Esta página foi traduzida pela API Cloud Translation.

Exporte modelos do AutoML Edge

Esta página descreve como usar a Vertex AI para exportar os seus modelos do AutoML Edge para o Cloud Storage.

Para obter informações sobre a exportação de modelos tabulares, consulte o artigo Exportar um modelo tabular do AutoML.

Introdução

Depois de preparar um modelo do AutoML Edge, em alguns casos, pode exportá-lo em diferentes formatos, consoante a forma como o quer usar. Os ficheiros de modelos exportados são guardados num contentor do Cloud Storage e podem ser usados para previsão no ambiente à sua escolha.

Não pode usar um modelo de Edge no Vertex AI para publicar previsões; tem de implementar o modelo de Edge num dispositivo externo para receber previsões.

Exporte um modelo

Use os seguintes exemplos de código para identificar um modelo do AutoML Edge, especificar uma localização de armazenamento de ficheiros de saída e, em seguida, enviar o pedido de modelo de exportação.

Imagem

Selecione o separador abaixo para o seu objetivo:

Classificação

Os modelos de classificação de imagens do AutoML Edge preparados podem ser exportados nos seguintes formatos:

TF Lite: exporte o seu modelo como um pacote TF Lite para o executar em dispositivos periféricos ou móveis.
Edge TPU TF Lite: exporte o seu modelo como um pacote TF Lite para executar o modelo em dispositivos Edge TPU.
Contentor: exporte o modelo como um modelo guardado do TF para ser executado num contentor Docker.
Core ML: exporte um ficheiro .mlmodel para executar o seu modelo em dispositivos iOS e macOS.
Tensorflow.js: exporte o seu modelo como um pacote TensorFlow.js para executar o modelo no navegador e no Node.js.

Selecione o separador abaixo para o seu idioma ou ambiente:

Consola

Na Google Cloud consola, na secção Vertex AI, aceda à página Modelos.
Aceda à página Modelos
Clique no número da versão do modelo do AutoML Edge que quer exportar para abrir a respetiva página de detalhes.
Clique em Exportar.
Na janela lateral Exportar modelo, especifique a localização no Cloud Storage para armazenar o resultado da exportação do modelo do Edge.
Clique em Exportar.
Clique em Concluído para fechar a janela lateral Exportar modelo.

REST

Antes de usar qualquer um dos dados do pedido, faça as seguintes substituições:

LOCATION: a localização do seu projeto.
PROJECT: o seu ID do projeto.
MODEL_ID: o número de ID do modelo do AutoML Edge preparado que está a exportar.
EXPORT_FORMAT: o tipo de modelo do Edge que está a exportar. Para este objetivo, as opções são:
- tflite (TF Lite) – Exporte o seu modelo como um pacote TF Lite para executar o modelo em dispositivos móveis ou de vanguarda.
- edgetpu-tflite (Edge TPU TF Lite) – Exporte o seu modelo como um pacote TF Lite para executar o modelo em dispositivos Edge TPU.
- tf-saved-model (Contentor) – Exporte o seu modelo como um modelo guardado do TF para execução num contentor Docker.
- core-ml (Core ML) – Exporte um ficheiro .mlmodel para executar o seu modelo em dispositivos iOS e macOS.
- tf-js (Tensorflow.js): exporte o seu modelo como um pacote TensorFlow.js para executar o modelo no navegador e no Node.js.
OUTPUT_BUCKET: o caminho para o diretório do contentor do Cloud Storage onde quer armazenar os ficheiros do modelo do Edge.

Método HTTP e URL:

POST https://LOCATION-aiplatform.googleapis.com/v1/projects/PROJECT/locations/LOCATION/models/MODEL_ID:export

Corpo JSON do pedido:

{
  "outputConfig": {
    "exportFormatId": "EXPORT_FORMAT",
    "artifactDestination": {
      "outputUriPrefix": "gs://OUTPUT_BUCKET/"
    }
  }
}

Para enviar o seu pedido, escolha uma destas opções:

curl

Nota: O comando seguinte pressupõe que tem sessão iniciada na CLI gcloud com a sua conta de utilizador executando gcloud init ou gcloud auth login, ou usando o Cloud Shell, que inicia automaticamente sessão na CLI gcloud. Pode verificar a conta atualmente ativa executando o comando gcloud auth list.

Guarde o corpo do pedido num ficheiro com o nome request.json, e execute o seguinte comando:

curl -X POST \
     -H "Authorization: Bearer $(gcloud auth print-access-token)" \
     -H "Content-Type: application/json; charset=utf-8" \
     -d @request.json \
     "https://LOCATION-aiplatform.googleapis.com/v1/projects/PROJECT/locations/LOCATION/models/MODEL_ID:export"

PowerShell

Nota: O comando seguinte pressupõe que iniciou sessão na CLI do Google Cloud com a sua conta de utilizador executando gcloud init ou gcloud auth login .gcloud Pode verificar a conta atualmente ativa executando o comando gcloud auth list.

Guarde o corpo do pedido num ficheiro com o nome request.json, e execute o seguinte comando:

$cred = gcloud auth print-access-token
$headers = @{ "Authorization" = "Bearer $cred" }

Invoke-WebRequest `
    -Method POST `
    -Headers $headers `
    -ContentType: "application/json; charset=utf-8" `
    -InFile request.json `
    -Uri "https://LOCATION-aiplatform.googleapis.com/v1/projects/PROJECT/locations/LOCATION/models/MODEL_ID:export" | Select-Object -Expand Content

A resposta contém informações sobre as especificações, bem como o OPERATION_ID.

Resposta

{
  "name": "projects/PROJECT_NUMBER/locations/LOCATION/operations/OPERATION_ID",
  "metadata": {
    "@type": "type.googleapis.com/google.cloud.aiplatform.v1.ExportModelOperationMetadata",
    "genericMetadata": {
      "createTime": "2020-07-16T20:06:33.679353Z",
      "updateTime": "2020-07-16T20:06:33.679353Z"
    },
    "outputInfo": {
      "artifactOutputUri": "gs://OUTPUT_BUCKET/model-MODEL_ID/EXPORT_FORMAT/YYYY-MM-DDThh:mm:ss.sssZ"
    }
  }
}

Pode obter o estado da operação de exportação para ver quando termina.

Java

Antes de experimentar este exemplo, siga as Javainstruções de configuração no início rápido do Vertex AI com bibliotecas de cliente. Para mais informações, consulte a documentação de referência da API Java Vertex AI.

Para se autenticar no Vertex AI, configure as Credenciais padrão da aplicação. Para mais informações, consulte o artigo Configure a autenticação para um ambiente de desenvolvimento local.


import com.google.api.gax.longrunning.OperationFuture;
import com.google.cloud.aiplatform.v1.ExportModelOperationMetadata;
import com.google.cloud.aiplatform.v1.ExportModelRequest;
import com.google.cloud.aiplatform.v1.ExportModelResponse;
import com.google.cloud.aiplatform.v1.GcsDestination;
import com.google.cloud.aiplatform.v1.ModelName;
import com.google.cloud.aiplatform.v1.ModelServiceClient;
import com.google.cloud.aiplatform.v1.ModelServiceSettings;
import java.io.IOException;
import java.util.concurrent.ExecutionException;
import java.util.concurrent.TimeUnit;
import java.util.concurrent.TimeoutException;

public class ExportModelSample {

  public static void main(String[] args)
      throws IOException, InterruptedException, ExecutionException, TimeoutException {
    // TODO(developer): Replace these variables before running the sample.
    String project = "YOUR_PROJECT_ID";
    String modelId = "YOUR_MODEL_ID";
    String gcsDestinationOutputUriPrefix = "gs://YOUR_GCS_SOURCE_BUCKET/path_to_your_destination/";
    String exportFormat = "YOUR_EXPORT_FORMAT";
    exportModelSample(project, modelId, gcsDestinationOutputUriPrefix, exportFormat);
  }

  static void exportModelSample(
      String project, String modelId, String gcsDestinationOutputUriPrefix, String exportFormat)
      throws IOException, InterruptedException, ExecutionException, TimeoutException {
    ModelServiceSettings modelServiceSettings =
        ModelServiceSettings.newBuilder()
            .setEndpoint("us-central1-aiplatform.googleapis.com:443")
            .build();

