Halaman ini menjelaskan cara menggunakan Vertex AI untuk mengekspor model AutoML Edge gambar dan video Anda ke Cloud Storage.
Untuk mengetahui informasi tentang cara mengekspor model tabel, lihat Mengekspor model tabel AutoML.
Pengantar
Setelah melatih model AutoML Edge, dalam beberapa kasus, Anda dapat mengekspor model dalam berbagai format, bergantung pada cara Anda ingin menggunakannya. File model yang diekspor disimpan di bucket Cloud Storage, dan dapat digunakan untuk prediksi di lingkungan yang Anda pilih.
Anda tidak dapat menggunakan model Edge di Vertex AI untuk menyajikan prediksi; Anda harus men-deploy model Edge ke perangkat eksternal untuk mendapatkan prediksi.
Mengekspor model
Gunakan contoh kode berikut untuk mengidentifikasi model AutoML Edge, menentukan lokasi penyimpanan file output, lalu mengirim permintaan model ekspor.
Gambar
Pilih tab di bawah ini untuk tujuan Anda:
Klasifikasi
Model klasifikasi gambar AutoML Edge yang dilatih dapat diekspor dalam format berikut:
- TF Lite - Ekspor model Anda sebagai paket TF Lite untuk menjalankan model di perangkat edge atau seluler.
- Edge TPU TF Lite - Ekspor model Anda sebagai paket TF Lite untuk menjalankan model Anda di perangkat Edge TPU.
- Container - Ekspor model Anda sebagai TF Saved Model untuk dijalankan di container Docker.
- Core ML - Ekspor file .mlmodel untuk menjalankan model Anda di perangkat iOS dan macOS.
- Tensorflow.js - Ekspor model Anda sebagai paket TensorFlow.js untuk menjalankan model Anda di browser dan di Node.js.
Pilih tab di bawah untuk bahasa atau lingkungan Anda:
Konsol
- Di konsol Google Cloud, di bagian Vertex AI, buka halaman Model.
- Klik nomor versi model AutoML Edge yang ingin Anda ekspor untuk membuka halaman detailnya.
- Klik Ekspor.
- Di jendela samping Ekspor model, tentukan lokasi di Cloud Storage untuk menyimpan output ekspor model Edge.
- Klik Ekspor.
- Klik Selesai untuk menutup jendela samping Ekspor model.
REST
Sebelum menggunakan data permintaan mana pun, lakukan penggantian berikut:
- LOCATION: Lokasi project Anda.
- PROJECT: Project ID Anda.
- MODEL_ID: Nomor ID model AutoML Edge terlatih yang Anda ekspor.
- EXPORT_FORMAT: Jenis model Edge yang Anda ekspor. Untuk tujuan ini,
opsinya adalah:
tflite
(TF Lite) - Ekspor model Anda sebagai paket TF Lite untuk menjalankan model di perangkat edge atau seluler.edgetpu-tflite
(Edge TPU TF Lite) - Ekspor model Anda sebagai paket TF Lite untuk menjalankan model di perangkat Edge TPU.tf-saved-model
(Container) - Ekspor model Anda sebagai TF Saved Model untuk dijalankan di container Docker.core-ml
(Core ML) - Ekspor file .mlmodel untuk menjalankan model Anda di perangkat iOS dan macOS.tf-js
(Tensorflow.js) - Ekspor model Anda sebagai paket TensorFlow.js untuk menjalankan model Anda di browser dan di Node.js.
- OUTPUT_BUCKET: Jalur ke direktori bucket Cloud Storage tempat Anda ingin menyimpan file model Edge.
Metode HTTP dan URL:
POST https://LOCATION-aiplatform.googleapis.com/v1/projects/PROJECT/locations/LOCATION/models/MODEL_ID:export
Isi JSON permintaan:
{ "outputConfig": { "exportFormatId": "EXPORT_FORMAT", "artifactDestination": { "outputUriPrefix": "gs://OUTPUT_BUCKET/" } } }
Untuk mengirim permintaan Anda, pilih salah satu opsi berikut:
curl
Simpan isi permintaan dalam file bernama request.json
,
dan jalankan perintah berikut:
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
Simpan isi permintaan dalam file bernama request.json
,
dan jalankan perintah berikut:
$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
Respons ini berisi informasi tentang spesifikasi serta OPERATION_ID.
