Triển khai và quản lý các mô hình tuỳ chỉnh

Bạn có thể triển khai và quản lý mô hình tuỳ chỉnh cũng như mô hình được huấn luyện bằng AutoML bằng cách sử dụng bảng điều khiển Firebase hoặc SDK Node.js và Python Admin Python. Nếu bạn chỉ muốn triển khai một mô hình và thỉnh thoảng cập nhật mô hình đó, thì cách đơn giản nhất là sử dụng bảng điều khiển Firebase. SDK dành cho quản trị viên có thể hữu ích khi tích hợp với quy trình xây dựng, làm việc với sổ tay Colab hoặc Jupyter và các quy trình công việc khác.

Triển khai và quản lý mô hình trong bảng điều khiển Firebase

Mô hình TensorFlow Lite

Cách triển khai mô hình TensorFlow Lite bằng bảng điều khiển Firebase:

1. Mở trang Mô hình tuỳ chỉnh Firebase ML trong bảng điều khiển Firebase.
2. Nhấp vào Thêm mô hình tuỳ chỉnh (hoặc Thêm mô hình khác).
3. Chỉ định tên sẽ dùng để xác định mô hình của bạn trong dự án Firebase, sau đó tải tệp mô hình TensorFlow Lite lên (thường có đuôi .tflite hoặc .lite).

Sau khi triển khai mô hình, bạn có thể tìm thấy mô hình đó trên trang Tuỳ chỉnh. Từ đó, bạn có thể hoàn thành các thao tác như cập nhật mô hình bằng tệp mới, tải mô hình xuống và xoá mô hình khỏi dự án.

Triển khai và quản lý mô hình bằng SDK Firebase dành cho quản trị viên

Phần này cho bạn biết cách hoàn tất các tác vụ quản lý và triển khai mô hình phổ biến bằng SDK quản trị. Hãy xem tài liệu tham khảo SDK cho Python hoặc Node.js để được trợ giúp thêm.

Để biết ví dụ về cách sử dụng SDK, hãy xem mẫu bắt đầu nhanh bằng Python và mẫu bắt đầu nhanh bằng Node.js.

Trước khi bắt đầu

1. Nếu bạn chưa có dự án Firebase, hãy tạo một dự án mới trong bảng điều khiển Firebase. Sau đó, hãy mở dự án của bạn và làm như sau:

   1. Trên trang Cài đặt, hãy tạo một tài khoản dịch vụ và tải tệp khoá của tài khoản dịch vụ xuống. Hãy giữ an toàn cho tệp này vì tệp này cấp cho quản trị viên quyền truy cập vào dự án của bạn.

   2. Trên trang Bộ nhớ, hãy bật Cloud Storage. Ghi lại tên bộ chứa.

      Bạn cần có một bộ chứa Cloud Storage để tạm thời lưu trữ các tệp mô hình trong khi thêm các tệp đó vào dự án Firebase. Nếu đang dùng gói Blaze, bạn có thể tạo và sử dụng một bộ chứa khác với bộ chứa mặc định cho mục đích này.

   3. Trên trang Firebase ML, hãy nhấp vào Bắt đầu nếu bạn chưa bật Firebase ML.

2. Trong Bảng điều khiển API của Google, hãy mở dự án Firebase và bật API Firebase ML.

3. Cài đặt và khởi chạy SDK dành cho quản trị viên.

   Khi khởi chạy SDK, hãy chỉ định thông tin xác thực tài khoản dịch vụ và bộ chứa Cloud Storage mà bạn muốn sử dụng để lưu trữ các mô hình:

   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();
   

   Lưu ý: Trong các môi trường Google Cloud, bao gồm cả Cloud Functions for Firebase, SDK quản trị có thể tự động khởi chạy bằng thông tin đăng nhập tài khoản dịch vụ của bạn. Xem hướng dẫn thiết lập.