    // Initialize client that will be used to send requests. This client only needs to be created
    // once, and can be reused for multiple requests. After completing all of your requests, call
    // the "close" method on the client to safely clean up any remaining background resources.
    try (ModelServiceClient modelServiceClient = ModelServiceClient.create(modelServiceSettings)) {
      String location = "us-central1";
      GcsDestination.Builder gcsDestination = GcsDestination.newBuilder();
      gcsDestination.setOutputUriPrefix(gcsDestinationOutputUriPrefix);

      ModelName modelName = ModelName.of(project, location, modelId);
      ExportModelRequest.OutputConfig outputConfig =
          ExportModelRequest.OutputConfig.newBuilder()
              .setExportFormatId(exportFormat)
              .setArtifactDestination(gcsDestination)
              .build();

      OperationFuture<ExportModelResponse, ExportModelOperationMetadata> exportModelResponseFuture =
          modelServiceClient.exportModelAsync(modelName, outputConfig);
      System.out.format(
          "Operation name: %s\n", exportModelResponseFuture.getInitialFuture().get().getName());
      System.out.println("Waiting for operation to finish...");
      ExportModelResponse exportModelResponse =
          exportModelResponseFuture.get(300, TimeUnit.SECONDS);

      System.out.format("Export Model Response: %s\n", exportModelResponse);
    }
  }
}

Node.js

Antes de experimentar este exemplo, siga as Node.jsinstruções de configuração no início rápido do Vertex AI com bibliotecas de cliente. Para mais informações, consulte a documentação de referência da API Node.js Vertex AI.

Para se autenticar no Vertex AI, configure as Credenciais padrão da aplicação. Para mais informações, consulte o artigo Configure a autenticação para um ambiente de desenvolvimento local.

/**
 * TODO(developer): Uncomment these variables before running the sample.\
   (Not necessary if passing values as arguments)
 */

// const modelId = 'YOUR_MODEL_ID';
// const gcsDestinationOutputUriPrefix ='YOUR_GCS_DEST_OUTPUT_URI_PREFIX';
//    eg. "gs://<your-gcs-bucket>/destination_path"
// const exportFormat = 'YOUR_EXPORT_FORMAT';
// const project = 'YOUR_PROJECT_ID';
// const location = 'YOUR_PROJECT_LOCATION';

// Imports the Google Cloud Model Service Client library
const {ModelServiceClient} = require('@google-cloud/aiplatform');

// Specifies the location of the api endpoint
const clientOptions = {
  apiEndpoint: 'us-central1-aiplatform.googleapis.com',
};

// Instantiates a client
const modelServiceClient = new ModelServiceClient(clientOptions);

async function exportModel() {
  // Configure the name resources
  const name = `projects/${project}/locations/${location}/models/${modelId}`;
  // Configure the outputConfig resources
  const outputConfig = {
    exportFormatId: exportFormat,
    gcsDestination: {
      outputUriPrefix: gcsDestinationOutputUriPrefix,
    },
  };
  const request = {
    name,
    outputConfig,
  };

  // Export Model request
  const [response] = await modelServiceClient.exportModel(request);
  console.log(`Long running operation : ${response.name}`);

  // Wait for operation to complete
  await response.promise();
  const result = response.result;

  console.log(`Export model response : ${JSON.stringify(result)}`);
}
exportModel();

Python

Para saber como instalar ou atualizar o SDK Vertex AI para Python, consulte o artigo Instale o SDK Vertex AI para Python. Para mais informações, consulte a Python documentação de referência da API.

from google.cloud import aiplatform


def export_model_sample(
    project: str,
    model_id: str,
    gcs_destination_output_uri_prefix: str,
    location: str = "us-central1",
    api_endpoint: str = "us-central1-aiplatform.googleapis.com",
    timeout: int = 300,
):
    # The AI Platform services require regional API endpoints.
    client_options = {"api_endpoint": api_endpoint}
    # Initialize client that will be used to create and send requests.
    # This client only needs to be created once, and can be reused for multiple requests.
    client = aiplatform.gapic.ModelServiceClient(client_options=client_options)
    output_config = {
        "artifact_destination": {
            "output_uri_prefix": gcs_destination_output_uri_prefix
        },
        # For information about export formats: https://cloud.google.com/ai-platform-unified/docs/export/export-edge-model#aiplatform_export_model_sample-drest
        "export_format_id": "tf-saved-model",
    }
    name = client.model_path(project=project, location=location, model=model_id)
    response = client.export_model(name=name, output_config=output_config)
    print("Long running operation:", response.operation.name)
    print("output_info:", response.metadata.output_info)
    export_model_response = response.result(timeout=timeout)
    print("export_model_response:", export_model_response)

Classificação

Os modelos de classificação de imagens do AutoML Edge preparados podem ser exportados nos seguintes formatos:

TF Lite: exporte o seu modelo como um pacote TF Lite para o executar em dispositivos periféricos ou móveis.
Edge TPU TF Lite: exporte o seu modelo como um pacote TF Lite para executar o modelo em dispositivos Edge TPU.
Contentor: exporte o modelo como um modelo guardado do TF para ser executado num contentor Docker.
Core ML: exporte um ficheiro .mlmodel para executar o seu modelo em dispositivos iOS e macOS.
Tensorflow.js: exporte o seu modelo como um pacote TensorFlow.js para executar o modelo no navegador e no Node.js.

Selecione o separador abaixo para o seu idioma ou ambiente:

Consola

Na Google Cloud consola, na secção Vertex AI, aceda à página Modelos.
Aceda à página Modelos
Clique no número da versão do modelo do AutoML Edge que quer exportar para abrir a respetiva página de detalhes.
Clique em Exportar.
Na janela lateral Exportar modelo, especifique a localização no Cloud Storage para armazenar o resultado da exportação do modelo do Edge.
Clique em Exportar.
Clique em Concluído para fechar a janela lateral Exportar modelo.

REST

Antes de usar qualquer um dos dados do pedido, faça as seguintes substituições:

LOCATION: a localização do seu projeto.
PROJECT: o seu ID do projeto.
MODEL_ID: o número de ID do modelo do AutoML Edge preparado que está a exportar.
EXPORT_FORMAT: o tipo de modelo do Edge que está a exportar. Para este objetivo, as opções são:
- tflite (TF Lite) – Exporte o seu modelo como um pacote TF Lite para executar o modelo em dispositivos móveis ou de vanguarda.
- edgetpu-tflite (Edge TPU TF Lite) – Exporte o seu modelo como um pacote TF Lite para executar o modelo em dispositivos Edge TPU.
- tf-saved-model (Contentor) – Exporte o seu modelo como um modelo guardado do TF para execução num contentor Docker.
- core-ml (Core ML) – Exporte um ficheiro .mlmodel para executar o seu modelo em dispositivos iOS e macOS.
- tf-js (Tensorflow.js): exporte o seu modelo como um pacote TensorFlow.js para executar o modelo no navegador e no Node.js.
OUTPUT_BUCKET: o caminho para o diretório do contentor do Cloud Storage onde quer armazenar os ficheiros do modelo do Edge.

Método HTTP e URL:

POST https://LOCATION-aiplatform.googleapis.com/v1/projects/PROJECT/locations/LOCATION/models/MODEL_ID:export

Corpo JSON do pedido:

{
  "outputConfig": {
    "exportFormatId": "EXPORT_FORMAT",
    "artifactDestination": {
      "outputUriPrefix": "gs://OUTPUT_BUCKET/"
    }
  }
}

Para enviar o seu pedido, escolha uma destas opções:

curl

Guarde o corpo do pedido num ficheiro com o nome request.json, e execute o seguinte comando:

curl -X POST \
     -H "Authorization: Bearer $(gcloud auth print-access-token)" \
     -H "Content-Type: application/json; charset=utf-8" \
     -d @request.json \
     "https://LOCATION-aiplatform.googleapis.com/v1/projects/PROJECT/locations/LOCATION/models/MODEL_ID:export"

PowerShell

Guarde o corpo do pedido num ficheiro com o nome request.json, e execute o seguinte comando:

$cred = gcloud auth print-access-token
$headers = @{ "Authorization" = "Bearer $cred" }

Invoke-WebRequest `
    -Method POST `
    -Headers $headers `
    -ContentType: "application/json; charset=utf-8" `
    -InFile request.json `
    -Uri "https://LOCATION-aiplatform.googleapis.com/v1/projects/PROJECT/locations/LOCATION/models/MODEL_ID:export" | Select-Object -Expand Content

A resposta contém informações sobre as especificações, bem como o OPERATION_ID.