Anda bisa mendapatkan status operasi ekspor untuk melihat kapan operasi tersebut selesai.
Java
Sebelum mencoba contoh ini, ikuti petunjuk penyiapan Java di panduan memulai Vertex AI menggunakan library klien. Untuk mengetahui informasi selengkapnya, lihat Dokumentasi referensi API Java Vertex AI.
Untuk melakukan autentikasi ke Vertex AI, siapkan Kredensial Default Aplikasi. Untuk mengetahui informasi selengkapnya, baca Menyiapkan autentikasi untuk lingkungan pengembangan lokal.
Node.js
Sebelum mencoba contoh ini, ikuti petunjuk penyiapan Node.js di Panduan memulai Vertex AI menggunakan library klien. Untuk mengetahui informasi selengkapnya, lihat Dokumentasi referensi API Node.js Vertex AI.
Untuk melakukan autentikasi ke Vertex AI, siapkan Kredensial Default Aplikasi. Untuk mengetahui informasi selengkapnya, baca Menyiapkan autentikasi untuk lingkungan pengembangan lokal.
Python
Untuk mempelajari cara menginstal atau mengupdate Vertex AI SDK untuk Python, lihat Menginstal Vertex AI SDK untuk Python. Untuk mengetahui informasi selengkapnya, lihat Dokumentasi referensi Python API.
Klasifikasi
Model klasifikasi gambar AutoML Edge yang dilatih dapat diekspor dalam format berikut:
- TF Lite - Ekspor model Anda sebagai paket TF Lite untuk menjalankan model di perangkat edge atau seluler.
- Edge TPU TF Lite - Ekspor model Anda sebagai paket TF Lite untuk menjalankan model Anda di perangkat Edge TPU.
- Container - Ekspor model Anda sebagai TF Saved Model untuk dijalankan di container Docker.
- Core ML - Ekspor file .mlmodel untuk menjalankan model Anda di perangkat iOS dan macOS.
- Tensorflow.js - Ekspor model Anda sebagai paket TensorFlow.js untuk menjalankan model Anda di browser dan di Node.js.
Pilih tab di bawah untuk bahasa atau lingkungan Anda:
Konsol
- Di konsol Google Cloud, di bagian Vertex AI, buka halaman Model.
- Klik nomor versi model AutoML Edge yang ingin Anda ekspor untuk membuka halaman detailnya.
- Klik Ekspor.
- Di jendela samping Ekspor model, tentukan lokasi di Cloud Storage untuk menyimpan output ekspor model Edge.
- Klik Ekspor.
- Klik Selesai untuk menutup jendela samping Ekspor model.
REST
Sebelum menggunakan data permintaan mana pun, lakukan penggantian berikut:
- LOCATION: Lokasi project Anda.
- PROJECT: Project ID Anda.
- MODEL_ID: Nomor ID model AutoML Edge terlatih yang Anda ekspor.
- EXPORT_FORMAT: Jenis model Edge yang Anda ekspor. Untuk tujuan ini,
opsinya adalah:
tflite
(TF Lite) - Ekspor model Anda sebagai paket TF Lite untuk menjalankan model di perangkat edge atau seluler.edgetpu-tflite
(Edge TPU TF Lite) - Ekspor model Anda sebagai paket TF Lite untuk menjalankan model di perangkat Edge TPU.tf-saved-model
(Container) - Ekspor model Anda sebagai TF Saved Model untuk dijalankan di container Docker.core-ml
(Core ML) - Ekspor file .mlmodel untuk menjalankan model Anda di perangkat iOS dan macOS.tf-js
(Tensorflow.js) - Ekspor model Anda sebagai paket TensorFlow.js untuk menjalankan model Anda di browser dan di Node.js.
- OUTPUT_BUCKET: Jalur ke direktori bucket Cloud Storage tempat Anda ingin menyimpan file model Edge.
