部署及管理自訂模型

您可以使用 Firebase 控制台或 Firebase Admin Python 和 Node.js SDK，部署及管理自訂模型和 AutoML 訓練模型。如果您只想部署模型，並偶爾更新模型，通常最簡單的方法是使用 Firebase 資訊主頁。Admin SDK 可協助您整合建構管道、使用 Colab 或 Jupyter 筆記本和其他工作流程。

在 Firebase 控制台中部署及管理模型

TensorFlow Lite 模型

如要使用 Firebase 主控台部署 TensorFlow Lite 模型，請按照下列步驟操作：

1. 在 Firebase 主控台中開啟 Firebase ML「自訂模型」頁面。
2. 按一下「新增自訂模型」 (或「新增其他模型」)。
3. 指定在 Firebase 專案中用於識別模型的名稱，然後上傳 TensorFlow Lite 模型檔案 (通常結尾為 .tflite 或 .lite)。

部署模型後，您可以在「自訂」頁面中找到該模型。您可以在此完成各種工作，例如使用新檔案更新模型、下載模型，以及從專案中刪除模型。

使用 Firebase Admin SDK 部署及管理模型

本節說明如何使用 Admin SDK 完成常見的模型部署和管理工作。如需其他說明，請參閱 Python 或 Node.js 的 SDK 參考資料。

如需使用中的 SDK 範例，請參閱 Python 快速入門導覽課程範例和 Node.js 快速入門導覽課程範例。

事前準備

1. 如果您還沒有 Firebase 專案，請在 Firebase 控制台中建立新專案。接著，開啟專案並執行下列操作：

   1. 在「Settings」頁面中建立服務帳戶，然後下載服務帳戶金鑰檔案。請妥善保管這個檔案，因為它會授予管理員存取專案的權限。

   2. 在「Storage」頁面上啟用 Cloud Storage。請記下值區名稱。

      將模型檔案新增至 Firebase 專案時，您需要需要 Cloud Storage 值區來暫時儲存模型檔案。如果您使用的是 Blaze 方案，您可以建立及使用預設值區，而非用於上述作業的預設值區。

   3. 如果您尚未啟用 Firebase ML，請在 Firebase ML 頁面上按一下「開始使用」。

2. 在 Google API 控制台中，開啟 Firebase 專案並啟用 Firebase ML API。

3. 安裝並初始化 Admin SDK。

   初始化 SDK 時，請指定服務帳戶憑證和要用來儲存模型的 Cloud Storage 儲存體：

   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();
   

   注意： 在 Google Cloud 環境 (包括 Cloud Functions for Firebase) 中，Admin SDK 可以使用您的服務帳戶憑證自動初始化。請參閱設定指南。

可部署模型

TensorFlow Lite 檔案

如要透過模型檔案部署 TensorFlow Lite 模型，請將其上傳至專案，然後發布：

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);

TensorFlow 和 Keras 模型

使用 Python SDK，您可以將模型從 TensorFlow 儲存模型格式轉換為 TensorFlow Lite，並在單一步驟中將模型上傳至 Cloud Storage 值區。然後按照部署 TensorFlow Lite 檔案的方式部署模型。

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)

如果您有 Keras 模型，也可以將其轉換為 TensorFlow Lite，並在單一步驟中上傳。您可以使用儲存至 HDF5 檔案的 Keras 模型：

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.)
# ...

您也可以直接從訓練指令碼轉換及上傳 Keras 模型：

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.)
# ...

AutoML TensorFlow Lite 模型

如果您使用 AutoML Cloud API 或 Google Cloud 控制台 UI 訓練 Edge 模型，可以使用 Admin SDK 將模型部署至 Firebase。

Firebase ML 的 AutoML Vision Edge 功能已淘汰。建議您使用 Vertex AI 自動訓練機器學習模型，然後匯出為 TensorFlow Lite 模型，供裝置端使用，或部署以進行雲端推論。

您必須指定模型的資源 ID，此字串如下所示：

projects/PROJECT_NUMBER/locations/STORAGE_LOCATION/models/MODEL_ID

PROJECT_NUMBER	包含模型的 Cloud Storage 值區專案編號。這可能是你的 Firebase 專案或其他 Google Cloud 專案。您可以在 Firebase 主控台的「設定」頁面或 Google Cloud 主控台資訊主頁中找到這個值。
STORAGE_LOCATION	包含模型的 Cloud Storage 值區資源位置。這個值一律為 us-central1。
MODEL_ID	您從 AutoML Cloud API 取得的模型 ID。

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);

列出專案的模型

您可以列出專案的模型，並選擇性篩選結果：

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

// 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);

您可以依據下列欄位進行篩選：

欄位	範例
display_name	display_name = example_model display_name != example_model 所有包含 experimental_ 前置字元的顯示名稱： display_name : experimental_* 請注意，系統僅支援前置字串比對。
tags	tags: face_detector tags: face_detector AND tags: experimental
state.published	state.published = true state.published = false

將篩選器與 AND、OR 和 NOT 運算子和括號 ((、)) 結合。

可更新模型

在專案中新增模型後，您可以更新模型的顯示名稱、標記和 tflite 模型檔案：

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);

取消發布或刪除模型

如要取消發布或刪除模型，請將模型 ID 傳遞至取消發布或刪除方法。取消發布模型後，模型會保留在專案中，但無法下載應用程式。刪除模型後 模型就會從專案中完全移除(標準工作流程中不應取消發布模型，但您可以使用這項功能立即取消發布您不小心發布且尚未在任何地方使用的新模型，或是在使用者下載「錯誤」模型的情況下，比起收到找不到模型的錯誤，更糟糕的情況。)

如果您仍未取得 Model 物件的參照，可能需要使用篩選器列出專案的模型，以便取得模型 ID。例如，如要刪除所有標記為「face_detector」的模型，請執行以下操作：

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);