Resposta

{
  "name": "projects/PROJECT_NUMBER/locations/LOCATION/operations/OPERATION_ID",
  "metadata": {
    "@type": "type.googleapis.com/google.cloud.aiplatform.v1.ExportModelOperationMetadata",
    "genericMetadata": {
      "createTime": "2020-07-16T20:06:33.679353Z",
      "updateTime": "2020-07-16T20:06:33.679353Z"
    },
    "outputInfo": {
      "artifactOutputUri": "gs://OUTPUT_BUCKET/model-MODEL_ID/EXPORT_FORMAT/YYYY-MM-DDThh:mm:ss.sssZ"
    }
  }
}

Pode obter o estado da operação de exportação para ver quando termina.

Java

Para se autenticar no Vertex AI, configure as Credenciais padrão da aplicação. Para mais informações, consulte o artigo Configure a autenticação para um ambiente de desenvolvimento local.


import com.google.api.gax.longrunning.OperationFuture;
import com.google.cloud.aiplatform.v1.ExportModelOperationMetadata;
import com.google.cloud.aiplatform.v1.ExportModelRequest;
import com.google.cloud.aiplatform.v1.ExportModelResponse;
import com.google.cloud.aiplatform.v1.GcsDestination;
import com.google.cloud.aiplatform.v1.ModelName;
import com.google.cloud.aiplatform.v1.ModelServiceClient;
import com.google.cloud.aiplatform.v1.ModelServiceSettings;
import java.io.IOException;
import java.util.concurrent.ExecutionException;
import java.util.concurrent.TimeUnit;
import java.util.concurrent.TimeoutException;

public class ExportModelSample {

  public static void main(String[] args)
      throws IOException, InterruptedException, ExecutionException, TimeoutException {
    // TODO(developer): Replace these variables before running the sample.
    String project = "YOUR_PROJECT_ID";
    String modelId = "YOUR_MODEL_ID";
    String gcsDestinationOutputUriPrefix = "gs://YOUR_GCS_SOURCE_BUCKET/path_to_your_destination/";
    String exportFormat = "YOUR_EXPORT_FORMAT";
    exportModelSample(project, modelId, gcsDestinationOutputUriPrefix, exportFormat);
  }

  static void exportModelSample(
      String project, String modelId, String gcsDestinationOutputUriPrefix, String exportFormat)
      throws IOException, InterruptedException, ExecutionException, TimeoutException {
    ModelServiceSettings modelServiceSettings =
        ModelServiceSettings.newBuilder()
            .setEndpoint("us-central1-aiplatform.googleapis.com:443")
            .build();

    // Initialize client that will be used to send requests. This client only needs to be created
    // once, and can be reused for multiple requests. After completing all of your requests, call
    // the "close" method on the client to safely clean up any remaining background resources.
    try (ModelServiceClient modelServiceClient = ModelServiceClient.create(modelServiceSettings)) {
      String location = "us-central1";
      GcsDestination.Builder gcsDestination = GcsDestination.newBuilder();
      gcsDestination.setOutputUriPrefix(gcsDestinationOutputUriPrefix);

      ModelName modelName = ModelName.of(project, location, modelId);
      ExportModelRequest.OutputConfig outputConfig =
          ExportModelRequest.OutputConfig.newBuilder()
              .setExportFormatId(exportFormat)
              .setArtifactDestination(gcsDestination)
              .build();

      OperationFuture<ExportModelResponse, ExportModelOperationMetadata> exportModelResponseFuture =
          modelServiceClient.exportModelAsync(modelName, outputConfig);
      System.out.format(
          "Operation name: %s\n", exportModelResponseFuture.getInitialFuture().get().getName());
      System.out.println("Waiting for operation to finish...");
      ExportModelResponse exportModelResponse =
          exportModelResponseFuture.get(300, TimeUnit.SECONDS);

      System.out.format("Export Model Response: %s\n", exportModelResponse);
    }
  }
}

Node.js

Para se autenticar no Vertex AI, configure as Credenciais padrão da aplicação. Para mais informações, consulte o artigo Configure a autenticação para um ambiente de desenvolvimento local.

/**
 * TODO(developer): Uncomment these variables before running the sample.\
   (Not necessary if passing values as arguments)
 */

// const modelId = 'YOUR_MODEL_ID';
// const gcsDestinationOutputUriPrefix ='YOUR_GCS_DEST_OUTPUT_URI_PREFIX';
//    eg. "gs://<your-gcs-bucket>/destination_path"
// const exportFormat = 'YOUR_EXPORT_FORMAT';
// const project = 'YOUR_PROJECT_ID';
// const location = 'YOUR_PROJECT_LOCATION';

// Imports the Google Cloud Model Service Client library
const {ModelServiceClient} = require('@google-cloud/aiplatform');

// Specifies the location of the api endpoint
const clientOptions = {
  apiEndpoint: 'us-central1-aiplatform.googleapis.com',
};

// Instantiates a client
const modelServiceClient = new ModelServiceClient(clientOptions);

async function exportModel() {
  // Configure the name resources
  const name = `projects/${project}/locations/${location}/models/${modelId}`;
  // Configure the outputConfig resources
  const outputConfig = {
    exportFormatId: exportFormat,
    gcsDestination: {
      outputUriPrefix: gcsDestinationOutputUriPrefix,
    },
  };
  const request = {
    name,
    outputConfig,
  };

  // Export Model request
  const [response] = await modelServiceClient.exportModel(request);
  console.log(`Long running operation : ${response.name}`);

  // Wait for operation to complete
  await response.promise();
  const result = response.result;

  console.log(`Export model response : ${JSON.stringify(result)}`);
}
exportModel();

Python

from google.cloud import aiplatform


def export_model_sample(
    project: str,
    model_id: str,
    gcs_destination_output_uri_prefix: str,
    location: str = "us-central1",
    api_endpoint: str = "us-central1-aiplatform.googleapis.com",
    timeout: int = 300,
):
    # The AI Platform services require regional API endpoints.
    client_options = {"api_endpoint": api_endpoint}
    # Initialize client that will be used to create and send requests.
    # This client only needs to be created once, and can be reused for multiple requests.
    client = aiplatform.gapic.ModelServiceClient(client_options=client_options)
    output_config = {
        "artifact_destination": {
            "output_uri_prefix": gcs_destination_output_uri_prefix
        },
        # For information about export formats: https://cloud.google.com/ai-platform-unified/docs/export/export-edge-model#aiplatform_export_model_sample-drest
        "export_format_id": "tf-saved-model",
    }
    name = client.model_path(project=project, location=location, model=model_id)
    response = client.export_model(name=name, output_config=output_config)
    print("Long running operation:", response.operation.name)
    print("output_info:", response.metadata.output_info)
    export_model_response = response.result(timeout=timeout)
    print("export_model_response:", export_model_response)

Deteção de objetos

Os modelos de deteção de objetos de imagem do AutoML Edge preparados podem ser exportados nos seguintes formatos:

TF Lite: exporte o seu modelo como um pacote TF Lite para o executar em dispositivos periféricos ou móveis.
Contentor: exporte o modelo como um modelo guardado do TF para ser executado num contentor Docker.
Tensorflow.js: exporte o seu modelo como um pacote TensorFlow.js para executar o modelo no navegador e no Node.js.