Metode HTTP dan URL:
POST https://LOCATION-aiplatform.googleapis.com/v1/projects/PROJECT/locations/LOCATION/models/MODEL_ID:export
Isi JSON permintaan:
{ "outputConfig": { "exportFormatId": "EXPORT_FORMAT", "artifactDestination": { "outputUriPrefix": "gs://OUTPUT_BUCKET/" } } }
Untuk mengirim permintaan Anda, pilih salah satu opsi berikut:
curl
Simpan isi permintaan dalam file bernama request.json
,
dan jalankan perintah berikut:
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
Simpan isi permintaan dalam file bernama request.json
,
dan jalankan perintah berikut:
$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
Respons ini berisi informasi tentang spesifikasi serta OPERATION_ID.
Anda bisa mendapatkan status operasi ekspor untuk melihat kapan operasi tersebut selesai.
Java
Sebelum mencoba contoh ini, ikuti petunjuk penyiapan Java di panduan memulai Vertex AI menggunakan library klien. Untuk mengetahui informasi selengkapnya, lihat Dokumentasi referensi API Java Vertex AI.
Untuk melakukan autentikasi ke Vertex AI, siapkan Kredensial Default Aplikasi. Untuk mengetahui informasi selengkapnya, baca Menyiapkan autentikasi untuk lingkungan pengembangan lokal.
Node.js
Sebelum mencoba contoh ini, ikuti petunjuk penyiapan Node.js di Panduan memulai Vertex AI menggunakan library klien. Untuk mengetahui informasi selengkapnya, lihat Dokumentasi referensi API Node.js Vertex AI.
Untuk melakukan autentikasi ke Vertex AI, siapkan Kredensial Default Aplikasi. Untuk mengetahui informasi selengkapnya, baca Menyiapkan autentikasi untuk lingkungan pengembangan lokal.
Python
Untuk mempelajari cara menginstal atau mengupdate Vertex AI SDK untuk Python, lihat Menginstal Vertex AI SDK untuk Python. Untuk mengetahui informasi selengkapnya, lihat Dokumentasi referensi Python API.
Deteksi objek
Model deteksi objek gambar AutoML Edge yang dilatih dapat diekspor dalam format berikut:
- TF Lite - Ekspor model Anda sebagai paket TF Lite untuk menjalankan model di perangkat edge atau seluler.
- Container - Ekspor model Anda sebagai TF Saved Model untuk dijalankan di container Docker.
- Tensorflow.js - Ekspor model Anda sebagai paket TensorFlow.js untuk menjalankan model Anda di browser dan di Node.js.
Pilih tab di bawah untuk bahasa atau lingkungan Anda:
Konsol
- Di konsol Google Cloud, di bagian Vertex AI, buka halaman Model.
- Klik nomor versi model AutoML Edge yang ingin Anda ekspor untuk membuka halaman detailnya.
- Pilih tab Deploy & Uji untuk melihat format ekspor yang tersedia.
- Pilih format model ekspor yang diinginkan dari bagian Gunakan model edge yang dioptimalkan.
- Di jendela samping Ekspor model, tentukan lokasi di Cloud Storage untuk menyimpan output ekspor model Edge.
- Klik Ekspor.
- Klik Selesai untuk menutup jendela samping Ekspor model.
REST
Sebelum menggunakan data permintaan mana pun, lakukan penggantian berikut:
- LOCATION: Lokasi project Anda.
- PROJECT: Project ID Anda.
- MODEL_ID: Nomor ID model AutoML Edge terlatih yang Anda ekspor.
- EXPORT_FORMAT: Jenis model Edge yang Anda ekspor. Untuk tujuan ini,
opsinya adalah:
tflite
(TF Lite) - Ekspor model Anda sebagai paket TF Lite untuk menjalankan model di perangkat edge atau seluler.tf-saved-model
(Container) - Ekspor model Anda sebagai TF Saved Model untuk dijalankan di container Docker.tf-js
(Tensorflow.js) - Ekspor model Anda sebagai paket TensorFlow.js untuk menjalankan model Anda di browser dan di Node.js.
- OUTPUT_BUCKET: Jalur ke direktori bucket Cloud Storage tempat Anda ingin menyimpan file model Edge.
