Questa pagina descrive come utilizzare Vertex AI per esportare i tuoi modelli AutoML Edge di immagini e video in Cloud Storage.
Per informazioni sull'esportazione dei modelli tabulari, consulta Esportazione di un modello tabulare AutoML.
Introduzione
Dopo aver addestrato un modello AutoML Edge, in alcuni casi puoi esportarlo in diversi formati, a seconda di come vuoi utilizzarlo. I file dei modelli esportati vengono salvati in un bucket Cloud Storage e possono essere utilizzati per la previsione nell'ambiente che preferisci.
Non puoi utilizzare un modello Edge in Vertex AI per fornire previsioni; devi eseguire il deployment del modello Edge su un dispositivo esterno per ricevere previsioni.
Esportazione di un modello
Utilizza gli esempi di codice seguenti per identificare un modello AutoML Edge, specificare una posizione di archiviazione dei file di output e inviare la richiesta di esportazione del modello.
Immagine
Seleziona la scheda di seguito per il tuo scopo:
Classificazione
I modelli di classificazione delle immagini AutoML Edge addestrati possono essere esportati nei seguenti formati:
- TF Lite: esporta il modello come pacchetto TF Lite per eseguirlo su dispositivi periferici o mobili.
- Edge TPU TF Lite: esporta il modello come pacchetto TF Lite per eseguirlo su dispositivi Edge TPU.
- Container: esporta il modello come modello salvato TF per eseguirlo su un container Docker.
- Core ML: esporta un file .mlmodel per eseguire il tuo modello su dispositivi iOS e macOS.
- Tensorflow.js: esporta il modello come pacchetto TensorFlow.js per eseguirlo nel browser e in Node.js.
Seleziona di seguito la scheda per la tua lingua o il tuo ambiente:
Console
- Nella console Google Cloud, nella sezione Vertex AI, vai alla pagina Modelli.
- Fai clic sul numero di versione del modello AutoML Edge che vuoi esportare per aprire la relativa pagina dei dettagli.
- Fai clic su Esporta.
- Nella finestra laterale Esporta modello, specifica la posizione in Cloud Storage in cui archiviare l'output dell'esportazione del modello Edge.
- Fai clic su Esporta.
- Fai clic su Fine per chiudere la finestra laterale Esporta modello.
REST
Prima di utilizzare i dati della richiesta, effettua le seguenti sostituzioni:
- LOCATION: la località del progetto.
- PROJECT: il tuo ID progetto.
- MODEL_ID: il numero ID del modello AutoML Edge addestrato che stai esportando.
- EXPORT_FORMAT: il tipo di modello Edge che stai esporti. A questo scopo le opzioni sono:
tflite
(TF Lite): esporta il modello come pacchetto TF Lite per eseguirlo su dispositivi periferici o mobili.edgetpu-tflite
(Edge TPU TF Lite): esporta il modello come pacchetto TF Lite per eseguirlo su dispositivi Edge TPU.tf-saved-model
(container): esporta il modello come modello salvato di TF da eseguire su un container Docker.core-ml
(Core ML): esporta un file .mlmodel per eseguire il modello su dispositivi iOS e macOS.tf-js
(Tensorflow.js): esporta il modello come pacchetto TensorFlow.js per eseguirlo nel browser e in Node.js.
- OUTPUT_BUCKET: il percorso della directory del bucket Cloud Storage in cui vuoi archiviare i file del modello Edge.
Metodo HTTP e URL:
POST https://LOCATION-aiplatform.googleapis.com/v1/projects/PROJECT/locations/LOCATION/models/MODEL_ID:export
Corpo JSON della richiesta:
{ "outputConfig": { "exportFormatId": "EXPORT_FORMAT", "artifactDestination": { "outputUriPrefix": "gs://OUTPUT_BUCKET/" } } }
Per inviare la richiesta, scegli una delle seguenti opzioni:
curl
Salva il corpo della richiesta in un file denominato request.json
ed esegui questo 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
Salva il corpo della richiesta in un file denominato request.json
ed esegui questo 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
La risposta contiene informazioni sulle specifiche e sull'OPERATION_ID.
