele i zarządzaj nimi

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

Wdrażaj modele i zarządzaj nimi w konsoli Firebase

Modele TensorFlow Lite

Aby wdrożyć model TensorFlow Lite za pomocą konsoli Firebase:

  1. Otwórz stronę modelu niestandardowego Firebase ML w konsoli Firebase.
  2. Kliknij 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 (zazwyczaj kończący się na .tflite lub .lite ).

Po wdrożeniu modelu możesz go znaleźć na stronie Niestandardowe. Stamtąd możesz wykonywać zadania, takie jak aktualizowanie modelu za pomocą nowego pliku, pobieranie modelu i usuwanie modelu z projektu.

Wdrażaj modele i zarządzaj nimi za pomocą pakietu Firebase Admin SDK

W tej sekcji pokazano, jak wykonać typowe zadania związane z wdrażaniem modelu i zarządzaniem za pomocą pakietu Admin SDK. Zobacz dokumentację SDK dla Pythona lub Node.js , aby uzyskać dodatkową pomoc.

Aby zapoznać się z przykładami używanego zestawu SDK, zobacz przykład szybkiego startu Pythona i przykład 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 dostęp administratora do Twojego projektu.

    2. Na stronie Magazyn włącz Magazyn w chmurze. 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 zasobnika innego niż domyślny.

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

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

  3. Zainstaluj i zainicjuj Admin SDK .

    Podczas inicjowania pakietu SDK określ dane logowania do konta usługi i zasobnik Cloud Storage, którego chcesz używać do przechowywania 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 Python SDK możesz w jednym kroku przekonwertować model z zapisanego formatu modelu TensorFlow na TensorFlow Lite i przesłać go do zasobnika Cloud Storage. Następnie wdróż go w ten sam sposób, w jaki 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 również przekonwertować go na TensorFlow Lite i przesłać go 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 trenujesz 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 podobnym do następującego przykładu:

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 można znaleźć na stronie Ustawienia konsoli Firebase lub na pulpicie nawigacyjnym Google Cloud Console.
STORAGE_LOCATION Lokalizacja zasobu zasobnika Cloud Storage zawierającego model. Ta wartość to zawsze us-central1 .
MODEL_ID Identyfikator modelu uzyskany z interfejsu AutoML Cloud API.

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 wyświetlane nazwy z przedrostkiem experimental_ :

display_name : experimental_*

Pamiętaj, że obsługiwane jest tylko dopasowanie prefiksów.

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

Połącz filtry z operatorami AND , OR i NOT oraz nawiasami ( ( , ) ).

Zaktualizuj modele

Po dodaniu modelu do projektu możesz zaktualizować jego nazwę wyświetlaną, tagi 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 cofania publikacji lub usuwania. Gdy cofniesz publikację modelu, pozostaje on w projekcie, ale nie jest dostępny do pobrania przez aplikacje. Gdy usuniesz model, zostanie on całkowicie usunięty z Twojego projektu. (Cofanie 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 on jeszcze nigdzie używany, lub w przypadkach, gdy użytkownicy mogą pobrać „złe” model niż uzyskać błędy modelu-not-found).

Jeśli nadal nie masz odniesienia do obiektu Model, prawdopodobnie będziesz musiał uzyskać identyfikator modelu, wymieniając modele projektu z filtrem. 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);