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 di modelli tabulari, consulta Esportazione di un modello tabulare AutoML.
Introduzione
Dopo aver addestrato un modello AutoML Edge, in alcuni casi puoi esportare il modello in diversi formati, a seconda di come vuoi utilizzarlo. I file del modello 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. Per ottenere previsioni devi eseguire il deployment del modello Edge su un dispositivo esterno.
Esportazione di un modello
Utilizza i seguenti esempi di codice per identificare un modello AutoML Edge, specificare un percorso di archiviazione dei file di output e inviare la richiesta del modello di esportazione.
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.
- Contenitore: esporta il modello come modello salvato TF per eseguirlo in 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 la scheda seguente per la tua lingua o il tuo ambiente:
Console
- Nella sezione Vertex AI della console Google Cloud, vai alla pagina Modelli.
- Fai clic sul numero di versione del modello AutoML Edge da 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 esportando. A questo scopo, le opzioni sono:
tflite
(TF Lite) - Esporta il modello come pacchetto TF Lite per eseguirlo su dispositivi perimetrali 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 TF per eseguirlo in un container Docker.core-ml
(Core ML) - Esporta un file .mlmodel per eseguire il tuo 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:
arricciatura
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 su OPERATION_ID.
Puoi controllare lo stato dell'operazione di esportazione per vedere quando è completata.
Java
Prima di provare questo esempio, segui le istruzioni di configurazione di Java riportate nella guida rapida di Vertex AI sull'utilizzo delle librerie client. Per maggiori informazioni, consulta la documentazione di riferimento dell'API Java Vertex AI.
Per eseguire l'autenticazione in Vertex AI, configura le 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 di configurazione di Node.js riportate nella guida rapida di Vertex AI sull'utilizzo delle librerie client. Per maggiori informazioni, consulta la documentazione di riferimento dell'API Node.js Vertex AI.
Per eseguire l'autenticazione in Vertex AI, configura le 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, consulta Installare l'SDK Vertex AI per Python. Per saperne di più, 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.
- Contenitore: esporta il modello come modello salvato TF per eseguirlo in 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 la scheda seguente per la tua lingua o il tuo ambiente:
Console
- Nella sezione Vertex AI della console Google Cloud, vai alla pagina Modelli.
- Fai clic sul numero di versione del modello AutoML Edge da 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 esportando. A questo scopo, le opzioni sono:
tflite
(TF Lite) - Esporta il modello come pacchetto TF Lite per eseguirlo su dispositivi perimetrali 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 TF per eseguirlo in un container Docker.core-ml
(Core ML) - Esporta un file .mlmodel per eseguire il tuo 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:
arricciatura
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 su OPERATION_ID.
Puoi controllare lo stato dell'operazione di esportazione per vedere quando è completata.
Java
Prima di provare questo esempio, segui le istruzioni di configurazione di Java riportate nella guida rapida di Vertex AI sull'utilizzo delle librerie client. Per maggiori informazioni, consulta la documentazione di riferimento dell'API Java Vertex AI.
Per eseguire l'autenticazione in Vertex AI, configura le 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 di configurazione di Node.js riportate nella guida rapida di Vertex AI sull'utilizzo delle librerie client. Per maggiori informazioni, consulta la documentazione di riferimento dell'API Node.js Vertex AI.
Per eseguire l'autenticazione in Vertex AI, configura le 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, consulta Installare l'SDK Vertex AI per Python. Per saperne di più, consulta la documentazione di riferimento dell'API Python.
Rilevamento di oggetti
I modelli addestrati di rilevamento degli oggetti immagine di AutoML Edge possono essere esportati nei seguenti formati:
- TF Lite: esporta il modello come pacchetto TF Lite per eseguirlo su dispositivi periferici o mobili.
- Contenitore: esporta il modello come modello salvato TF per eseguirlo in un container Docker.
- Tensorflow.js: esporta il modello come pacchetto TensorFlow.js per eseguirlo nel browser e in Node.js.
Seleziona la scheda seguente per la tua lingua o il tuo ambiente:
Console
- Nella sezione Vertex AI della console Google Cloud, vai alla pagina Modelli.
- Fai clic sul numero di versione del modello AutoML Edge da 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 modello ottimizzato per i bordi.
- 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 esportando. A questo scopo, le opzioni sono:
tflite
(TF Lite) - Esporta il modello come pacchetto TF Lite per eseguirlo su dispositivi perimetrali o mobili.tf-saved-model
(container): esporta il modello come modello salvato TF per eseguirlo in 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:
arricciatura
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 su OPERATION_ID.
Puoi controllare lo stato dell'operazione di esportazione per vedere quando è completata.
Java
Prima di provare questo esempio, segui le istruzioni di configurazione di Java riportate nella guida rapida di Vertex AI sull'utilizzo delle librerie client. Per maggiori informazioni, consulta la documentazione di riferimento dell'API Java Vertex AI.
Per eseguire l'autenticazione in Vertex AI, configura le 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 di configurazione di Node.js riportate nella guida rapida di Vertex AI sull'utilizzo delle librerie client. Per maggiori informazioni, consulta la documentazione di riferimento dell'API Node.js Vertex AI.