Selecione o separador abaixo para o seu idioma ou ambiente:

Consola

Na Google Cloud consola, na secção Vertex AI, aceda à página Modelos.
Aceda à página Modelos
Clique no número da versão do modelo do AutoML Edge que quer exportar para abrir a respetiva página de detalhes.
Selecione o separador Implementar e testar para ver os formatos de exportação disponíveis.
Selecione o formato do modelo de exportação pretendido na secção Use o seu modelo otimizado para a periferia.
Na janela lateral Exportar modelo, especifique a localização no Cloud Storage para armazenar o resultado da exportação do modelo do Edge.
Clique em Exportar.
Clique em Concluído para fechar a janela lateral Exportar modelo.

REST

Antes de usar qualquer um dos dados do pedido, faça as seguintes substituições:

LOCATION: a localização do seu projeto.
PROJECT: .
MODEL_ID: o número de ID do modelo do AutoML Edge preparado que está a exportar.
EXPORT_FORMAT: o tipo de modelo do Edge que está a exportar. Para este objetivo, as opções são:
- tflite (TF Lite) – Exporte o seu modelo como um pacote TF Lite para executar o modelo em dispositivos móveis ou de vanguarda.
- tf-saved-model (Contentor) – Exporte o seu modelo como um modelo guardado do TF para execução num contentor Docker.
- tf-js (Tensorflow.js): exporte o seu modelo como um pacote TensorFlow.js para executar o modelo no navegador e no Node.js.
OUTPUT_BUCKET: o caminho para o diretório do contentor do Cloud Storage onde quer armazenar os ficheiros do modelo do Edge.

Método HTTP e URL:

POST https://LOCATION-aiplatform.googleapis.com/v1/projects/PROJECT/locations/LOCATION/models/MODEL_ID:export

Corpo JSON do pedido:

{
  "outputConfig": {
    "exportFormatId": "EXPORT_FORMAT",
    "artifactDestination": {
      "outputUriPrefix": "gs://OUTPUT_BUCKET/"
    }
  }
}

Para enviar o seu pedido, escolha uma destas opções:

curl

Guarde o corpo do pedido num ficheiro com o nome request.json, e execute o seguinte comando:

curl -X POST \
     -H "Authorization: Bearer $(gcloud auth print-access-token)" \
     -H "Content-Type: application/json; charset=utf-8" \
     -d @request.json \
     "https://LOCATION-aiplatform.googleapis.com/v1/projects/PROJECT/locations/LOCATION/models/MODEL_ID:export"

PowerShell

Guarde o corpo do pedido num ficheiro com o nome request.json, e execute o seguinte comando:

$cred = gcloud auth print-access-token
$headers = @{ "Authorization" = "Bearer $cred" }

Invoke-WebRequest `
    -Method POST `
    -Headers $headers `
    -ContentType: "application/json; charset=utf-8" `
    -InFile request.json `
    -Uri "https://LOCATION-aiplatform.googleapis.com/v1/projects/PROJECT/locations/LOCATION/models/MODEL_ID:export" | Select-Object -Expand Content

A resposta contém informações sobre as especificações, bem como o OPERATION_ID.

Resposta

{
  "name": "projects/PROJECT_NUMBER/locations/LOCATION/operations/OPERATION_ID",
  "metadata": {
    "@type": "type.googleapis.com/google.cloud.aiplatform.v1.ExportModelOperationMetadata",
    "genericMetadata": {
      "createTime": "2020-07-16T20:06:33.679353Z",
      "updateTime": "2020-07-16T20:06:33.679353Z"
    },
    "outputInfo": {
      "artifactOutputUri": "gs://OUTPUT_BUCKET/model-MODEL_ID/EXPORT_FORMAT/YYYY-MM-DDThh:mm:ss.sssZ"
    }
  }
}

Pode obter o estado da operação de exportação para ver quando termina.

Java

Para se autenticar no Vertex AI, configure as Credenciais padrão da aplicação. Para mais informações, consulte o artigo Configure a autenticação para um ambiente de desenvolvimento local.


import com.google.api.gax.longrunning.OperationFuture;
import com.google.cloud.aiplatform.v1.ExportModelOperationMetadata;
import com.google.cloud.aiplatform.v1.ExportModelRequest;
import com.google.cloud.aiplatform.v1.ExportModelResponse;
import com.google.cloud.aiplatform.v1.GcsDestination;
import com.google.cloud.aiplatform.v1.ModelName;
import com.google.cloud.aiplatform.v1.ModelServiceClient;
import com.google.cloud.aiplatform.v1.ModelServiceSettings;
import java.io.IOException;
import java.util.concurrent.ExecutionException;
import java.util.concurrent.TimeUnit;
import java.util.concurrent.TimeoutException;

public class ExportModelSample {

  public static void main(String[] args)
      throws IOException, InterruptedException, ExecutionException, TimeoutException {
    // TODO(developer): Replace these variables before running the sample.
    String project = "YOUR_PROJECT_ID";
    String modelId = "YOUR_MODEL_ID";
    String gcsDestinationOutputUriPrefix = "gs://YOUR_GCS_SOURCE_BUCKET/path_to_your_destination/";
    String exportFormat = "YOUR_EXPORT_FORMAT";
    exportModelSample(project, modelId, gcsDestinationOutputUriPrefix, exportFormat);
  }

  static void exportModelSample(
      String project, String modelId, String gcsDestinationOutputUriPrefix, String exportFormat)
      throws IOException, InterruptedException, ExecutionException, TimeoutException {
    ModelServiceSettings modelServiceSettings =
        ModelServiceSettings.newBuilder()
            .setEndpoint("us-central1-aiplatform.googleapis.com:443")
            .build();

    // Initialize client that will be used to send requests. This client only needs to be created
    // once, and can be reused for multiple requests. After completing all of your requests, call
    // the "close" method on the client to safely clean up any remaining background resources.
    try (ModelServiceClient modelServiceClient = ModelServiceClient.create(modelServiceSettings)) {
      String location = "us-central1";
      GcsDestination.Builder gcsDestination = GcsDestination.newBuilder();
      gcsDestination.setOutputUriPrefix(gcsDestinationOutputUriPrefix);

      ModelName modelName = ModelName.of(project, location, modelId);
      ExportModelRequest.OutputConfig outputConfig =
          ExportModelRequest.OutputConfig.newBuilder()
              .setExportFormatId(exportFormat)
              .setArtifactDestination(gcsDestination)
              .build();

      OperationFuture<ExportModelResponse, ExportModelOperationMetadata> exportModelResponseFuture =
          modelServiceClient.exportModelAsync(modelName, outputConfig);
      System.out.format(
          "Operation name: %s\n", exportModelResponseFuture.getInitialFuture().get().getName());
      System.out.println("Waiting for operation to finish...");
      ExportModelResponse exportModelResponse =
          exportModelResponseFuture.get(300, TimeUnit.SECONDS);

      System.out.format("Export Model Response: %s\n", exportModelResponse);
    }
  }
}

Node.js

Para se autenticar no Vertex AI, configure as Credenciais padrão da aplicação. Para mais informações, consulte o artigo Configure a autenticação para um ambiente de desenvolvimento local.