Puoi ottenere lo stato dell'operazione di esportazione per vedere quando termina.
Java
Prima di provare questo esempio, segui le istruzioni per la configurazione di Java nella guida rapida di Vertex AI sull'utilizzo delle librerie client. Per ulteriori informazioni, consulta la documentazione di riferimento dell'API Java Vertex AI.
Per eseguire l'autenticazione su Vertex AI, configura Credenziali predefinite dell'applicazione. Per maggiori informazioni, consulta Configurare l'autenticazione per un ambiente di sviluppo locale.
Node.js
Prima di provare questo esempio, segui le istruzioni per la configurazione di Node.js nella guida rapida di Vertex AI sull'utilizzo delle librerie client. Per ulteriori informazioni, consulta la documentazione di riferimento dell'API Node.js Vertex AI.
Per eseguire l'autenticazione su Vertex AI, configura Credenziali predefinite dell'applicazione. Per maggiori informazioni, consulta Configurare l'autenticazione per un ambiente di sviluppo locale.
Python
Per scoprire come installare o aggiornare l'SDK Vertex AI per Python, vedi Installare l'SDK Vertex AI per Python. Per maggiori informazioni, consulta la documentazione di riferimento dell'API Python.
Classificazione
I modelli di classificazione delle immagini AutoML Edge addestrati possono essere esportati nei seguenti formati:
- TF Lite: esporta il modello come pacchetto TF Lite per eseguirlo su dispositivi periferici o mobili.
- Edge TPU TF Lite: esporta il modello come pacchetto TF Lite per eseguirlo su dispositivi Edge TPU.
- Container: esporta il modello come modello salvato TF per eseguirlo su un container Docker.
- Core ML: esporta un file .mlmodel per eseguire il tuo modello su dispositivi iOS e macOS.
- Tensorflow.js: esporta il modello come pacchetto TensorFlow.js per eseguirlo nel browser e in Node.js.
Seleziona di seguito la scheda per la tua lingua o il tuo ambiente:
Console
- Nella console Google Cloud, nella sezione Vertex AI, vai alla pagina Modelli.
- Fai clic sul numero di versione del modello AutoML Edge che vuoi esportare per aprire la relativa pagina dei dettagli.
- Fai clic su Esporta.
- Nella finestra laterale Esporta modello, specifica la posizione in Cloud Storage in cui archiviare l'output dell'esportazione del modello Edge.
- Fai clic su Esporta.
- Fai clic su Fine per chiudere la finestra laterale Esporta modello.
REST
Prima di utilizzare i dati della richiesta, effettua le seguenti sostituzioni:
- LOCATION: la località del progetto.
- PROJECT: il tuo ID progetto.
- MODEL_ID: il numero ID del modello AutoML Edge addestrato che stai esportando.
- EXPORT_FORMAT: il tipo di modello Edge che stai esporti. A questo scopo le opzioni sono:
tflite
(TF Lite): esporta il modello come pacchetto TF Lite per eseguirlo su dispositivi periferici o mobili.edgetpu-tflite
(Edge TPU TF Lite): esporta il modello come pacchetto TF Lite per eseguirlo su dispositivi Edge TPU.tf-saved-model
(container): esporta il modello come modello salvato di TF da eseguire su un container Docker.core-ml
(Core ML): esporta un file .mlmodel per eseguire il modello su dispositivi iOS e macOS.tf-js
(Tensorflow.js): esporta il modello come pacchetto TensorFlow.js per eseguirlo nel browser e in Node.js.
- OUTPUT_BUCKET: il percorso della directory del bucket Cloud Storage in cui vuoi archiviare i file del modello Edge.
Metodo HTTP e URL:
POST https://LOCATION-aiplatform.googleapis.com/v1/projects/PROJECT/locations/LOCATION/models/MODEL_ID:export
Corpo JSON della richiesta:
{ "outputConfig": { "exportFormatId": "EXPORT_FORMAT", "artifactDestination": { "outputUriPrefix": "gs://OUTPUT_BUCKET/" } } }
Per inviare la richiesta, scegli una delle seguenti opzioni:
curl
Salva il corpo della richiesta in un file denominato request.json
ed esegui questo 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
Salva il corpo della richiesta in un file denominato request.json
ed esegui questo 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
La risposta contiene informazioni sulle specifiche e sull'OPERATION_ID.