Metode HTTP dan URL:
POST https://LOCATION-aiplatform.googleapis.com/v1/projects/PROJECT/locations/LOCATION/models/MODEL_ID:export
Isi JSON permintaan:
{ "outputConfig": { "exportFormatId": "EXPORT_FORMAT", "artifactDestination": { "outputUriPrefix": "gs://OUTPUT_BUCKET/" } } }
Untuk mengirim permintaan Anda, pilih salah satu opsi berikut:
curl
Simpan isi permintaan dalam file bernama request.json
,
dan jalankan perintah berikut:
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
Simpan isi permintaan dalam file bernama request.json
,
dan jalankan perintah berikut:
$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
Respons ini berisi informasi tentang spesifikasi serta OPERATION_ID.
Anda bisa mendapatkan status operasi ekspor untuk melihat kapan operasi tersebut selesai.
Java
Sebelum mencoba contoh ini, ikuti petunjuk penyiapan Java di panduan memulai Vertex AI menggunakan library klien. Untuk mengetahui informasi selengkapnya, lihat Dokumentasi referensi API Java Vertex AI.
Untuk melakukan autentikasi ke Vertex AI, siapkan Kredensial Default Aplikasi. Untuk mengetahui informasi selengkapnya, baca Menyiapkan autentikasi untuk lingkungan pengembangan lokal.
Node.js
Sebelum mencoba contoh ini, ikuti petunjuk penyiapan Node.js di Panduan memulai Vertex AI menggunakan library klien. Untuk mengetahui informasi selengkapnya, lihat Dokumentasi referensi API Node.js Vertex AI.
Untuk melakukan autentikasi ke Vertex AI, siapkan Kredensial Default Aplikasi. Untuk mengetahui informasi selengkapnya, baca Menyiapkan autentikasi untuk lingkungan pengembangan lokal.
Python
Untuk mempelajari cara menginstal atau mengupdate Vertex AI SDK untuk Python, lihat Menginstal Vertex AI SDK untuk Python. Untuk mengetahui informasi selengkapnya, lihat Dokumentasi referensi Python API.
Video
Pilih tab di bawah ini untuk tujuan Anda:
Pengenalan tindakan
Model pengenalan tindakan video AutoML Edge yang dilatih dapat diekspor dalam format model tersimpan.
Pilih tab di bawah ini untuk bahasa atau lingkungan Anda:
Konsol
- Di konsol Google Cloud, di bagian Vertex AI, buka halaman Model.
- Klik nomor versi model AutoML Edge yang ingin Anda ekspor untuk membuka halaman detailnya.
- Klik Ekspor.
- Di jendela samping Ekspor model, tentukan lokasi di Cloud Storage untuk menyimpan output ekspor model Edge.
- Klik Ekspor.
- Klik Selesai untuk menutup jendela samping Ekspor model.
REST
Sebelum menggunakan data permintaan mana pun, lakukan penggantian berikut:
- LOCATION: Region tempat Model disimpan. Contoh,
us-central1
. - MODEL_ID: Nomor ID model AutoML Edge terlatih yang Anda ekspor.
- EXPORT_FORMAT: Jenis model Edge yang Anda ekspor. Untuk pengenalan
tindakan video, opsi modelnya adalah:
tf-saved-model
(Container) - Ekspor model Anda sebagai TF Saved Model untuk dijalankan di container Docker.
- OUTPUT_BUCKET: Jalur ke direktori bucket Cloud Storage tempat Anda ingin menyimpan file model Edge.
- PROJECT_NUMBER: Nomor project yang dibuat secara otomatis untuk project Anda.
Metode HTTP dan URL:
POST https://LOCATION-aiplatform.googleapis.com/v1/projects/PROJECT_NUMBER/locations/LOCATION/models/MODEL_ID:export
Isi JSON permintaan:
{ "outputConfig": { "exportFormatId": "EXPORT_FORMAT", "artifactDestination": { "outputUriPrefix": "gs://OUTPUT_BUCKET/" } } }
Untuk mengirim permintaan Anda, pilih salah satu opsi berikut:
curl
Simpan isi permintaan dalam file bernama request.json
,
dan jalankan perintah berikut:
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
Simpan isi permintaan dalam file bernama request.json
,
dan jalankan perintah berikut:
$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
Respons ini berisi informasi tentang spesifikasi serta OPERATION_ID.
