কাস্টম মডেল স্থাপন এবং পরিচালনা করুন

আপনি Firebase কনসোল বা Firebase Admin Python এবং Node.js SDK ব্যবহার করে কাস্টম মডেল এবং AutoML-প্রশিক্ষিত মডেল স্থাপন ও পরিচালনা করতে পারেন। আপনি যদি শুধুমাত্র একটি মডেল স্থাপন করতে চান এবং মাঝে মাঝে এটি আপডেট করতে চান, তাহলে Firebase কনসোল ব্যবহার করা সাধারণত সহজ। বিল্ড পাইপলাইন, Colab বা Jupyter নোটবুকের সাথে কাজ করা এবং অন্যান্য ওয়ার্কফ্লোতে কাজ করার সময় অ্যাডমিন SDK সহায়ক হতে পারে।

Firebase কনসোলে মডেল স্থাপন এবং পরিচালনা করুন

টেনসরফ্লো লাইট মডেল

Firebase কনসোল ব্যবহার করে একটি TensorFlow Lite মডেল স্থাপন করতে:

  1. Firebase কনসোলে Firebase ML কাস্টম মডেল পৃষ্ঠা খুলুন।
  2. কাস্টম মডেল যোগ করুন ক্লিক করুন (বা অন্য মডেল যোগ করুন )।
  3. একটি নাম নির্দিষ্ট করুন যা আপনার ফায়ারবেস প্রকল্পে আপনার মডেল শনাক্ত করতে ব্যবহার করা হবে, তারপর TensorFlow Lite মডেল ফাইল আপলোড করুন (সাধারণত .tflite বা .lite এ শেষ হয়)।

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

Firebase অ্যাডমিন SDK-এর সাহায্যে মডেলগুলি স্থাপন এবং পরিচালনা করুন৷

এই বিভাগটি দেখায় কিভাবে আপনি অ্যাডমিন SDK-এর সাথে সাধারণ মডেল স্থাপনা এবং পরিচালনার কাজগুলি সম্পূর্ণ করতে পারেন৷ অতিরিক্ত সাহায্যের জন্য Python বা Node.js- এর জন্য SDK রেফারেন্স দেখুন।

ব্যবহৃত SDK-এর উদাহরণের জন্য, Python quickstart নমুনা এবং Node.js quickstart নমুনা দেখুন।

তুমি শুরু করার আগে

  1. আপনার যদি ইতিমধ্যেই একটি Firebase প্রকল্প না থাকে, তাহলে Firebase কনসোলে একটি নতুন প্রকল্প তৈরি করুন৷ তারপর, আপনার প্রকল্প খুলুন এবং নিম্নলিখিত করুন:

    1. সেটিংস পৃষ্ঠায়, একটি পরিষেবা অ্যাকাউন্ট তৈরি করুন এবং পরিষেবা অ্যাকাউন্ট কী ফাইলটি ডাউনলোড করুন। এই ফাইলটিকে সুরক্ষিত রাখুন, যেহেতু এটি আপনার প্রকল্পে প্রশাসককে অ্যাক্সেস দেয়৷

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

      আপনার Firebase প্রকল্পে মডেল ফাইলগুলিকে যোগ করার সময় সাময়িকভাবে সংরক্ষণ করার জন্য আপনার একটি ক্লাউড স্টোরেজ বালতি প্রয়োজন৷ আপনি যদি ব্লেজ প্ল্যানে থাকেন তবে আপনি এই উদ্দেশ্যে ডিফল্ট ছাড়া অন্য একটি বালতি তৈরি এবং ব্যবহার করতে পারেন।

    3. Firebase ML পৃষ্ঠায়, আপনি যদি এখনও Firebase ML সক্ষম না করে থাকেন তবে শুরু করুন ক্লিক করুন৷

  2. Google APIs কনসোলে , আপনার Firebase প্রকল্প খুলুন এবং Firebase ML API সক্ষম করুন৷

  3. অ্যাডমিন SDK ইনস্টল করুন এবং আরম্ভ করুন

    আপনি যখন SDK শুরু করেন, তখন আপনার পরিষেবা অ্যাকাউন্টের শংসাপত্র এবং ক্লাউড স্টোরেজ বাকেটটি নির্দিষ্ট করুন যা আপনি আপনার মডেলগুলি সংরক্ষণ করতে ব্যবহার 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

টেনসরফ্লো লাইট ফাইল

একটি মডেল ফাইল থেকে একটি TensorFlow Lite মডেল স্থাপন করতে, এটি আপনার প্রকল্পে আপলোড করুন এবং তারপরে 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);