/**
 * TODO(developer): Uncomment these variables before running the sample.\
   (Not necessary if passing values as arguments)
 */

// const modelId = 'YOUR_MODEL_ID';
// const gcsDestinationOutputUriPrefix ='YOUR_GCS_DEST_OUTPUT_URI_PREFIX';
//    eg. "gs://<your-gcs-bucket>/destination_path"
// const exportFormat = 'YOUR_EXPORT_FORMAT';
// const project = 'YOUR_PROJECT_ID';
// const location = 'YOUR_PROJECT_LOCATION';

// Imports the Google Cloud Model Service Client library
const {ModelServiceClient} = require('@google-cloud/aiplatform');

// Specifies the location of the api endpoint
const clientOptions = {
  apiEndpoint: 'us-central1-aiplatform.googleapis.com',
};

// Instantiates a client
const modelServiceClient = new ModelServiceClient(clientOptions);

async function exportModel() {
  // Configure the name resources
  const name = `projects/${project}/locations/${location}/models/${modelId}`;
  // Configure the outputConfig resources
  const outputConfig = {
    exportFormatId: exportFormat,
    gcsDestination: {
      outputUriPrefix: gcsDestinationOutputUriPrefix,
    },
  };
  const request = {
    name,
    outputConfig,
  };

  // Export Model request
  const [response] = await modelServiceClient.exportModel(request);
  console.log(`Long running operation : ${response.name}`);

  // Wait for operation to complete
  await response.promise();
  const result = response.result;

  console.log(`Export model response : ${JSON.stringify(result)}`);
}
exportModel();

Python

from google.cloud import aiplatform


def export_model_sample(
    project: str,
    model_id: str,
    gcs_destination_output_uri_prefix: str,
    location: str = "us-central1",
    api_endpoint: str = "us-central1-aiplatform.googleapis.com",
    timeout: int = 300,
):
    # The AI Platform services require regional API endpoints.
    client_options = {"api_endpoint": api_endpoint}
    # Initialize client that will be used to create and send requests.
    # This client only needs to be created once, and can be reused for multiple requests.
    client = aiplatform.gapic.ModelServiceClient(client_options=client_options)
    output_config = {
        "artifact_destination": {
            "output_uri_prefix": gcs_destination_output_uri_prefix
        },
        # For information about export formats: https://cloud.google.com/ai-platform-unified/docs/export/export-edge-model#aiplatform_export_model_sample-drest
        "export_format_id": "tf-saved-model",
    }
    name = client.model_path(project=project, location=location, model=model_id)
    response = client.export_model(name=name, output_config=output_config)
    print("Long running operation:", response.operation.name)
    print("output_info:", response.metadata.output_info)
    export_model_response = response.result(timeout=timeout)
    print("export_model_response:", export_model_response)

Vídeo

Selecione o separador abaixo para o seu objetivo:

Reconhecimento de ações

Os modelos de reconhecimento de ações de vídeo do AutoML Edge preparados podem ser exportados no formato de modelo guardado.

Selecione o separador abaixo para o seu idioma ou ambiente:

Consola

Na Google Cloud consola, na secção Vertex AI, aceda à página Modelos.
Aceda à página Modelos
Clique no número da versão do modelo do AutoML Edge que quer exportar para abrir a respetiva página de detalhes.
Clique em Exportar.
Na janela lateral Exportar modelo, especifique a localização no Cloud Storage para armazenar o resultado da exportação do modelo do Edge.
Clique em Exportar.
Clique em Concluído para fechar a janela lateral Exportar modelo.

REST

Antes de usar qualquer um dos dados do pedido, faça as seguintes substituições:

LOCATION: região onde o modelo está armazenado. Por exemplo, us-central1.
MODEL_ID: o número de ID do modelo do AutoML Edge preparado que está a exportar.
EXPORT_FORMAT: o tipo de modelo do Edge que está a exportar. Para o reconhecimento de ações de vídeo, a opção de modelo é:
- tf-saved-model (Contentor) – Exporte o seu modelo como um modelo guardado do TF para execução num contentor Docker.
OUTPUT_BUCKET: o caminho para o diretório do contentor do Cloud Storage onde quer armazenar os ficheiros do modelo do Edge.
PROJECT_NUMBER: o número do projeto gerado automaticamente para o seu projeto.

Método HTTP e URL:

POST https://LOCATION-aiplatform.googleapis.com/v1/projects/PROJECT_NUMBER/locations/LOCATION/models/MODEL_ID:export

Corpo JSON do pedido:

{
  "outputConfig": {
    "exportFormatId": "EXPORT_FORMAT",
    "artifactDestination": {
    "outputUriPrefix": "gs://OUTPUT_BUCKET/"
    }
  }
}

Para enviar o seu pedido, escolha uma destas opções:

curl

Guarde o corpo do pedido num ficheiro com o nome request.json, e execute o seguinte comando:

curl -X POST \
     -H "Authorization: Bearer $(gcloud auth print-access-token)" \
     -H "Content-Type: application/json; charset=utf-8" \
     -d @request.json \
     "https://LOCATION-aiplatform.googleapis.com/v1/projects/PROJECT_NUMBER/locations/LOCATION/models/MODEL_ID:export"

PowerShell

Guarde o corpo do pedido num ficheiro com o nome request.json, e execute o seguinte comando:

$cred = gcloud auth print-access-token
$headers = @{ "Authorization" = "Bearer $cred" }

Invoke-WebRequest `
    -Method POST `
    -Headers $headers `
    -ContentType: "application/json; charset=utf-8" `
    -InFile request.json `
    -Uri "https://LOCATION-aiplatform.googleapis.com/v1/projects/PROJECT_NUMBER/locations/LOCATION/models/MODEL_ID:export" | Select-Object -Expand Content

A resposta contém informações sobre as especificações, bem como o OPERATION_ID.

Resposta

{
  "name": "projects/PROJECT_NUMBER/locations/LOCATION/models/MODEL_ID/operations/OPERATION_ID",
  "metadata": {
    "@type": "type.googleapis.com/google.cloud.aiplatform.v1.ExportModelOperationMetadata",
    "genericMetadata": {
      "createTime": "2020-10-12T20:53:40.130785Z",
      "updateTime": "2020-10-12T20:53:40.130785Z"
    },
    "outputInfo": {
      "artifactOutputUri": "gs://OUTPUT_BUCKET/model-MODEL_ID/EXPORT_FORMAT/YYYY-MM-DDThh:mm:ss.sssZ"
    }
  }
}

Pode obter o estado da operação de exportação para ver quando termina.

Java

Para se autenticar no Vertex AI, configure as Credenciais padrão da aplicação. Para mais informações, consulte o artigo Configure a autenticação para um ambiente de desenvolvimento local.

import com.google.api.gax.longrunning.OperationFuture;
import com.google.cloud.aiplatform.v1.ExportModelOperationMetadata;
import com.google.cloud.aiplatform.v1.ExportModelRequest;
import com.google.cloud.aiplatform.v1.ExportModelResponse;
import com.google.cloud.aiplatform.v1.GcsDestination;
import com.google.cloud.aiplatform.v1.ModelName;
import com.google.cloud.aiplatform.v1.ModelServiceClient;
import com.google.cloud.aiplatform.v1.ModelServiceSettings;
import java.io.IOException;
import java.util.concurrent.ExecutionException;

public class ExportModelVideoActionRecognitionSample {

  public static void main(String[] args)
      throws IOException, ExecutionException, InterruptedException {
    // TODO(developer): Replace these variables before running the sample.
    String project = "PROJECT";
    String modelId = "MODEL_ID";
    String gcsDestinationOutputUriPrefix = "GCS_DESTINATION_OUTPUT_URI_PREFIX";
    String exportFormat = "EXPORT_FORMAT";
    exportModelVideoActionRecognitionSample(
        project, modelId, gcsDestinationOutputUriPrefix, exportFormat);
  }

  static void exportModelVideoActionRecognitionSample(
      String project, String modelId, String gcsDestinationOutputUriPrefix, String exportFormat)
      throws IOException, ExecutionException, InterruptedException {
    ModelServiceSettings settings =
        ModelServiceSettings.newBuilder()
            .setEndpoint("us-central1-aiplatform.googleapis.com:443")
            .build();
    String location = "us-central1";

    // Initialize client that will be used to send requests. This client only needs to be created
    // once, and can be reused for multiple requests. After completing all of your requests, call
    // the "close" method on the client to safely clean up any remaining background resources.
    try (ModelServiceClient client = ModelServiceClient.create(settings)) {
      GcsDestination gcsDestination =
          GcsDestination.newBuilder().setOutputUriPrefix(gcsDestinationOutputUriPrefix).build();
      ExportModelRequest.OutputConfig outputConfig =
          ExportModelRequest.OutputConfig.newBuilder()
              .setArtifactDestination(gcsDestination)
              .setExportFormatId(exportFormat)
              .build();
      ModelName name = ModelName.of(project, location, modelId);
      OperationFuture<ExportModelResponse, ExportModelOperationMetadata> response =
          client.exportModelAsync(name, outputConfig);