Anda bisa mendapatkan status operasi ekspor untuk melihat kapan operasi tersebut selesai.
Java
Sebelum mencoba contoh ini, ikuti petunjuk penyiapan Java di panduan memulai Vertex AI menggunakan library klien. Untuk mengetahui informasi selengkapnya, lihat Dokumentasi referensi API Java Vertex AI.
Untuk melakukan autentikasi ke Vertex AI, siapkan Kredensial Default Aplikasi. Untuk mengetahui informasi selengkapnya, baca Menyiapkan autentikasi untuk lingkungan pengembangan lokal.
Python
Untuk mempelajari cara menginstal atau mengupdate Vertex AI SDK untuk Python, lihat Menginstal Vertex AI SDK untuk Python. Untuk mengetahui informasi selengkapnya, lihat Dokumentasi referensi Python API.
Klasifikasi
Model klasifikasi video AutoML Edge yang dilatih hanya dapat diekspor dalam format model tersimpan.
Pilih tab di bawah ini untuk bahasa atau lingkungan Anda:
Konsol
- Di konsol Google Cloud, di bagian Vertex AI, buka halaman Model.
- Klik nomor versi model AutoML Edge yang ingin Anda ekspor untuk membuka halaman detailnya.
- Klik Ekspor.
- Di jendela samping Ekspor model, tentukan lokasi di Cloud Storage untuk menyimpan output ekspor model Edge.
- Klik Ekspor.
- Klik Selesai untuk menutup jendela samping Ekspor model.
REST
Sebelum menggunakan data permintaan mana pun, lakukan penggantian berikut:
- LOCATION: Region tempat Model disimpan. Contoh,
us-central1
- MODEL_ID: Nomor ID model AutoML Edge terlatih yang Anda ekspor.
- EXPORT_FORMAT: Jenis model Edge yang Anda ekspor. Untuk klasifikasi video,
opsi modelnya adalah:
tf-saved-model
(Container) - Ekspor model Anda sebagai TF Saved Model untuk dijalankan di container Docker.
- OUTPUT_BUCKET: Jalur ke direktori bucket Cloud Storage tempat Anda ingin menyimpan file model Edge.
- PROJECT_NUMBER: Nomor project yang dibuat secara otomatis untuk project Anda.
Metode HTTP dan URL:
POST https://LOCATION-aiplatform.googleapis.com/v1/projects/PROJECT_NUMBER/locations/LOCATION/models/MODEL_ID:export
Isi JSON permintaan:
{ "outputConfig": { "exportFormatId": "EXPORT_FORMAT", "artifactDestination": { "outputUriPrefix": "gs://OUTPUT_BUCKET/" } } }
Untuk mengirim permintaan Anda, pilih salah satu opsi berikut:
curl
Simpan isi permintaan dalam file bernama request.json
,
dan jalankan perintah berikut:
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
Simpan isi permintaan dalam file bernama request.json
,
dan jalankan perintah berikut:
$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
Respons ini berisi informasi tentang spesifikasi serta 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" } } }
Anda bisa mendapatkan status operasi ekspor untuk melihat kapan operasi tersebut selesai.
Pelacakan objek
Model pelacakan objek video AutoML Edge yang dilatih dapat diekspor dalam format berikut:
- TF Lite - Ekspor model Anda sebagai paket TensorFlow Lite untuk menjalankan model Anda di perangkat edge atau seluler.
- Container - Ekspor model Anda sebagai TensorFlow Tersimpan Model untuk dijalankan di container Docker.
Pilih tab di bawah ini untuk bahasa atau lingkungan Anda:
Konsol
- Di konsol Google Cloud, di bagian Vertex AI, buka halaman Model.
- Klik nomor versi model AutoML Edge yang ingin Anda ekspor untuk membuka halaman detailnya.
- Klik Ekspor.
- Di jendela samping Ekspor model, tentukan lokasi di Cloud Storage untuk menyimpan output ekspor model Edge.
- Klik Ekspor.
- Klik Selesai untuk menutup jendela samping Ekspor model.
REST
Sebelum menggunakan data permintaan mana pun, lakukan penggantian berikut:
- LOCATION: Region tempat Model disimpan. Contoh,
us-central1
- MODEL_ID: Nomor ID model AutoML Edge terlatih yang Anda ekspor.
