Google 致力于为黑人社区推动种族平等。查看具体举措
इस पेज का अनुवाद Cloud Translation API से किया गया है.
Switch to English

कस्टम मॉडल तैनात और प्रबंधित करें

आप Firebase कंसोल या Firebase Admin Python और Node.js SDKs का उपयोग करके कस्टम मॉडल और AutoML- प्रशिक्षित मॉडल को तैनात और प्रबंधित कर सकते हैं। यदि आप केवल एक मॉडल को तैनात करना चाहते हैं और कभी-कभी इसे अपडेट करते हैं, तो आमतौर पर फायरबेस कंसोल का उपयोग करना सबसे सरल है। कोलाब या जुपिटर नोटबुक और अन्य वर्कफ़्लोज़ के साथ काम करते हुए, बिल्ड पाइपलाइनों को एकीकृत करते समय एडमिन एसडीके मददगार हो सकता है।

फायरबेस कंसोल में मॉडलों को तैनात और प्रबंधित करें

TensorFlow Lite मॉडल

Firebase कंसोल का उपयोग करके TensorFlow Lite मॉडल को तैनात करने के लिए:

  1. Firebase कंसोल में Firebase ML कस्टम मॉडल पेज खोलें।
  2. कस्टम मॉडल जोड़ें (या कोई अन्य मॉडल जोड़ें ) पर क्लिक करें।
  3. एक नाम निर्दिष्ट करें जिसका उपयोग आपके फायरबेस प्रोजेक्ट में आपके मॉडल की पहचान करने के लिए किया जाएगा, फिर TensorFlow Lite मॉडल फ़ाइल (आमतौर पर .tflite या .lite में समाप्त) .lite

अपने मॉडल को तैनात करने के बाद, आप इसे कस्टम पृष्ठ पर पा सकते हैं। वहां से, आप नए फ़ाइल के साथ मॉडल को अपडेट करने, मॉडल डाउनलोड करने और अपने प्रोजेक्ट से मॉडल को हटाने जैसे कार्यों को पूरा कर सकते हैं।

फायरबेस व्यवस्थापक एसडीके के साथ मॉडल तैनात और प्रबंधित करें

यह खंड दिखाता है कि आप सामान्य SD तैनाती और प्रबंधन कार्यों को SDK के साथ कैसे पूरा कर सकते हैं। अतिरिक्त मदद के लिए अजगर या Node.js के लिए एसडीके संदर्भ देखें।

उपयोग में SDK के उदाहरणों के लिए, पायथन क्विकस्टार्ट नमूना और Node.js क्विकस्टार्ट नमूना देखें

शुरू करने से पहले

  1. यदि आपके पास पहले से फायरबेस प्रोजेक्ट नहीं है, तो फायरबेस कंसोल में एक नया प्रोजेक्ट बनाएं। फिर, अपना प्रोजेक्ट खोलें और निम्न कार्य करें:

    1. सेटिंग्स पृष्ठ पर, एक सेवा खाता बनाएँ और सेवा खाता कुंजी फ़ाइल डाउनलोड करें। इस फ़ाइल को सुरक्षित रखें, क्योंकि यह आपकी परियोजना के लिए व्यवस्थापक पहुँच प्रदान करता है।

    2. संग्रहण पृष्ठ पर, क्लाउड संग्रहण सक्षम करें। अपने बाल्टी नाम पर ध्यान दें।

      आपको अपने Firebase प्रोजेक्ट में जोड़ते समय अस्थायी रूप से मॉडल फ़ाइलों को संग्रहीत करने के लिए क्लाउड स्टोरेज बाल्टी की आवश्यकता होती है। यदि आप ब्लेज़ योजना पर हैं, तो आप इस उद्देश्य के लिए डिफ़ॉल्ट के अलावा एक बाल्टी बना सकते हैं और उसका उपयोग कर सकते हैं।

    3. Firebase ML पृष्ठ पर, क्लिक करें आरंभ करें यदि आपने अभी तक Firebase ML सक्षम नहीं किया है।

  2. Google API कंसोल में , अपना Firebase प्रोजेक्ट खोलें और Firebase ML API को सक्षम करें।

  3. व्यवस्थापक SDK को स्थापित और प्रारंभ करें

    जब आप एसडीके को इनिशियलाइज़ करते हैं, तो अपने सर्विस अकाउंट के क्रेडेंशियल्स और क्लाउड स्टोरेज बकेट निर्दिष्ट करें जिसका उपयोग आप अपने मॉडल को स्टोर करने के लिए करना चाहते हैं:

    अजगर

    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();
    

मॉडल तैनात करें

TensorFlow Lite फाइलें

एक मॉडल फ़ाइल से एक TensorFlow Lite मॉडल को तैनात करने के लिए, इसे अपनी परियोजना पर अपलोड करें और फिर इसे प्रकाशित करें:

अजगर

06 बी 027 सी 490

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 और Keras मॉडल

पायथन एसडीके के साथ, आप एक मॉडल को TensorFlow सहेजे गए मॉडल प्रारूप से TensorFlow Lite में परिवर्तित कर सकते हैं और इसे एक ही चरण में अपने क्लाउड स्टोरेज बाल्टी में अपलोड कर सकते हैं। फिर, इसे उसी तरह से तैनात करें जिस तरह आप TensorFlow Lite फाइल को तैनात करते हैं।

अजगर

# 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)

यदि आपके पास केरस मॉडल है, तो आप इसे टेन्सरफ्लो लाइट में भी बदल सकते हैं और इसे एक ही चरण में अपलोड कर सकते हैं। आप HDF5 फ़ाइल में सहेजे गए Keras मॉडल का उपयोग कर सकते हैं:

अजगर

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.)
# ...

या, आप अपने प्रशिक्षण स्क्रिप्ट से सीधे एक केरस मॉडल को परिवर्तित और अपलोड कर सकते हैं:

अजगर

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 मॉडल

यदि आपने ऑटोएमएल क्लाउड एपीआई या Google क्लाउड कंसोल यूआई के साथ एक एज मॉडल को प्रशिक्षित किया है, तो आप एडमिन एसडीके का उपयोग करके मॉडल को फायरबेस पर तैनात कर सकते हैं।

आपको मॉडल के संसाधन पहचानकर्ता को निर्दिष्ट करना होगा, जो एक स्ट्रिंग है जो निम्न उदाहरण की तरह दिखता है:

projects/PROJECT_NUMBER/locations/STORAGE_LOCATION/models/MODEL_ID
PROJECT_NUMBER क्लाउड स्टोरेज बकेट की प्रोजेक्ट संख्या जिसमें मॉडल शामिल है। यह आपका फायरबेस प्रोजेक्ट या कोई अन्य Google क्लाउड प्रोजेक्ट हो सकता है। आप यह मान फायरबेस कंसोल या Google क्लाउड कंसोल डैशबोर्ड के सेटिंग पृष्ठ पर पा सकते हैं।
STORAGE_LOCATION क्लाउड स्टोरेज बाल्टी का संसाधन स्थान जिसमें मॉडल शामिल है। यह मान हमेशा us-central1
MODEL_ID मॉडल की आईडी, जो आपको ऑटोएमएल क्लाउड एपीआई से मिली है।

अजगर

# 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);

अपने प्रोजेक्ट के मॉडल सूचीबद्ध करें

आप अपने प्रोजेक्ट के मॉडल सूचीबद्ध कर सकते हैं, वैकल्पिक रूप से परिणामों को फ़िल्टर कर सकते हैं:

अजगर

# 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);

आप निम्न फ़ील्ड द्वारा फ़िल्टर कर सकते हैं:

मैदान उदाहरण
display_name display_name = example_model
display_name != example_model

experimental_ उपसर्ग के साथ सभी प्रदर्शन नाम:

display_name : experimental_*

ध्यान दें कि केवल उपसर्ग मिलान समर्थित है।

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

AND , OR , और NOT ऑपरेटरों और कोष्ठक ( , ) ) के साथ फ़िल्टर को मिलाएं।

अद्यतन मॉडल

आपके द्वारा अपनी परियोजना में एक मॉडल जोड़ने के बाद, आप इसके प्रदर्शन नाम, टैग और tflite मॉडल फ़ाइल को अपडेट कर सकते हैं:

अजगर

# 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);

मॉडल को अप्रकाशित या हटाना

किसी मॉडल को अप्रकाशित या हटाने के लिए, मॉडल आईडी को अप्रकाशित करने या हटाने के तरीकों को पास करें। जब आप किसी मॉडल को अप्रकाशित करते हैं, तो यह आपके प्रोजेक्ट में बना रहता है, लेकिन आपके ऐप्स को डाउनलोड करने के लिए उपलब्ध नहीं है। जब आप किसी मॉडल को हटाते हैं, तो यह आपके प्रोजेक्ट से पूरी तरह से हटा दिया जाता है। (एक मॉडल को अप्रकाशित करना एक मानक वर्कफ़्लो में अपेक्षित नहीं है, लेकिन आप इसे गलती से प्रकाशित एक नए मॉडल को तुरंत अप्रकाशित करने के लिए उपयोग कर सकते हैं और अभी तक कहीं भी उपयोग नहीं किया जा रहा है, या ऐसे मामलों में जहां उपयोगकर्ताओं के लिए "खराब" डाउनलोड करना बदतर है। मॉडल से मॉडल-नहीं-मिली त्रुटियां प्राप्त करने के लिए।)

यदि आपके पास अभी भी मॉडल ऑब्जेक्ट का संदर्भ नहीं है, तो संभवतः आपको अपने प्रोजेक्ट के मॉडल को फ़िल्टर के साथ सूचीबद्ध करके मॉडल आईडी प्राप्त करना होगा। उदाहरण के लिए, "face_detector" टैग किए गए सभी मॉडल हटाने के लिए:

अजगर

# 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);