      // You can use OperationFuture.getInitialFuture to get a future representing the initial
      // response to the request, which contains information while the operation is in progress.
      System.out.format("Operation name: %s\n", response.getInitialFuture().get().getName());

      // OperationFuture.get() will block until the operation is finished.
      ExportModelResponse exportModelResponse = response.get();
      System.out.format("exportModelResponse: %s\n", exportModelResponse);
    }
  }
}

Python

from google.cloud import aiplatform


def export_model_video_action_recognition_sample(
    project: str,
    model_id: str,
    gcs_destination_output_uri_prefix: str,
    export_format: str,
    location: str = "us-central1",
    api_endpoint: str = "us-central1-aiplatform.googleapis.com",
    timeout: int = 300,
):
    # The AI Platform services require regional API endpoints.
    client_options = {"api_endpoint": api_endpoint}
    # Initialize client that will be used to create and send requests.
    # This client only needs to be created once, and can be reused for multiple requests.
    client = aiplatform.gapic.ModelServiceClient(client_options=client_options)
    gcs_destination = {"output_uri_prefix": gcs_destination_output_uri_prefix}
    output_config = {
        "artifact_destination": gcs_destination,
        "export_format_id": export_format,
    }
    name = client.model_path(project=project, location=location, model=model_id)
    response = client.export_model(name=name, output_config=output_config)
    print("Long running operation:", response.operation.name)
    print("output_info:", response.metadata.output_info)
    export_model_response = response.result(timeout=timeout)
    print("export_model_response:", export_model_response)

Classificação

Os modelos de classificação de vídeo do AutoML Edge preparados só podem ser exportados no formato de modelo guardado.

Selecione o separador abaixo para o seu idioma ou ambiente:

Consola

Na Google Cloud consola, na secção Vertex AI, aceda à página Modelos.
Aceda à página Modelos
Clique no número da versão do modelo do AutoML Edge que quer exportar para abrir a respetiva página de detalhes.
Clique em Exportar.
Na janela lateral Exportar modelo, especifique a localização no Cloud Storage para armazenar o resultado da exportação do modelo do Edge.
Clique em Exportar.
Clique em Concluído para fechar a janela lateral Exportar modelo.

REST

Antes de usar qualquer um dos dados do pedido, faça as seguintes substituições:

LOCATION: região onde o modelo está armazenado. Por exemplo, us-central1.
MODEL_ID: o número de ID do modelo do AutoML Edge preparado que está a exportar.
EXPORT_FORMAT: o tipo de modelo do Edge que está a exportar. Para a classificação de vídeos, a opção de modelo é:
- tf-saved-model (Contentor) – Exporte o seu modelo como um modelo guardado do TF para execução num contentor Docker.
OUTPUT_BUCKET: o caminho para o diretório do contentor do Cloud Storage onde quer armazenar os ficheiros do modelo do Edge.
PROJECT_NUMBER: o número do projeto gerado automaticamente para o seu projeto.

Método HTTP e URL:

POST https://LOCATION-aiplatform.googleapis.com/v1/projects/PROJECT_NUMBER/locations/LOCATION/models/MODEL_ID:export

Corpo JSON do pedido:

{
  "outputConfig": {
    "exportFormatId": "EXPORT_FORMAT",
    "artifactDestination": {
    "outputUriPrefix": "gs://OUTPUT_BUCKET/"
    }
  }
}

Para enviar o seu pedido, escolha uma destas opções:

curl

Guarde o corpo do pedido num ficheiro com o nome request.json, e execute o seguinte comando:

curl -X POST \
     -H "Authorization: Bearer $(gcloud auth print-access-token)" \
     -H "Content-Type: application/json; charset=utf-8" \
     -d @request.json \
     "https://LOCATION-aiplatform.googleapis.com/v1/projects/PROJECT_NUMBER/locations/LOCATION/models/MODEL_ID:export"

PowerShell

Guarde o corpo do pedido num ficheiro com o nome request.json, e execute o seguinte comando:

$cred = gcloud auth print-access-token
$headers = @{ "Authorization" = "Bearer $cred" }

Invoke-WebRequest `
    -Method POST `
    -Headers $headers `
    -ContentType: "application/json; charset=utf-8" `
    -InFile request.json `
    -Uri "https://LOCATION-aiplatform.googleapis.com/v1/projects/PROJECT_NUMBER/locations/LOCATION/models/MODEL_ID:export" | Select-Object -Expand Content

A resposta contém informações sobre as especificações, bem como o OPERATION_ID.

{
  "name": "projects/PROJECT_NUMBER/locations/LOCATION/models/MODEL_ID/operations/OPERATION_ID",
  "metadata": {
    "@type": "type.googleapis.com/google.cloud.aiplatform.v1.ExportModelOperationMetadata",
    "genericMetadata": {
      "createTime": "2020-10-12T20:53:40.130785Z",
      "updateTime": "2020-10-12T20:53:40.130785Z"
    },
    "outputInfo": {
      "artifactOutputUri": "gs://OUTPUT_BUCKET/model-MODEL_ID/EXPORT_FORMAT/YYYY-MM-DDThh:mm:ss.sssZ"
    }
  }
}

Pode obter o estado da operação de exportação para ver quando termina.

Monitorização de objetos

Os modelos de deteção de objetos de vídeo do AutoML Edge treinados podem ser exportados nos seguintes formatos:

TF Lite: exporte o seu modelo como um pacote do TensorFlow Lite para o executar em dispositivos móveis ou de borda.
Contentor: exporte o seu modelo como um modelo guardado do TensorFlow para execução num contentor do Docker.

Selecione o separador abaixo para o seu idioma ou ambiente:

Consola

Na Google Cloud consola, na secção Vertex AI, aceda à página Modelos.
Aceda à página Modelos
Clique no número da versão do modelo do AutoML Edge que quer exportar para abrir a respetiva página de detalhes.
Clique em Exportar.
Na janela lateral Exportar modelo, especifique a localização no Cloud Storage para armazenar o resultado da exportação do modelo do Edge.
Clique em Exportar.
Clique em Concluído para fechar a janela lateral Exportar modelo.

REST

Antes de usar qualquer um dos dados do pedido, faça as seguintes substituições:

LOCATION: região onde o modelo está armazenado. Por exemplo, us-central1.
MODEL_ID: o número de ID do modelo do AutoML Edge preparado que está a exportar.
EXPORT_FORMAT: o tipo de modelo do Edge que está a exportar. Para modelos de acompanhamento de objetos em vídeo, as opções são:
- tflite (TF Lite) – Exporte o seu modelo como um pacote TF Lite para executar o modelo em dispositivos móveis ou de vanguarda.
- edgetpu-tflite (Edge TPU TF Lite) – Exporte o seu modelo como um pacote TF Lite para executar o modelo em dispositivos Edge TPU.
- tf-saved-model (Contentor) – Exporte o seu modelo como um modelo guardado do TF para execução num contentor Docker.
OUTPUT_BUCKET: o caminho para o diretório do contentor do Cloud Storage onde quer armazenar os ficheiros do modelo do Edge.
PROJECT_NUMBER: o número do projeto gerado automaticamente para o seu projeto.

Método HTTP e URL:

POST https://LOCATION-aiplatform.googleapis.com/v1/projects/PROJECT_NUMBER/locations/LOCATION/models/MODEL_ID:export

Corpo JSON do pedido:

{
  "outputConfig": {
    "exportFormatId": "EXPORT_FORMAT",
    "artifactDestination": {
    "outputUriPrefix": "gs://OUTPUT_BUCKET/"
    }
  }
}

Para enviar o seu pedido, escolha uma destas opções:

curl

Guarde o corpo do pedido num ficheiro com o nome request.json, e execute o seguinte comando:

curl -X POST \
     -H "Authorization: Bearer $(gcloud auth print-access-token)" \
     -H "Content-Type: application/json; charset=utf-8" \
     -d @request.json \
     "https://LOCATION-aiplatform.googleapis.com/v1/projects/PROJECT_NUMBER/locations/LOCATION/models/MODEL_ID:export"

PowerShell

Guarde o corpo do pedido num ficheiro com o nome request.json, e execute o seguinte comando:

$cred = gcloud auth print-access-token
$headers = @{ "Authorization" = "Bearer $cred" }

Invoke-WebRequest `
    -Method POST `
    -Headers $headers `
    -ContentType: "application/json; charset=utf-8" `
    -InFile request.json `
    -Uri "https://LOCATION-aiplatform.googleapis.com/v1/projects/PROJECT_NUMBER/locations/LOCATION/models/MODEL_ID:export" | Select-Object -Expand Content

A resposta contém informações sobre as especificações, bem como o OPERATION_ID.