- EXPORT_FORMAT: Jenis model Edge yang Anda ekspor. Untuk model pelacakan objek
video, opsinya adalah:
tflite
(TF Lite) - Ekspor model Anda sebagai paket TF Lite untuk menjalankan model di perangkat edge atau seluler.edgetpu-tflite
(Edge TPU TF Lite) - Ekspor model Anda sebagai paket TF Lite untuk menjalankan model di perangkat Edge TPU.tf-saved-model
(Container) - Ekspor model Anda sebagai TF Saved Model untuk dijalankan di container Docker.
- OUTPUT_BUCKET: Jalur ke direktori bucket Cloud Storage tempat Anda ingin menyimpan file model Edge.
- PROJECT_NUMBER: Nomor project yang dibuat secara otomatis untuk project Anda.
Metode HTTP dan URL:
POST https://LOCATION-aiplatform.googleapis.com/v1/projects/PROJECT_NUMBER/locations/LOCATION/models/MODEL_ID:export
Isi JSON permintaan:
{ "outputConfig": { "exportFormatId": "EXPORT_FORMAT", "artifactDestination": { "outputUriPrefix": "gs://OUTPUT_BUCKET/" } } }
Untuk mengirim permintaan Anda, pilih salah satu opsi berikut:
curl
Simpan isi permintaan dalam file bernama request.json
,
dan jalankan perintah berikut:
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
Simpan isi permintaan dalam file bernama request.json
,
dan jalankan perintah berikut:
$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
Respons ini berisi informasi tentang spesifikasi serta 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" } } }
Anda bisa mendapatkan status operasi ekspor untuk melihat kapan operasi tersebut selesai.
Mendapatkan status operasi
Gambar
Gunakan kode berikut untuk mendapatkan status operasi ekspor. Kode ini sama untuk semua tujuan:
REST
Sebelum menggunakan data permintaan mana pun, lakukan penggantian berikut:
- LOCATION: Lokasi project Anda.
- PROJECT: Project ID Anda.
- OPERATION_ID:ID operasi target. ID ini biasanya terdapat dalam respons terhadap permintaan asli.
Metode HTTP dan URL:
GET https://LOCATION-aiplatform.googleapis.com/v1/projects/PROJECT/locations/LOCATION/operations/OPERATION_ID
Untuk mengirim permintaan Anda, pilih salah satu opsi berikut:
curl
Jalankan perintah berikut:
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
Jalankan perintah berikut:
$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
Sebelum menggunakan salah satu data permintaan, lakukan penggantian berikut:
- PROJECT_NUMBER: Nomor project yang dibuat secara otomatis untuk project Anda.
- LOCATION: Region tempat Model disimpan. Contoh,
us-central1
. - OPERATION_ID: ID operasi Anda.
Metode HTTP dan URL:
GET https://LOCATION-aiplatform.googleapis.com/v1/projects/PROJECT/locations/LOCATION/operations/OPERATION_ID
Untuk mengirim permintaan Anda, pilih salah satu opsi berikut:
curl
Jalankan perintah berikut:
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
Jalankan perintah berikut:
$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
Anda akan menerima respons JSON yang mirip dengan yang berikut ini:
File output
Gambar
Pilih tab di bawah ini untuk format model Anda:
TF Lite
OUTPUT_BUCKET
yang Anda tentukan dalam permintaan menentukan tempat file
output disimpan. Format direktori tempat file output disimpan mengikuti format:
- gs://OUTPUT_BUCKET/model-MODEL_ID/tflite/YYYY-MM-DDThh:mm:ss.sssZ/
File:
model.tflite
: File yang berisi versi model yang siap digunakan dengan TensorFlow Lite.
Edge TPU
OUTPUT_BUCKET
yang Anda tentukan dalam permintaan menentukan tempat file
output disimpan. Format direktori tempat file output disimpan mengikuti format:
- gs://OUTPUT_BUCKET/model-MODEL_ID/edgetpu-tflite/YYYY-MM-DDThh:mm:ss.sssZ/
File:
edgetpu_model.tflite
: File yang berisi versi model untuk TensorFlow Lite, yang diteruskan melalui compiler Edge TPU agar kompatibel dengan Edge TPU.