টেনসরফ্লো এবং কেরাস মডেল

Python SDK-এর সাহায্যে আপনি TensorFlow সংরক্ষিত মডেল ফরম্যাট থেকে TensorFlow Lite-এ একটি মডেল রূপান্তর করতে পারেন এবং একটি একক ধাপে এটি আপনার ক্লাউড স্টোরেজ বালতিতে আপলোড করতে পারেন। তারপরে, আপনি যেভাবে একটি 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)

আপনার যদি কেরাস মডেল থাকে তবে আপনি এটিকে টেনসরফ্লো লাইটে রূপান্তর করতে পারেন এবং এটি একটি একক ধাপে আপলোড করতে পারেন। আপনি HDF5 ফাইলে সংরক্ষিত 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 টেনসরফ্লো লাইট মডেল

আপনি যদি অটোএমএল ক্লাউড এপিআই বা Google ক্লাউড কনসোল UI এর সাথে একটি এজ মডেল প্রশিক্ষিত করেন, তাহলে আপনি অ্যাডমিন SDK ব্যবহার করে মডেলটিকে Firebase-এ স্থাপন করতে পারেন।

আপনাকে মডেলের সংস্থান শনাক্তকারী নির্দিষ্ট করতে হবে, যা একটি স্ট্রিং যা নিম্নলিখিত উদাহরণের মতো দেখাচ্ছে:

projects/PROJECT_NUMBER/locations/STORAGE_LOCATION/models/MODEL_ID
PROJECT_NUMBER ক্লাউড স্টোরেজ বাকেটের প্রজেক্ট নম্বর যাতে মডেলটি রয়েছে। এটি আপনার ফায়ারবেস প্রকল্প বা অন্য Google ক্লাউড প্রকল্প হতে পারে। আপনি Firebase কনসোলের সেটিংস পৃষ্ঠা বা Google ক্লাউড কনসোল ড্যাশবোর্ডে এই মানটি খুঁজে পেতে পারেন।
STORAGE_LOCATION ক্লাউড স্টোরেজ বাকেটের রিসোর্স লোকেশন যেখানে মডেল রয়েছে। এই মান সবসময় us-central1 .
MODEL_ID মডেলের ID, যা আপনি AutoML Cloud API 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 মডেল তালিকা

আপনি আপনার প্রকল্পের মডেলগুলি তালিকাভুক্ত করতে পারেন, বিকল্পভাবে 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 ক্ষেত্র দ্বারা ফিল্টার করতে পারেন:

মাঠ উদাহরণ
display_name display_name = example_model
display_name != example_model

experimental_ উপসর্গ সহ সমস্ত প্রদর্শন নাম:

display_name : experimental_*

মনে রাখবেন যে শুধুমাত্র উপসর্গ ম্যাচিং সমর্থিত।

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

AND , OR , and NOT অপারেটর এবং বন্ধনী ( ( , ) ) এর সাথে ফিল্টারগুলিকে একত্রিত করুন।

মডেল আপডেট করুন

আপনি আপনার প্রকল্পে একটি মডেল যোগ করার পরে, আপনি তার প্রদর্শন নাম, ট্যাগ এবং tflite মডেল ফাইল আপডেট করতে পারেন:

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);

অপ্রকাশিত বা মডেল মুছে দিন

একটি মডেল অপ্রকাশিত বা মুছে ফেলতে, অপ্রকাশিত বা মুছে ফেলার পদ্ধতিতে মডেল আইডি পাস করুন। আপনি যখন একটি মডেল অপ্রকাশিত করেন, তখন এটি আপনার প্রজেক্টে থেকে যায়, কিন্তু আপনার অ্যাপ্লিকেশানগুলি ডাউনলোড করার জন্য উপলব্ধ নয়৷ আপনি একটি মডেল মুছে ফেললে, এটি সম্পূর্ণরূপে আপনার প্রকল্প থেকে মুছে ফেলা হয়. (একটি মডেল অপ্রকাশিত করা একটি আদর্শ ওয়ার্কফ্লোতে প্রত্যাশিত নয়, তবে আপনি এটি ব্যবহার করতে পারেন অবিলম্বে একটি নতুন মডেল যা আপনি ভুলবশত প্রকাশ করেছেন এবং এখনও কোথাও ব্যবহার করা হচ্ছে না, অথবা ব্যবহারকারীদের জন্য "খারাপ" ডাউনলোড করা আরও খারাপ। মডেল-না পাওয়া ত্রুটি পাওয়ার চেয়ে মডেল।)

যদি আপনার কাছে এখনও মডেল অবজেক্টের একটি রেফারেন্স না থাকে, তাহলে আপনাকে সম্ভবত একটি ফিল্টারের সাথে আপনার প্রকল্পের মডেলগুলি 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);