Puoi ottenere lo stato dell'operazione di esportazione per vedere quando termina.
Java
Prima di provare questo esempio, segui le istruzioni per la configurazione di Java nella guida rapida di Vertex AI sull'utilizzo delle librerie client. Per ulteriori informazioni, consulta la documentazione di riferimento dell'API Java Vertex AI.
Per eseguire l'autenticazione su Vertex AI, configura Credenziali predefinite dell'applicazione. Per maggiori informazioni, consulta Configurare l'autenticazione per un ambiente di sviluppo locale.
Node.js
Prima di provare questo esempio, segui le istruzioni per la configurazione di Node.js nella guida rapida di Vertex AI sull'utilizzo delle librerie client. Per ulteriori informazioni, consulta la documentazione di riferimento dell'API Node.js Vertex AI.
Per eseguire l'autenticazione su Vertex AI, configura Credenziali predefinite dell'applicazione. Per maggiori informazioni, consulta Configurare l'autenticazione per un ambiente di sviluppo locale.
Python
Per scoprire come installare o aggiornare l'SDK Vertex AI per Python, vedi Installare l'SDK Vertex AI per Python. Per maggiori informazioni, consulta la documentazione di riferimento dell'API Python.
Rilevamento di oggetti
I modelli di rilevamento degli oggetti immagine AutoML Edge addestrati possono essere esportati nei seguenti formati:
- TF Lite: esporta il modello come pacchetto TF Lite per eseguirlo su dispositivi periferici o mobili.
- Container: esporta il modello come modello salvato TF per eseguirlo su un container Docker.
- Tensorflow.js: esporta il modello come pacchetto TensorFlow.js per eseguirlo nel browser e in Node.js.
Seleziona di seguito la scheda per la tua lingua o il tuo ambiente:
Console
- Nella console Google Cloud, nella sezione Vertex AI, vai alla pagina Modelli.
- Fai clic sul numero di versione del modello AutoML Edge che vuoi esportare per aprire la relativa pagina dei dettagli.
- Seleziona la scheda Deployment e test per visualizzare i formati di esportazione disponibili.
- Seleziona il formato del modello di esportazione che preferisci dalla sezione Utilizza il tuo modello ottimizzato per il perimetro.
- Nella finestra laterale Esporta modello, specifica la posizione in Cloud Storage in cui archiviare l'output dell'esportazione del modello Edge.
- Fai clic su Esporta.
- Fai clic su Fine per chiudere la finestra laterale Esporta modello.
REST
Prima di utilizzare i dati della richiesta, effettua le seguenti sostituzioni:
- LOCATION: la località del progetto.
- PROJECT: il tuo ID progetto.
- MODEL_ID: il numero ID del modello AutoML Edge addestrato che stai esportando.
- EXPORT_FORMAT: il tipo di modello Edge che stai esporti. A questo scopo le opzioni sono:
tflite
(TF Lite): esporta il modello come pacchetto TF Lite per eseguirlo su dispositivi periferici o mobili.tf-saved-model
(container): esporta il modello come modello salvato di TF da eseguire su un container Docker.tf-js
(Tensorflow.js): esporta il modello come pacchetto TensorFlow.js per eseguirlo nel browser e in Node.js.
- OUTPUT_BUCKET: il percorso della directory del bucket Cloud Storage in cui vuoi archiviare i file del modello Edge.
Metodo HTTP e URL:
POST https://LOCATION-aiplatform.googleapis.com/v1/projects/PROJECT/locations/LOCATION/models/MODEL_ID:export
Corpo JSON della richiesta:
{ "outputConfig": { "exportFormatId": "EXPORT_FORMAT", "artifactDestination": { "outputUriPrefix": "gs://OUTPUT_BUCKET/" } } }
Per inviare la richiesta, scegli una delle seguenti opzioni:
curl
Salva il corpo della richiesta in un file denominato request.json
ed esegui questo 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
Salva il corpo della richiesta in un file denominato request.json
ed esegui questo 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
La risposta contiene informazioni sulle specifiche e sull'OPERATION_ID.