Triển khai mô hình

Tệp TensorFlow Lite

Để triển khai mô hình TensorFlow Lite từ tệp mô hình, hãy tải mô hình đó lên dự án rồi phát hành:

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);

Mô hình TensorFlow và Keras

Với SDK Python, bạn có thể chuyển đổi mô hình từ định dạng mô hình đã lưu của TensorFlow sang TensorFlow Lite và tải mô hình đó lên bộ chứa Cloud Storage chỉ bằng một bước. Sau đó, hãy triển khai tệp đó theo cách tương tự như khi bạn triển khai tệp 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)

Nếu có mô hình Keras, bạn cũng có thể chuyển đổi mô hình đó sang TensorFlow Lite và tải lên chỉ trong một bước. Bạn có thể sử dụng mô hình Keras đã lưu vào tệp 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.)
# ...

Hoặc bạn có thể chuyển đổi và tải mô hình Keras lên ngay từ tập lệnh huấn luyện:

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.)
# ...

Mô hình TensorFlow Lite của AutoML

Nếu đã huấn luyện một mô hình Edge bằng AutoML Cloud API hoặc bằng giao diện người dùng bảng điều khiển Google Cloud, bạn có thể triển khai mô hình đó cho Firebase bằng SDK dành cho quản trị viên.

Các tính năng AutoML Vision Edge của công nghệ học máy Firebase đã ngừng hoạt động. Cân nhắc sử dụng Vertex AI để tự động huấn luyện các mô hình máy học. Bạn có thể xuất dưới dạng mô hình TensorFlow Lite để sử dụng trên thiết bị hoặc triển khai để suy luận dựa trên đám mây.

Bạn sẽ cần chỉ định giá trị nhận dạng tài nguyên của mô hình. Đây là một chuỗi có dạng như ví dụ sau:

projects/PROJECT_NUMBER/locations/STORAGE_LOCATION/models/MODEL_ID

PROJECT_NUMBER	Số dự án của bộ chứa Cloud Storage chứa mô hình. Đây có thể là dự án Firebase của bạn hoặc một dự án Google Cloud khác. Bạn có thể tìm thấy giá trị này trên trang Cài đặt của bảng điều khiển Firebase hoặc trang tổng quan của bảng điều khiển Google Cloud.
STORAGE_LOCATION	Vị trí tài nguyên của bộ chứa Cloud Storage chứa mô hình. Giá trị này luôn là us-central1.
MODEL_ID	Mã nhận dạng của mô hình mà bạn nhận được từ AutoML Cloud API.

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);

Liệt kê các mô hình của dự án

Bạn có thể liệt kê các mô hình của dự án, không bắt buộc phải lọc kết quả:

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);

Bạn có thể lọc theo các trường sau:

Trường	Ví dụ
display_name	display_name = example_model display_name != example_model Tất cả tên hiển thị có tiền tố experimental_: display_name : experimental_* Xin lưu ý rằng chúng tôi chỉ hỗ trợ kiểu khớp tiền tố.
tags	tags: face_detector tags: face_detector AND tags: experimental
state.published	state.published = true state.published = false

Kết hợp các bộ lọc bằng các toán tử AND, OR và NOT và dấu ngoặc đơn ((, )).

Cập nhật mô hình

Sau khi thêm một mô hình vào dự án, bạn có thể cập nhật tên hiển thị, thẻ và tệp mô hình tflite của mô hình đó:

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);

Huỷ xuất bản hoặc xoá mô hình

Để huỷ xuất bản hoặc xoá một mô hình, hãy truyền mã mô hình đến các phương thức huỷ xuất bản hoặc xoá. Khi bạn huỷ xuất bản một mô hình, mô hình đó vẫn nằm trong dự án của bạn nhưng ứng dụng không thể tải xuống. Khi bạn xoá một mô hình, mô hình đó sẽ bị xoá hoàn toàn khỏi dự án. (Bạn không nên huỷ xuất bản mô hình trong quy trình làm việc tiêu chuẩn, nhưng bạn có thể sử dụng tính năng này để huỷ xuất bản ngay một mô hình mới mà bạn vô tình xuất bản và chưa được sử dụng ở bất kỳ đâu, hoặc trong trường hợp người dùng tải mô hình "không hợp lệ" xuống còn tệ hơn là gặp lỗi không tìm thấy mô hình.)

Nếu vẫn không có tệp tham chiếu đến đối tượng Mô hình, bạn có thể cần phải lấy mã mô hình bằng cách liệt kê các mô hình của dự án bằng một bộ lọc. Ví dụ: để xoá tất cả mô hình được gắn thẻ "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);