{
  "name": "projects/PROJECT_NUMBER/locations/LOCATION/models/MODEL_ID/operations/OPERATION_ID",
  "metadata": {
    "@type": "type.googleapis.com/google.cloud.aiplatform.v1.ExportModelOperationMetadata",
    "genericMetadata": {
      "createTime": "2020-10-12T20:53:40.130785Z",
      "updateTime": "2020-10-12T20:53:40.130785Z"
    },
    "outputInfo": {
      "artifactOutputUri": "gs://OUTPUT_BUCKET/model-MODEL_ID/EXPORT_FORMAT/YYYY-MM-DDThh:mm:ss.sssZ"
    }
  }
}

Pode obter o estado da operação de exportação para ver quando termina.

Obtenha o estado da operação

Imagem

Use o seguinte código para obter o estado da operação de exportação. Este código é o mesmo para todos os objetivos:

REST

Antes de usar qualquer um dos dados do pedido, faça as seguintes substituições:

LOCATION: a localização do seu projeto.
PROJECT: .
OPERATION_ID:o ID da operação de destino. Normalmente, este ID está contido na resposta ao pedido original.

Método HTTP e URL:

GET https://LOCATION-aiplatform.googleapis.com/v1/projects/PROJECT/locations/LOCATION/operations/OPERATION_ID

Para enviar o seu pedido, escolha uma destas opções:

curl

Execute o seguinte comando:

curl -X GET \
     -H "Authorization: Bearer $(gcloud auth print-access-token)" \
     "https://LOCATION-aiplatform.googleapis.com/v1/projects/PROJECT/locations/LOCATION/operations/OPERATION_ID"

PowerShell

Execute o seguinte comando:

$cred = gcloud auth print-access-token
$headers = @{ "Authorization" = "Bearer $cred" }

Invoke-WebRequest `
    -Method GET `
    -Headers $headers `
    -Uri "https://LOCATION-aiplatform.googleapis.com/v1/projects/PROJECT/locations/LOCATION/operations/OPERATION_ID" | Select-Object -Expand Content

Deverá ver um resultado semelhante ao seguinte para uma operação concluída:

{
  "name": "projects/PROJECT/locations/LOCATION/models/MODEL_ID/operations/OPERATION_ID",
  "metadata": {
    "@type": "type.googleapis.com/google.cloud.aiplatform.v1.ExportModelOperationMetadata",
    "genericMetadata": {
      "createTime": "2020-10-12T20:53:40.130785Z",
      "updateTime": "2020-10-12T20:53:40.793983Z"
    },
    "outputInfo": {
      "artifactOutputUri": "gs://OUTPUT_BUCKET/model-MODEL_ID/EXPORT_FORMAT/YYYY-MM-DDThh:mm:ss.sssZ"
    }
  },
  "done": true,
  "response": {
    "@type": "type.googleapis.com/google.cloud.aiplatform.v1.ExportModelResponse"
  }
}

Vídeo

REST

Antes de usar qualquer um dos dados do pedido, faça as seguintes substituições:

PROJECT_NUMBER: o número do projeto gerado automaticamente para o seu projeto.
LOCATION: região onde o modelo está armazenado. Por exemplo, us-central1.
OPERATION_ID: ID das suas operações.

Método HTTP e URL:

GET https://LOCATION-aiplatform.googleapis.com/v1/projects/PROJECT/locations/LOCATION/operations/OPERATION_ID

Para enviar o seu pedido, escolha uma destas opções:

curl

Execute o seguinte comando:

curl -X GET \
     -H "Authorization: Bearer $(gcloud auth print-access-token)" \
     "https://LOCATION-aiplatform.googleapis.com/v1/projects/PROJECT/locations/LOCATION/operations/OPERATION_ID"

PowerShell

Execute o seguinte comando:

$cred = gcloud auth print-access-token
$headers = @{ "Authorization" = "Bearer $cred" }

Invoke-WebRequest `
    -Method GET `
    -Headers $headers `
    -Uri "https://LOCATION-aiplatform.googleapis.com/v1/projects/PROJECT/locations/LOCATION/operations/OPERATION_ID" | Select-Object -Expand Content

Deve receber uma resposta JSON semelhante à seguinte:

Resposta


{
  "name": "projects/PROJECT_NUMBER/locations/LOCATION/operations/OPERATION_ID",
  "metadata": {
    "@type": "type.googleapis.com/google.cloud.aiplatform.v1.ExportModelOperationMetadata",
    "genericMetadata": {
      "createTime": "2020-07-16T20:06:33.679353Z",
      "updateTime": "2020-07-16T20:06:33.679353Z"
    },
    "outputInfo": {
    "gcsOutputDirectory": "gs://OUTPUT_BUCKET/model-MODEL_ID/EXPORT_FORMAT/YYYY-MM-DDThh:mm:ss.sssZ"
    }
  }
  "done": false
}


Or, for completed operations:

{
  "name": "projects/PROJECT_NUMBER/locations/LOCATION/operations/OPERATION_ID",
    "metadata": {
      "@type": "type.googleapis.com/google.cloud.aiplatform.v1.ExportModelOperationMetadata",
      "genericMetadata": {
        "createTime": "2020-07-16T20:06:33.679353Z",
        "updateTime": "2020-07-16T20:06:33.679353Z"
      },
      "outputInfo": {
      "gcsOutputDirectory": "gs://OUTPUT_BUCKET/model-MODEL_ID/EXPORT_FORMAT/YYYY-MM-DDThh:mm:ss.sssZ"
      }
    }
    "done": true
    "response": {
      "@type": "type.googleapis.com/google.cloud.aiplatform.v1.ExportModelResponse"
    }
}

Ficheiros de saída

Imagem

Selecione o separador abaixo para o formato do seu modelo:

TF Lite

O OUTPUT_BUCKET especificado no pedido determina onde os ficheiros de saída são armazenados. O formato do diretório onde os ficheiros de saída são armazenados segue o formato:

gs://OUTPUT_BUCKET/model-MODEL_ID/tflite/YYYY-MM-DDThh:mm:ss.sssZ/

Ficheiros:

model.tflite: um ficheiro que contém uma versão do modelo que está pronta para ser usada com o TensorFlow Lite.

Ponto-chave: ao contrário do comportamento de exportação anterior no AutoML Vision, a exportação deste formato no Vertex AI não produz um ficheiro de etiquetas (dict.txt) como um dos ficheiros de saída. Estas informações estão agora incluídas no próprio ficheiro .tflite. Para obter informações sobre como extrair estas informações, consulte a seguinte documentação do TensorFlow:

Edge TPU

O OUTPUT_BUCKET especificado no pedido determina onde os ficheiros de saída são armazenados. O formato do diretório onde os ficheiros de saída são armazenados segue o formato:

gs://OUTPUT_BUCKET/model-MODEL_ID/edgetpu-tflite/YYYY-MM-DDThh:mm:ss.sssZ/

Ficheiros:

edgetpu_model.tflite: Um ficheiro que contém uma versão do modelo para TensorFlow Lite, transmitido através do compilador da Edge TPU para ser compatível com a Edge TPU.

Contentor

O OUTPUT_BUCKET especificado no pedido determina onde os ficheiros de saída são armazenados. O formato do diretório onde os ficheiros de saída são armazenados segue o formato:

gs://OUTPUT_BUCKET/model-MODEL_ID/tf-saved-model/YYYY-MM-DDThh:mm:ss.sssZ/

Ficheiros:

saved_model.pb: um ficheiro de buffer do protocolo que contém a definição do gráfico e as ponderações do modelo.