Puoi ottenere lo stato dell'operazione di esportazione per vedere quando termina.
Java
Prima di provare questo esempio, segui le istruzioni per la configurazione di Java nella guida rapida di Vertex AI sull'utilizzo delle librerie client. Per ulteriori informazioni, consulta la documentazione di riferimento dell'API Java Vertex AI.
Per eseguire l'autenticazione su Vertex AI, configura Credenziali predefinite dell'applicazione. Per maggiori informazioni, consulta Configurare l'autenticazione per un ambiente di sviluppo locale.
Node.js
Prima di provare questo esempio, segui le istruzioni per la configurazione di Node.js nella guida rapida di Vertex AI sull'utilizzo delle librerie client. Per ulteriori informazioni, consulta la documentazione di riferimento dell'API Node.js Vertex AI.
Per eseguire l'autenticazione su Vertex AI, configura Credenziali predefinite dell'applicazione. Per maggiori informazioni, consulta Configurare l'autenticazione per un ambiente di sviluppo locale.
Python
Per scoprire come installare o aggiornare l'SDK Vertex AI per Python, vedi Installare l'SDK Vertex AI per Python. Per maggiori informazioni, consulta la documentazione di riferimento dell'API Python.
Video
Seleziona la scheda di seguito per il tuo scopo:
Riconoscimento delle azioni
I modelli addestrati per il riconoscimento delle azioni video di AutoML Edge possono essere esportati nel formato di modello salvato.
Seleziona di seguito la scheda per la tua lingua o il tuo ambiente:
Console
- Nella console Google Cloud, nella sezione Vertex AI, vai alla pagina Modelli.
- Fai clic sul numero di versione del modello AutoML Edge che vuoi esportare per aprire la relativa pagina dei dettagli.
- Fai clic su Esporta.
- Nella finestra laterale Esporta modello, specifica la posizione in Cloud Storage in cui archiviare l'output dell'esportazione del modello Edge.
- Fai clic su Esporta.
- Fai clic su Fine per chiudere la finestra laterale Esporta modello.
REST
Prima di utilizzare i dati della richiesta, effettua le seguenti sostituzioni:
- LOCATION: regione in cui è archiviato il modello. Ad esempio,
us-central1
. - MODEL_ID: il numero ID del modello AutoML Edge addestrato che stai esportando.
- EXPORT_FORMAT: il tipo di modello Edge che stai esporti. Per il riconoscimento
delle azioni video, l'opzione di modello è:
tf-saved-model
(container): esporta il modello come modello salvato di TF da eseguire su un container Docker.
- OUTPUT_BUCKET: il percorso della directory del bucket Cloud Storage in cui vuoi archiviare i file del modello Edge.
- PROJECT_NUMBER: il numero di progetto generato automaticamente per il tuo progetto.
Metodo HTTP e URL:
POST https://LOCATION-aiplatform.googleapis.com/v1/projects/PROJECT_NUMBER/locations/LOCATION/models/MODEL_ID:export
Corpo JSON della richiesta:
{ "outputConfig": { "exportFormatId": "EXPORT_FORMAT", "artifactDestination": { "outputUriPrefix": "gs://OUTPUT_BUCKET/" } } }
Per inviare la richiesta, scegli una delle seguenti opzioni:
curl
Salva il corpo della richiesta in un file denominato request.json
ed esegui questo 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
Salva il corpo della richiesta in un file denominato request.json
ed esegui questo 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
La risposta contiene informazioni sulle specifiche e sull'OPERATION_ID.
Puoi ottenere lo stato dell'operazione di esportazione per vedere quando termina.
Java
Prima di provare questo esempio, segui le istruzioni per la configurazione di Java nella guida rapida di Vertex AI sull'utilizzo delle librerie client. Per ulteriori informazioni, consulta la documentazione di riferimento dell'API Java Vertex AI.
