Join us for Firebase Summit on November 10, 2021. Tune in to learn how Firebase can help you accelerate app development, release with confidence, and scale with ease. Register

कस्टम मॉडल तैनात और प्रबंधित करें

आप Firebase कंसोल या Firebase Admin Python और Node.js SDK का उपयोग करके कस्टम मॉडल और AutoML-प्रशिक्षित मॉडल परिनियोजित और प्रबंधित कर सकते हैं। यदि आप केवल एक मॉडल को परिनियोजित करना चाहते हैं और कभी-कभी इसे अपडेट करना चाहते हैं, तो आमतौर पर फायरबेस कंसोल का उपयोग करना सबसे आसान होता है। बिल्ड पाइपलाइनों के साथ एकीकरण, Colab या Jupyter नोटबुक और अन्य वर्कफ़्लो के साथ कार्य करते समय व्यवस्थापक SDK सहायक हो सकता है।

Firebase कंसोल में मॉडल परिनियोजित और प्रबंधित करें

TensorFlow लाइट मॉडल

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

  1. खोलें Firebase एमएल कस्टम मॉडल पेज Firebase कंसोल में।
  2. क्लिक करें कस्टम मॉडल जोड़ें (या एक और मॉडल जोड़े)।
  3. एक ऐसा नाम है (आमतौर पर समाप्त होने वाले आपके Firebase परियोजना में अपने मॉडल को पहचानें, फिर अपलोड TensorFlow लाइट मॉडल फ़ाइल का उपयोग किया जाएगा निर्दिष्ट करें .tflite या .lite )।

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

Firebase Admin SDK के साथ मॉडल परिनियोजित और प्रबंधित करें

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

प्रयोग में SDK के उदाहरणों के लिए, अजगर त्वरित प्रारंभ नमूना और Node.js त्वरित प्रारंभ नमूना

शुरू करने से पहले

  1. आप पहले से ही एक Firebase परियोजना नहीं है, तो, में एक नया प्रोजेक्ट बना Firebase कंसोल । फिर, अपना प्रोजेक्ट खोलें और निम्न कार्य करें:

    1. पर सेटिंग पेज, एक सेवा खाता बनाने और सेवा खाते कुंजी फ़ाइल डाउनलोड करें। इस फ़ाइल को सुरक्षित रखें, क्योंकि यह आपके प्रोजेक्ट के लिए व्यवस्थापक पहुंच प्रदान करती है।

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

      मॉडल फ़ाइलों को अपने फ़ायरबेस प्रोजेक्ट में जोड़ते समय अस्थायी रूप से संग्रहीत करने के लिए आपको क्लाउड स्टोरेज बकेट 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 एमएल पृष्ठ पर, क्लिक करें प्रारंभ करें अगर आप अभी तक Firebase एमएल सक्षम नहीं है।

  2. में Google API कंसोल , अपने Firebase परियोजना खोलने के लिए और Firebase एमएल API को सक्षम।

  3. स्थापित करें और नियंत्रक SDK प्रारंभ

    जब आप एसडीके को इनिशियलाइज़ करते हैं, तो अपना सर्विस अकाउंट क्रेडेंशियल 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 लाइट फ़ाइलें

मॉडल फ़ाइल से TensorFlow Lite मॉडल को परिनियोजित करने के लिए, इसे अपने प्रोजेक्ट पर अपलोड करें और फिर इसे प्रकाशित करें:

अजगर

# 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 और Keras मॉडल

पायथन एसडीके के साथ, आप एक मॉडल को TensorFlow सहेजे गए मॉडल प्रारूप से TensorFlow Lite में बदल सकते हैं और इसे एक ही चरण में अपने क्लाउड स्टोरेज बकेट में अपलोड कर सकते हैं। फिर, इसे उसी तरह परिनियोजित करें जैसे आप TensorFlow Lite फ़ाइल को परिनियोजित 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 टेंसरफ्लो 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 सीधे अपनी प्रशिक्षण स्क्रिप्ट से केरस मॉडल को रूपांतरित 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

आप के साथ एक एज मॉडल प्रशिक्षित हैं AutoML बादल एपीआई या Google क्लाउड कंसोल यूआई के साथ, नियंत्रक SDK का उपयोग कर Firebase को मॉडल तैनात कर सकते हैं।

आपको मॉडल के संसाधन पहचानकर्ता को निर्दिष्ट करने की आवश्यकता होगी, जो एक स्ट्रिंग है जो निम्न उदाहरण की तरह दिखती 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 Firebase कंसोल के सेटिंग पृष्ठ या Google क्लाउड कंसोल डैशबोर्ड पर पा सकते हैं।
STORAGE_LOCATION क्लाउड स्टोरेज बकेट का संसाधन स्थान जिसमें मॉडल शामिल है। यह मान हमेशा है 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 की सूची बनाएं

आप वैकल्पिक रूप से परिणामों को फ़िल्टर करते हुए, अपने प्रोजेक्ट के मॉडल सूचीबद्ध 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:

खेत उदाहरण
display_name display_name = example_model
display_name != example_model

के साथ सभी प्रदर्शन नाम experimental_ उपसर्ग:

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

साथ फिल्टर गठबंधन AND , OR , और NOT ऑपरेटरों और कोष्ठक ( ( , ) )।

मॉडल अपडेट करें

के बाद आप अपनी परियोजना के लिए एक मॉडल जोड़ लेते हैं तो अपने प्रदर्शन नाम, टैग, और अद्यतन कर सकते हैं tflite मॉडल फ़ाइल:

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 अप्रकाशित करें या हटाएं

किसी मॉडल को अप्रकाशित करने 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 वह आपके प्रोजेक्ट में बना रहता है, लेकिन आपके ऐप्स डाउनलोड करने के लिए उपलब्ध नहीं होता है। जब आप कोई मॉडल हटाते हैं, तो वह आपके प्रोजेक्ट से पूरी तरह से हटा दिया जाता है। (मानक वर्कफ़्लो में किसी मॉडल को अप्रकाशित करने की अपेक्षा नहीं की जाती है, लेकिन आप इसका उपयोग उस नए मॉडल को तुरंत अप्रकाशित करने के लिए कर सकते हैं जिसे आपने गलती से प्रकाशित किया था और अभी तक कहीं भी इसका उपयोग नहीं किया जा रहा है, या ऐसे मामलों में जहां उपयोगकर्ताओं के लिए "खराब" डाउनलोड करना बदतर है। मॉडल की तुलना में मॉडल-नहीं-त्रुटि 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 करने की आवश्यकता होगी। उदाहरण के लिए, "face_detector" टैग किए गए सभी मॉडलों को 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);