Вы можете развертывать пользовательские модели и модели, обученные AutoML, и управлять ими с помощью консоли Firebase или пакетов SDK Firebase Admin Python и Node.js. Если вы просто хотите развернуть модель и время от времени обновлять ее, обычно проще всего использовать консоль Firebase. Admin SDK может быть полезен при интеграции с конвейерами сборки, при работе с записными книжками Colab или Jupyter и в других рабочих процессах.
Развертывание моделей и управление ими в консоли Firebase
Модели TensorFlow Lite
Чтобы развернуть модель TensorFlow Lite с помощью консоли Firebase:
- Откройте страницу пользовательской модели Firebase ML в консоли Firebase.
- Щелкните Добавить пользовательскую модель (или Добавить другую модель ).
- Укажите имя, которое будет использоваться для идентификации вашей модели в проекте Firebase, затем загрузите файл модели TensorFlow Lite (обычно с
.tflite
или.lite
).
После развертывания модели ее можно будет найти на странице Custom. Отсюда вы можете выполнять такие задачи, как обновление модели новым файлом, загрузка модели и удаление модели из вашего проекта.
Развертывание моделей и управление ими с помощью Firebase Admin SDK
В этом разделе показано, как можно выполнить общие задачи развертывания модели и управления ею с помощью Admin SDK. Дополнительную справку см. В справочнике SDK для Python или Node.js.
Примеры используемого SDK см. В образцах быстрого запуска Python и образцах быстрого запуска Node.js.
Прежде чем вы начнете
Если у вас еще нет проекта Firebase, создайте новый проект в консоли Firebase . Затем откройте свой проект и сделайте следующее:
На странице настроек создайте учетную запись службы и загрузите файл ключа учетной записи службы. Держите этот файл в безопасности, поскольку он предоставляет доступ администратора к вашему проекту.
На странице Хранилище включите Облачное хранилище. Обратите внимание на название вашего ведра.
Вам понадобится корзина Cloud Storage для временного хранения файлов моделей при добавлении их в проект Firebase. Если вы используете план Blaze, вы можете создать и использовать для этой цели сегмент, отличный от используемого по умолчанию.
На странице Firebase ML нажмите Начать, если вы еще не включили Firebase ML.
В консоли Google API откройте свой проект Firebase и включите Firebase ML API.
Установите и инициализируйте Admin SDK .
При инициализации SDK укажите учетные данные своей служебной учетной записи и сегмент облачного хранилища, который вы хотите использовать для хранения своих моделей:
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();
Развернуть модели
Файлы TensorFlow Lite
Чтобы развернуть модель TensorFlow Lite из файла модели, загрузите ее в свой проект и затем опубликуйте:
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)
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);
Модели TensorFlow и Keras
С помощью Python SDK вы можете преобразовать модель из формата сохраненной модели TensorFlow в TensorFlow Lite и загрузить ее в корзину облачного хранилища за один шаг. Затем разверните его так же, как вы развертываете файл TensorFlow Lite.
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)
Если у вас есть модель Keras, вы также можете преобразовать ее в TensorFlow Lite и загрузить за один шаг. Вы можете использовать модель Keras, сохраненную в файле HDF5:
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.)
# ...
Или вы можете преобразовать и загрузить модель Keras прямо из вашего учебного скрипта:
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.)
# ...
Модели AutoML TensorFlow Lite
Если вы обучили модель Edge с помощью AutoML Cloud API или пользовательского интерфейса Google Cloud Console, вы можете развернуть модель в Firebase с помощью Admin SDK.
Вам нужно будет указать идентификатор ресурса модели, который представляет собой строку, которая выглядит как в следующем примере:
projects/PROJECT_NUMBER/locations/STORAGE_LOCATION/models/MODEL_ID
PROJECT_NUMBER | Номер проекта сегмента Cloud Storage, содержащего модель. Это может быть ваш проект Firebase или другой проект Google Cloud. Вы можете найти это значение на странице настроек консоли Firebase или в панели управления Google Cloud Console. |
STORAGE_LOCATION | Расположение ресурса в сегменте Cloud Storage, содержащем модель. Это значение всегда us-central1 . |
MODEL_ID | Идентификатор модели, полученный из AutoML Cloud API. |
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)
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);
Составьте список моделей вашего проекта
Вы можете перечислить модели своего проекта, при желании отфильтровав результаты:
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))
Node.js
08декада10Вы можете фильтровать по следующим полям:
Поле | Примеры |
---|---|
display_name | display_name = example_model display_name != example_model Все отображаемые имена с префиксом display_name : experimental_* Обратите внимание, что поддерживается только соответствие префикса. |
tags | tags: face_detector tags: face_detector AND tags: experimental |
state.published | state.published = true state.published = false |
Комбинируйте фильтры с операторами AND
, OR
и NOT
и круглыми скобками ( (
, )
).
Обновить модели
После добавления модели в проект вы можете обновить ее отображаемое имя, теги и tflite
модели tflite
:
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)
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);
Отменить публикацию или удалить модели
Чтобы отменить публикацию или удалить модель, передайте идентификатор модели методам отмены публикации или удаления. Когда вы отменяете публикацию модели, она остается в вашем проекте, но недоступна для загрузки вашими приложениями. Когда вы удаляете модель, она полностью удаляется из вашего проекта. (Отмена публикации модели не ожидается в стандартном рабочем процессе, но вы можете использовать ее, чтобы немедленно отменить публикацию новой модели, которую вы случайно опубликовали и которая еще нигде не используется, или в тех случаях, когда пользователям хуже загружать «плохой» модели, чем получать ошибки `` модель не найдена ''.)
Если у вас по-прежнему нет ссылки на объект Model, вам, вероятно, потребуется получить идентификатор модели, перечислив модели вашего проекта с помощью фильтра. Например, чтобы удалить все модели с тегом face_detector:
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)
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);