Per eseguire l'autenticazione su Vertex AI, configura Credenziali predefinite dell'applicazione. Per maggiori informazioni, consulta Configurare l'autenticazione per un ambiente di sviluppo locale.
Python
Per scoprire come installare o aggiornare l'SDK Vertex AI per Python, vedi Installare l'SDK Vertex AI per Python. Per maggiori informazioni, consulta la documentazione di riferimento dell'API Python.
Classificazione
I modelli di classificazione dei video addestrati di AutoML Edge possono essere esportati solo nel formato di modello salvato.
Seleziona di seguito la scheda per la tua lingua o il tuo ambiente:
Console
- Nella console Google Cloud, nella sezione Vertex AI, vai alla pagina Modelli.
- Fai clic sul numero di versione del modello AutoML Edge che vuoi esportare per aprire la relativa pagina dei dettagli.
- Fai clic su Esporta.
- Nella finestra laterale Esporta modello, specifica la posizione in Cloud Storage in cui archiviare l'output dell'esportazione del modello Edge.
- Fai clic su Esporta.
- Fai clic su Fine per chiudere la finestra laterale Esporta modello.
REST
Prima di utilizzare i dati della richiesta, effettua le seguenti sostituzioni:
- LOCATION: regione in cui è archiviato il modello. Ad esempio,
us-central1
. - MODEL_ID: il numero ID del modello AutoML Edge addestrato che stai esportando.
- EXPORT_FORMAT: il tipo di modello Edge che stai esporti. Per la classificazione di video,
l'opzione del modello è:
tf-saved-model
(container): esporta il modello come modello salvato di TF da eseguire su un container Docker.
- OUTPUT_BUCKET: il percorso della directory del bucket Cloud Storage in cui vuoi archiviare i file del modello Edge.
- PROJECT_NUMBER: il numero di progetto generato automaticamente per il tuo progetto.
Metodo HTTP e URL:
POST https://LOCATION-aiplatform.googleapis.com/v1/projects/PROJECT_NUMBER/locations/LOCATION/models/MODEL_ID:export
Corpo JSON della richiesta:
{ "outputConfig": { "exportFormatId": "EXPORT_FORMAT", "artifactDestination": { "outputUriPrefix": "gs://OUTPUT_BUCKET/" } } }
Per inviare la richiesta, scegli una delle seguenti opzioni:
curl
Salva il corpo della richiesta in un file denominato request.json
ed esegui questo 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
Salva il corpo della richiesta in un file denominato request.json
ed esegui questo 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
La risposta contiene informazioni sulle specifiche e sull'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" } } }
Puoi ottenere lo stato dell'operazione di esportazione per vedere quando termina.
Monitoraggio oggetti
I modelli di monitoraggio degli oggetti video addestrati di AutoML Edge possono essere esportati nei seguenti formati:
- TF Lite: esporta il modello come pacchetto TensorFlow Lite per eseguirlo su dispositivi mobili o perimetrali.
- Container: esporta il modello come modello salvato di TensorFlow da eseguire su un container Docker.
Seleziona di seguito la scheda per la tua lingua o il tuo ambiente:
Console
- Nella console Google Cloud, nella sezione Vertex AI, vai alla pagina Modelli.
- Fai clic sul numero di versione del modello AutoML Edge che vuoi esportare per aprire la relativa pagina dei dettagli.
- Fai clic su Esporta.
- Nella finestra laterale Esporta modello, specifica la posizione in Cloud Storage in cui archiviare l'output dell'esportazione del modello Edge.
- Fai clic su Esporta.
- Fai clic su Fine per chiudere la finestra laterale Esporta modello.
REST
Prima di utilizzare i dati della richiesta, effettua le seguenti sostituzioni:
- LOCATION: regione in cui è archiviato il modello. Ad esempio,
us-central1
. - MODEL_ID: il numero ID del modello AutoML Edge addestrato che stai esportando.