Container
OUTPUT_BUCKET
yang Anda tentukan dalam permintaan menentukan tempat file
output disimpan. Format direktori tempat file output disimpan mengikuti format:
- gs://OUTPUT_BUCKET/model-MODEL_ID/tf-saved-model/YYYY-MM-DDThh:mm:ss.sssZ/
File:
saved_model.pb
: File buffering protokol yang berisi definisi grafik dan bobot model.
ML Inti
OUTPUT_BUCKET
yang Anda tentukan dalam permintaan menentukan tempat file
output disimpan. Format direktori tempat file output disimpan mengikuti format:
- gs://OUTPUT_BUCKET/model-MODEL_ID/core-ml/YYYY-MM-DDThh:mm:ss.sssZ/
File:
dict.txt
: File label. Setiap baris dalam file labeldict.txt
mewakili label prediksi yang ditampilkan oleh model, dengan urutan yang sama seperti saat diminta.Sampel
dict.txt
roses daisy tulips dandelion sunflowers
model.mlmodel
: File yang menentukan model Core ML.
Tensorflow.js
OUTPUT_BUCKET
yang Anda tentukan dalam permintaan menentukan tempat file
output disimpan. Format direktori tempat file output disimpan mengikuti format:
- gs://OUTPUT_BUCKET/model-MODEL_ID/tf-js/YYYY-MM-DDThh:mm:ss.sssZ/
File:
dict.txt
: File label. Setiap baris dalam file labeldict.txt
mewakili label prediksi yang ditampilkan oleh model, dengan urutan yang sama seperti saat diminta.Sampel
dict.txt
roses daisy tulips dandelion sunflowers
group1-shard1of3.bin
: File biner.group1-shard2of3.bin
: File biner.group1-shard3of3.bin
: File biner.model.json
: Representasi file JSON dari suatu model.Sampel
model.json
(disingkat agar lebih jelas){ "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
Pilih tab di bawah ini untuk format model Anda:
TF Lite
OUTPUT_BUCKET
yang Anda tentukan dalam permintaan menentukan tempat file
output disimpan. Format direktori tempat file output disimpan mengikuti format:
- gs://OUTPUT_BUCKET/model-MODEL_ID/tflite/YYYY-MM-DDThh:mm:ss.sssZ/
File:
model.tflite
: File yang berisi versi model yang siap digunakan dengan TensorFlow Lite.frozen_inference_graph.pb
: File buffering protokol serial yang berisi definisi grafik dan bobot model.label_map.pbtxt
: File peta label yang memetakan setiap label yang digunakan ke nilai bilangan bulat.
Edge TPU
OUTPUT_BUCKET
yang Anda tentukan dalam permintaan menentukan tempat file
output disimpan. Format direktori tempat file output disimpan mengikuti format:
- gs://OUTPUT_BUCKET/model-MODEL_ID/edgetpu-tflite/YYYY-MM-DDThh:mm:ss.sssZ/
File:
edgetpu_model.tflite
: File yang berisi versi model untuk TensorFlow Lite, yang diteruskan melalui compiler Edge TPU agar kompatibel dengan Edge TPU.label_map.pbtxt
: File peta label yang memetakan setiap label yang digunakan ke nilai bilangan bulat.
Container
OUTPUT_BUCKET
yang Anda tentukan dalam permintaan menentukan tempat file
output disimpan. Format direktori tempat file output disimpan mengikuti format:
- gs://OUTPUT_BUCKET/model-MODEL_ID/tf-saved-model/YYYY-MM-DDThh:mm:ss.sssZ/
File:
frozen_inference_graph.pb
: File buffering protokol serial yang berisi definisi grafik dan bobot model.label_map.pbtxt
: File peta label yang memetakan setiap label yang digunakan ke nilai bilangan bulat.saved_model/saved_model.pb
: File menyimpan program, atau model TensorFlow yang sebenarnya, dan serangkaian tanda tangan bernama, yang masing-masing mengidentifikasi fungsi yang menerima input tensor dan menghasilkan output tensor.saved_model/variables/
: Direktori variabel berisi checkpoint pelatihan standar.