Core ML

O OUTPUT_BUCKET especificado no pedido determina onde os ficheiros de saída são armazenados. O formato do diretório onde os ficheiros de saída são armazenados segue o formato:

gs://OUTPUT_BUCKET/model-MODEL_ID/core-ml/YYYY-MM-DDThh:mm:ss.sssZ/

Ficheiros:

dict.txt: um ficheiro de etiquetas. Cada linha no ficheiro de etiquetas dict.txt representa uma etiqueta das previsões devolvidas pelo modelo, na mesma ordem em que foram pedidas.
Exemplo dict.txt
```
roses
daisy
tulips
dandelion
sunflowers
```
model.mlmodel: um ficheiro que especifica um modelo Core ML.

Tensorflow.js

O OUTPUT_BUCKET especificado no pedido determina onde os ficheiros de saída são armazenados. O formato do diretório onde os ficheiros de saída são armazenados segue o formato:

gs://OUTPUT_BUCKET/model-MODEL_ID/tf-js/YYYY-MM-DDThh:mm:ss.sssZ/

Ficheiros:

dict.txt: um ficheiro de etiquetas. Cada linha no ficheiro de etiquetas dict.txt representa uma etiqueta das previsões devolvidas pelo modelo, na mesma ordem em que foram pedidas.
Exemplo dict.txt
```
roses
daisy
tulips
dandelion
sunflowers
```
group1-shard1of3.bin: um ficheiro binário.
group1-shard2of3.bin: um ficheiro binário.
group1-shard3of3.bin: um ficheiro binário.

model.json: uma representação de um modelo num ficheiro JSON.

Exemplo model.json (abreviado para maior clareza)

{
  "format": "graph-model",
  "generatedBy": "2.4.0",
  "convertedBy": "TensorFlow.js Converter v1.7.0",
  "userDefinedMetadata": {
    "signature": {
      "inputs": {
        "image:0": {
          "name": "image:0",
          "dtype": "DT_FLOAT",
          "tensorShape": {
            "dim": [
              {
                "size": "1"
              },
              {
                "size": "224"
              },
              {
                "size": "224"
              },
              {
                "size": "3"
              }
            ]
          }
        }
      },
      "outputs": {
        "scores:0": {
          "name": "scores:0",
          "dtype": "DT_FLOAT",
          "tensorShape": {
            "dim": [
              {
                "size": "1"
              },
              {
                "size": "5"
              }
            ]
          }
        }
      }
    }
  },
  "modelTopology": {
    "node": [
      {
        "name": "image",
        "op": "Placeholder",
        "attr": {
          "dtype": {
            "type": "DT_FLOAT"
          },
          "shape": {
            "shape": {
              "dim": [
                {
                  "size": "1"
                },
                {
                  "size": "224"
                },
                {
                  "size": "224"
                },
                {
                  "size": "3"
                }
              ]
            }
          }
        }
      },
      {
        "name": "mnas_v4_a_1/feature_network/feature_extractor/Mean/reduction_indices",
        "op": "Const",
        "attr": {
          "value": {
            "tensor": {
              "dtype": "DT_INT32",
              "tensorShape": {
                "dim": [
                  {
                    "size": "2"
                  }
                ]
              }
            }
          },
          "dtype": {
            "type": "DT_INT32"
          }
        }
      },
      ...
      {
        "name": "scores",
        "op": "Identity",
        "input": [
          "Softmax"
        ],
        "attr": {
          "T": {
            "type": "DT_FLOAT"
          }
        }
      }
    ],
    "library": {},
    "versions": {}
  },
  "weightsManifest": [
    {
      "paths": [
        "group1-shard1of3.bin",
        "group1-shard2of3.bin",
        "group1-shard3of3.bin"
      ],
      "weights": [
        {
          "name": "mnas_v4_a_1/feature_network/feature_extractor/Mean/reduction_indices",
          "shape": [
            2
          ],
          "dtype": "int32"
        },
        {
          "name": "mnas_v4_a/output/fc/tf_layer/kernel",
          "shape": [
            1280,
            5
          ],
          "dtype": "float32"
        },
        ...
        {
          "name": "mnas_v4_a_1/feature_network/lead_cell_17/op_0/conv2d_0/Conv2D_weights",
          "shape": [
            1,
            1,
            320,
            1280
          ],
          "dtype": "float32"
        },
        {
          "name": "mnas_v4_a_1/feature_network/cell_14/op_0/expand_0/Conv2D_bn_offset",
          "shape": [
            1152
          ],
          "dtype": "float32"
        }
      ]
    }
  ]
}

Vídeo

Selecione o separador abaixo para o formato do seu modelo:

TF Lite

O OUTPUT_BUCKET especificado no pedido determina onde os ficheiros de saída são armazenados. O formato do diretório onde os ficheiros de saída são armazenados segue o formato:

gs://OUTPUT_BUCKET/model-MODEL_ID/tflite/YYYY-MM-DDThh:mm:ss.sssZ/

Ficheiros:

model.tflite: um ficheiro que contém uma versão do modelo que está pronta para ser usada com o TensorFlow Lite.
frozen_inference_graph.pb: um ficheiro de buffer do protocolo serializado que contém a definição do gráfico e as ponderações do modelo.
label_map.pbtxt : um ficheiro de mapa de etiquetas que mapeia cada uma das etiquetas usadas para um valor inteiro.

Edge TPU

O OUTPUT_BUCKET especificado no pedido determina onde os ficheiros de saída são armazenados. O formato do diretório onde os ficheiros de saída são armazenados segue o formato:

gs://OUTPUT_BUCKET/model-MODEL_ID/edgetpu-tflite/YYYY-MM-DDThh:mm:ss.sssZ/

Ficheiros:

edgetpu_model.tflite: Um ficheiro que contém uma versão do modelo para TensorFlow Lite, transmitido através do compilador da Edge TPU para ser compatível com a Edge TPU.
label_map.pbtxt: um ficheiro de mapa de etiquetas que mapeia cada uma das etiquetas usadas para um valor inteiro.

Contentor

O OUTPUT_BUCKET especificado no pedido determina onde os ficheiros de saída são armazenados. O formato do diretório onde os ficheiros de saída são armazenados segue o formato:

gs://OUTPUT_BUCKET/model-MODEL_ID/tf-saved-model/YYYY-MM-DDThh:mm:ss.sssZ/

Ficheiros:

frozen_inference_graph.pb: um ficheiro de buffer do protocolo serializado que contém a definição do gráfico e as ponderações do modelo.
label_map.pbtxt: um ficheiro de mapa de etiquetas que mapeia cada uma das etiquetas usadas para um valor inteiro.
saved_model/saved_model.pb: o ficheiro armazena o programa TensorFlow real ou o modelo e um conjunto de assinaturas com nome, cada uma a identificar uma função que aceita entradas de tensores e produz saídas de tensores.
saved_model/variables/: o diretório de variáveis contém um ponto de verificação de formação padrão.

Exporte modelos do AutoML Edge Mantenha tudo organizado com as coleções Salve e categorize o conteúdo com base nas suas preferências.

Introdução

Exporte um modelo

Imagem

Classificação

Consola

REST

curl

PowerShell

Resposta

Java

Node.js

Python

Classificação

Consola

REST

curl

PowerShell

Resposta

Java

Node.js

Python

Deteção de objetos

Consola

REST

curl

PowerShell

Resposta

Java

Node.js

Python

Vídeo

Reconhecimento de ações

Consola

REST

curl

PowerShell

Resposta

Java

Python

Classificação

Consola

REST

curl

PowerShell

Monitorização de objetos

Consola

REST

curl

PowerShell

Obtenha o estado da operação

Imagem

REST

curl

PowerShell

Vídeo

REST

curl

PowerShell

Resposta

Ficheiros de saída

Imagem

TF Lite

Edge TPU

Contentor

Core ML

Tensorflow.js

Vídeo

TF Lite

Edge TPU

Contentor

Exporte modelos do AutoML Edge