- EXPORT_FORMAT: il tipo di modello Edge che stai esporti. Per i modelli di monitoraggio di oggetti video, le opzioni sono:
tflite
(TF Lite): esporta il modello come pacchetto TF Lite per eseguirlo su dispositivi periferici o mobili.edgetpu-tflite
(Edge TPU TF Lite): esporta il modello come pacchetto TF Lite per eseguirlo su dispositivi Edge TPU.tf-saved-model
(container): esporta il modello come modello salvato di TF da eseguire su un container Docker.
- OUTPUT_BUCKET: il percorso della directory del bucket Cloud Storage in cui vuoi archiviare i file del modello Edge.
- PROJECT_NUMBER: il numero di progetto generato automaticamente per il tuo progetto.
Metodo HTTP e URL:
POST https://LOCATION-aiplatform.googleapis.com/v1/projects/PROJECT_NUMBER/locations/LOCATION/models/MODEL_ID:export
Corpo JSON della richiesta:
{ "outputConfig": { "exportFormatId": "EXPORT_FORMAT", "artifactDestination": { "outputUriPrefix": "gs://OUTPUT_BUCKET/" } } }
Per inviare la richiesta, scegli una delle seguenti opzioni:
curl
Salva il corpo della richiesta in un file denominato request.json
ed esegui questo 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
Salva il corpo della richiesta in un file denominato request.json
ed esegui questo 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
La risposta contiene informazioni sulle specifiche e sull'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" } } }
Puoi ottenere lo stato dell'operazione di esportazione per vedere quando termina.
Ottieni stato dell'operazione
Immagine
Utilizza il seguente codice per ottenere lo stato dell'operazione di esportazione. Questo codice è uguale per tutti gli scopi:
REST
Prima di utilizzare i dati della richiesta, effettua le seguenti sostituzioni:
- LOCATION: la località del progetto.
- PROJECT: il tuo ID progetto.
- OPERATION_ID:l'ID dell'operazione di destinazione. Questo ID è in genere contenuto nella risposta alla richiesta originale.
Metodo HTTP e URL:
GET https://LOCATION-aiplatform.googleapis.com/v1/projects/PROJECT/locations/LOCATION/operations/OPERATION_ID
Per inviare la richiesta, scegli una delle seguenti opzioni:
curl
Esegui questo 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
Esegui questo 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
{ "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" } }
Video
REST
Prima di utilizzare i dati della richiesta, effettua le seguenti sostituzioni:
- PROJECT_NUMBER: il numero di progetto generato automaticamente per il tuo progetto.
- LOCATION: regione in cui è archiviato il modello. Ad esempio,
us-central1
. - OPERATION_ID: ID delle tue operazioni.
Metodo HTTP e URL:
GET https://LOCATION-aiplatform.googleapis.com/v1/projects/PROJECT/locations/LOCATION/operations/OPERATION_ID
Per inviare la richiesta, scegli una delle seguenti opzioni:
curl
Esegui questo 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
Esegui questo 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
Dovresti ricevere una risposta JSON simile alla seguente:
File di output
Immagine
Seleziona la scheda qui sotto per il formato del tuo modello:
TF Lite
Il OUTPUT_BUCKET
specificato nella richiesta determina dove vengono archiviati i file di output. Il formato della directory in cui sono archiviati i file di output è il seguente:
- gs://OUTPUT_BUCKET/model-MODEL_ID/tflite/YYYY-MM-DDThh:mm:ss.sssZ/
File:
model.tflite
: un file contenente una versione del modello pronta per essere utilizzata con TensorFlow Lite.
Edge TPU
Il OUTPUT_BUCKET
specificato nella richiesta determina dove vengono archiviati i file di output. Il formato della directory in cui sono archiviati i file di output è il seguente:
- gs://OUTPUT_BUCKET/model-MODEL_ID/edgetpu-tflite/YYYY-MM-DDThh:mm:ss.sssZ/
File:
edgetpu_model.tflite
: un file contenente una versione del modello per TensorFlow Lite, passata attraverso il compilatore Edge TPU per essere compatibile con Edge TPU.