Per eseguire l'autenticazione in Vertex AI, configura le 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, consulta Installare l'SDK Vertex AI per Python. Per saperne di più, consulta la documentazione di riferimento dell'API Python.
Video
Seleziona la scheda di seguito per il tuo scopo:
Riconoscimento delle azioni
I modelli di riconoscimento delle azioni video di AutoML Edge addestrati possono essere esportati nel formato del modello salvato.
Seleziona la scheda seguente per la tua lingua o il tuo ambiente:
Console
- Nella sezione Vertex AI della console Google Cloud, vai alla pagina Modelli.
- Fai clic sul numero di versione del modello AutoML Edge da 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 esportando. Per il riconoscimento
delle azioni video, l'opzione del modello è:
tf-saved-model
(container): esporta il modello come modello salvato TF per eseguirlo in 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 dal 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:
arricciatura
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 su OPERATION_ID.
Puoi controllare lo stato dell'operazione di esportazione per vedere quando è completata.
Java
Prima di provare questo esempio, segui le istruzioni di configurazione di Java riportate nella guida rapida di Vertex AI sull'utilizzo delle librerie client. Per maggiori informazioni, consulta la documentazione di riferimento dell'API Java Vertex AI.
Per eseguire l'autenticazione in Vertex AI, configura le 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, consulta Installare l'SDK Vertex AI per Python. Per saperne di più, consulta la documentazione di riferimento dell'API Python.
Classificazione
I modelli di classificazione video AutoML Edge addestrati possono essere esportati solo nel formato del modello salvato.
Seleziona la scheda seguente per la tua lingua o il tuo ambiente:
Console
- Nella sezione Vertex AI della console Google Cloud, vai alla pagina Modelli.
- Fai clic sul numero di versione del modello AutoML Edge da 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 esportando. Per la classificazione dei video,
l'opzione del modello è:
tf-saved-model
(container): esporta il modello come modello salvato TF per eseguirlo in 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 dal 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:
arricciatura
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 su 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 controllare lo stato dell'operazione di esportazione per vedere quando è completata.
Monitoraggio oggetti
I modelli di monitoraggio degli oggetti video AutoML Edge addestrati 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 TensorFlow per eseguirlo in un container Docker.
Seleziona la scheda seguente per la tua lingua o il tuo ambiente:
Console
- Nella sezione Vertex AI della console Google Cloud, vai alla pagina Modelli.
- Fai clic sul numero di versione del modello AutoML Edge da 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 esportando. Per i modelli di monitoraggio degli oggetti video, le opzioni sono:
tflite
(TF Lite) - Esporta il modello come pacchetto TF Lite per eseguirlo su dispositivi perimetrali 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 TF per eseguirlo in 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 dal 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:
arricciatura
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 su 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 controllare lo stato dell'operazione di esportazione per vedere quando è completata.
Ottieni lo stato dell'operazione
Immagine
Utilizza il seguente codice per conoscere 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 target. Questo ID è generalmente incluso 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:
arricciatura
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 dal 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:
arricciatura
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 valore OUTPUT_BUCKET
specificato nella richiesta determina dove sono archiviati
i file di output. Il formato di directory in cui vengono 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 valore OUTPUT_BUCKET
specificato nella richiesta determina dove sono archiviati
i file di output. Il formato di directory in cui vengono 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, trasmessa tramite il compilatore Edge TPU per essere compatibile con Edge TPU.
Container
Il valore OUTPUT_BUCKET
specificato nella richiesta determina dove sono archiviati
i file di output. Il formato di directory in cui vengono 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 di buffer di protocollo contenente la definizione del grafico e le ponderazioni del modello.
Core ML
Il valore OUTPUT_BUCKET
specificato nella richiesta determina dove sono archiviati
i file di output. Il formato di directory in cui vengono 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 di etichette. Ogni riga del 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 valore OUTPUT_BUCKET
specificato nella richiesta determina dove sono archiviati
i file di output. Il formato di directory in cui vengono 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 di etichette. Ogni riga del 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
: la rappresentazione di un file JSON di un modello.Esempio
model.json
(abbreviato 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 valore OUTPUT_BUCKET
specificato nella richiesta determina dove sono archiviati
i file di output. Il formato di directory in cui vengono 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 di buffer del protocollo serializzato contenente la definizione del grafico e le ponderazioni del modello.label_map.pbtxt
: un file di mappa delle etichette che mappa ciascuna delle etichette utilizzate a un valore intero.
Edge TPU
Il valore OUTPUT_BUCKET
specificato nella richiesta determina dove sono archiviati
i file di output. Il formato di directory in cui vengono 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, trasmessa tramite 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 valore OUTPUT_BUCKET
specificato nella richiesta determina dove sono archiviati
i file di output. Il formato di directory in cui vengono 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 di buffer del protocollo serializzato contenente la definizione del grafico e le ponderazioni 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 il programma o modello TensorFlow effettivo e un insieme di firme denominate, ciascuna delle quali identifica una funzione che accetta input di tensor e produce output di tensori.saved_model/variables/
: la directory delle variabili contiene un checkpoint di addestramento standard.