Déployer et gérer des modèles personnalisés

Vous pouvez déployer et gérer des modèles personnalisés et des modèles entraînés par AutoML à l'aide de la console Firebase ou des SDK Python et Node.js Firebase Admin. Si vous vous souhaitez simplement déployer un modèle et le mettre à jour de temps en temps, il est généralement plus simple utilisez la console Firebase. Le SDK Admin peut être utile lors de l'intégration de créer des pipelines, d'utiliser des notebooks Colab ou Jupyter, et d'autres workflows.

Déployer et gérer des modèles dans la console Firebase

Modèles TensorFlow Lite

Pour déployer un modèle TensorFlow Lite à l'aide de la console Firebase :

1. Ouvrez la page Firebase ML Modèle personnalisé dans la console Firebase.
2. Cliquez sur Ajouter un modèle personnalisé (ou Ajouter un autre modèle).
3. Spécifiez un nom qui servira à identifier votre modèle dans votre projet Firebase, puis importez le fichier de modèle TensorFlow Lite (qui se termine généralement par .tflite ou .lite).

Une fois votre modèle déployé, vous pouvez le trouver sur la page "Personnalisé". Vous pouvez ensuite effectuer des tâches telles que mettre à jour le modèle avec un nouveau fichier, le télécharger et le supprimer de votre projet.

Déployer et gérer des modèles avec le SDK Admin Firebase

Cette section explique comment déployer et gérer des modèles courants avec le SDK Admin. Pour obtenir de l'aide, consultez la documentation de référence du SDK pour Python ou Node.js.

Pour obtenir des exemples d'utilisation du SDK, consultez l'exemple de démarrage rapide avec Python et l'exemple de démarrage rapide avec Node.js.

Avant de commencer

1. Si vous ne disposez pas encore d'un projet Firebase, créez-en un dans la console Firebase. Ouvrez ensuite votre projet et procédez comme suit :

   1. Sur la page Paramètres, créez un compte de service et téléchargez le fichier de clé du compte de service. Conservez ce fichier en lieu sûr, car il accorde un accès administrateur à votre projet.

   2. Sur la page "Stockage", activez Cloud Storage. Prenez note du nom de votre bucket.

      Vous avez besoin d'un bucket Cloud Storage pour stocker temporairement les fichiers de modèle lorsque vous les ajoutez à votre projet Firebase. Si vous utilisez Blaze vous pouvez créer et utiliser un bucket autre que celui par défaut l'objectif.

   3. Sur la page Firebase ML, cliquez sur Commencer si vous ne l'avez pas encore fait. Firebase ML a été activé.

2. Dans la console Google APIs, ouvrez votre projet Firebase et activez l'API Firebase ML.

3. Installez et initialisez le SDK Admin.

   Lorsque vous initialisez le SDK, spécifiez les identifiants de votre compte de service et le bucket Cloud Storage que vous souhaitez utiliser pour stocker vos modèles :

   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();
   

   Remarque :Dans les environnements Google Cloud, y compris Cloud Functions for Firebase, le Le SDK Admin peut s'initialiser automatiquement avec votre compte de service identifiants de connexion. Consultez le guide de configuration.

Déployer des modèles

Fichiers TensorFlow Lite

Pour déployer un modèle TensorFlow Lite à partir d'un fichier de modèle, importez-le dans votre projet puis publiez-la:

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);

Modèles TensorFlow et Keras

Le SDK Python permet de convertir un modèle à partir du format de modèle enregistré TensorFlow dans TensorFlow Lite, puis importez-le dans votre bucket Cloud Storage en une seule fois étape. Déployez-le ensuite de la même manière que vous le feriez pour un fichier 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)

Si vous disposez d'un modèle Keras, vous pouvez également le convertir en TensorFlow Lite et l'importer en une seule étape. Vous pouvez utiliser un modèle Keras enregistré dans un fichier 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.)
# ...

Vous pouvez également convertir et importer un modèle Keras directement depuis votre script d'entraînement:

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.)
# ...

Modèles TensorFlow Lite AutoML

Si vous avez entraîné un modèle Edge avec l'API AutoML Cloud ou avec l'UI de la console Google Cloud, vous pouvez le déployer sur Firebase à l'aide du SDK Admin.

Les fonctionnalités AutoML Vision Edge de Firebase ML sont obsolètes. Envisagez d'utiliser Vertex AI pour pour entraîner automatiquement des modèles de ML, exporter sous forme de TensorFlow Modèles Lite pour une utilisation sur l'appareil ou pour les applications cloud l'inférence.

Vous devez spécifier l'identifiant de ressource du modèle. Il s'agit d'une chaîne ressemble à l'exemple suivant:

projects/PROJECT_NUMBER/locations/STORAGE_LOCATION/models/MODEL_ID

PROJECT_NUMBER	Numéro de projet du bucket Cloud Storage contenant le du modèle. Il peut s'agir de votre projet Firebase ou d'un autre projet Google Cloud. Vous trouverez cette valeur sur la page "Paramètres" Console Firebase ou tableau de bord de la console Google Cloud.
STORAGE_LOCATION	Emplacement de la ressource du bucket Cloud Storage contenant le modèle. Cette valeur est toujours us-central1.
MODEL_ID	L'ID du modèle, obtenu auprès de l'API AutoML Cloud.

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);

Répertorier les modèles de votre projet

Vous pouvez lister les modèles de votre projet, et éventuellement filtrer les résultats :

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);

Vous pouvez filtrer les résultats par les champs suivants :

Champ	Exemples
display_name	display_name = example_model display_name != example_model Tous les noms à afficher avec le préfixe experimental_: display_name : experimental_* Notez que seule la correspondance de préfixe est acceptée.
tags	tags: face_detector tags: face_detector AND tags: experimental
state.published	state.published = true state.published = false

Combinez les filtres avec les opérateurs AND, OR et NOT et les parenthèses ((, )).

Mettre à jour des modèles

Après avoir ajouté un modèle à votre projet, vous pouvez mettre à jour son nom à afficher, tags et le fichier de modèle 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);

Annuler la publication ou supprimer des modèles

Pour annuler la publication ou supprimer un modèle, transmettez l'ID du modèle à l'opération d'annulation de la publication ou de suppression méthodes. Lorsque vous annulez la publication d'un modèle, il reste dans votre projet, mais vos applications ne peuvent plus le télécharger. Lorsque vous supprimez un modèle, il est complètement supprimé de votre projet. Notez que l'annulation de la publication d'un modèle n'est pas prévue mais vous pouvez l'utiliser pour annuler immédiatement la publication d'un nouveau modèle publié par erreur et qu'il n'est encore utilisé nulle part, ou lorsqu'il pire pour les utilisateurs de télécharger un "mauvais" code que d'obtenir le modèle introuvable erreurs.)

Si vous ne disposez toujours pas d'une référence à l'objet Model, vous devrez probablement obtenir l'ID du modèle en listant les modèles de votre projet à l'aide d'un filtre. Par exemple, pour supprimer tous les modèles associés au tag "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);