Container
Il OUTPUT_BUCKET
specificato nella richiesta determina dove vengono archiviati i file di output. Il formato della directory in cui sono archiviati i file di output è il seguente:
- gs://OUTPUT_BUCKET/model-MODEL_ID/tf-saved-model/YYYY-MM-DDThh:mm:ss.sssZ/
File:
saved_model.pb
: un file del buffer di protocollo contenente la definizione del grafico e i pesi del modello.
Core ML
Il OUTPUT_BUCKET
specificato nella richiesta determina dove vengono archiviati i file di output. Il formato della directory in cui sono archiviati i file di output è il seguente:
- gs://OUTPUT_BUCKET/model-MODEL_ID/core-ml/YYYY-MM-DDThh:mm:ss.sssZ/
File:
dict.txt
: un file delle etichette. Ogni riga nel file di etichettedict.txt
rappresenta un'etichetta delle previsioni restituite dal modello, nello stesso ordine in cui sono state richieste.Esempio
dict.txt
roses daisy tulips dandelion sunflowers
model.mlmodel
: un file che specifica un modello Core ML.
Tensorflow.js
Il OUTPUT_BUCKET
specificato nella richiesta determina dove vengono archiviati i file di output. Il formato della directory in cui sono archiviati i file di output è il seguente:
- gs://OUTPUT_BUCKET/model-MODEL_ID/tf-js/YYYY-MM-DDThh:mm:ss.sssZ/
File:
dict.txt
: un file delle etichette. Ogni riga nel file di etichettedict.txt
rappresenta un'etichetta delle previsioni restituite dal modello, nello stesso ordine in cui sono state richieste.Esempio
dict.txt
roses daisy tulips dandelion sunflowers
group1-shard1of3.bin
: un file binario.group1-shard2of3.bin
: un file binario.group1-shard3of3.bin
: un file binario.model.json
: una rappresentazione file JSON di un modello.Esempio
model.json
(breve per chiarezza){ "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" } ] } ] }
Video
Seleziona la scheda qui sotto per il formato del tuo modello:
TF Lite
Il OUTPUT_BUCKET
specificato nella richiesta determina dove vengono archiviati i file di output. Il formato della directory in cui sono archiviati i file di output è il seguente:
- gs://OUTPUT_BUCKET/model-MODEL_ID/tflite/YYYY-MM-DDThh:mm:ss.sssZ/
File:
model.tflite
: un file contenente una versione del modello pronta per essere utilizzata con TensorFlow Lite.frozen_inference_graph.pb
: un file del buffer di protocollo serializzato contenente la definizione del grafico e i pesi del modello.label_map.pbtxt
: un file di mappa delle etichette che mappa ciascuna delle etichette utilizzate a un valore intero.
Edge TPU
Il OUTPUT_BUCKET
specificato nella richiesta determina dove vengono archiviati i file di output. Il formato della directory in cui sono archiviati i file di output è il seguente:
- gs://OUTPUT_BUCKET/model-MODEL_ID/edgetpu-tflite/YYYY-MM-DDThh:mm:ss.sssZ/
File:
edgetpu_model.tflite
: un file contenente una versione del modello per TensorFlow Lite, passata attraverso il compilatore Edge TPU per essere compatibile con Edge TPU.label_map.pbtxt
: un file di mappa delle etichette che mappa ciascuna delle etichette utilizzate a un valore intero.
Container
Il OUTPUT_BUCKET
specificato nella richiesta determina dove vengono archiviati i file di output. Il formato della directory in cui sono archiviati i file di output è il seguente:
- gs://OUTPUT_BUCKET/model-MODEL_ID/tf-saved-model/YYYY-MM-DDThh:mm:ss.sssZ/
File:
frozen_inference_graph.pb
: un file del buffer di protocollo serializzato contenente la definizione del grafico e i pesi del modello.label_map.pbtxt
: un file di mappa delle etichette che mappa ciascuna delle etichette utilizzate a un valore intero.saved_model/saved_model.pb
: il file archivia l'effettivo programma, o modello TensorFlow, e un insieme di firme con nome, ognuna delle quali identifica una funzione che accetta input di tensori e produce output di tensori.saved_model/variables/
: la directory delle variabili contiene un checkpoint di addestramento standard.