Mengekspor model Edge

Setelah membuat (melatih) sebuah model, Anda dapat mengekspor model kustom.

Setelah mengekspor model, Anda dapat men-deploy model tersebut ke perangkat.

Anda dapat mengekspor model klasifikasi gambar dalam format berikut:

• TensorFlow Lite
• TensorFlowSavedModel untuk digunakan di container Docker
• TensorFlow Lite yang dikompilasi oleh Edge TPU
• TensorFlow.js untuk Web

Persyaratan ekspor model: Anda harus mengekspor model Edge ke bucket Cloud Storage yang sama dengan yang Anda gunakan untuk impor data.

Ekspor ke perangkat

Model TensorFlow Lite

UI web

1. Buka Vision Dashboard dan klik ikon bola lampu di menu navigasi kiri untuk menampilkan model yang tersedia.

   Untuk melihat model project yang berbeda, pilih project dari menu drop-down di kanan atas panel judul.

2. Klik baris model yang ingin Anda gunakan untuk memberi label pada gambar.

3. Klik tab Pengujian & Penggunaan tepat di bawah kolom judul.

4. Di bagian Gunakan model Anda, pilih opsi TF Lite. Setelah memilih opsi TF Lite dan menentukan lokasi ekspor di Cloud Storage di jendela samping, pilih Ekspor untuk mengekspor model Edge TF Lite Anda.

   

REST

Di kolom "modelFormat", tentukan "tflite" (default).

Catatan: nilai yang dapat diterima adalah: "tflite" (default), atau "tf_saved_model".

Sebelum menggunakan salah satu data permintaan, lakukan penggantian berikut:

• project-id: Project ID GCP Anda.
• model-id: ID model Anda, dari respons saat membuat model. ID adalah elemen terakhir dari nama model Anda. Misalnya:
  • nama model: projects/project-id/locations/location-id/models/IOD4412217016962778756
  • id model: IOD4412217016962778756
• output-storage-bucket: sebuah bucket/direktori Google Cloud Storage untuk menyimpan file output, yang dinyatakan dalam bentuk berikut: gs://bucket/directory/. Pengguna yang membuat permintaan harus memiliki izin tulis ke bucket.

Metode HTTP dan URL:

POST https://automl.googleapis.com/v1/projects/PROJECT_ID/locations/us-central1/models/MODEL_ID:export

Isi JSON permintaan:

{
  "outputConfig": {
    "modelFormat": "tflite",
    "gcsDestination": {
      "outputUriPrefix": "OUTPUT_STORAGE_BUCKET/"
    },
  }
}

Untuk mengirim permintaan Anda, pilih salah satu opsi berikut:

curl

Catatan: Perintah berikut mengasumsikan bahwa Anda telah login ke CLI gcloud dengan akun pengguna Anda dengan menjalankan gcloud init atau gcloud auth login, atau menggunakan Cloud Shell, yang secara otomatis membuat Anda login ke CLI gcloud. Anda dapat memeriksa akun yang aktif saat ini dengan menjalankan gcloud auth list.

Simpan isi permintaan dalam file bernama request.json, dan jalankan perintah berikut:

curl -X POST \
     -H "Authorization: Bearer $(gcloud auth print-access-token)" \
     -H "x-goog-user-project: PROJECT_ID" \
     -H "Content-Type: application/json; charset=utf-8" \
     -d @request.json \
     "https://automl.googleapis.com/v1/projects/PROJECT_ID/locations/us-central1/models/MODEL_ID:export"

PowerShell

Catatan: Perintah berikut mengasumsikan bahwa Anda telah login ke CLI gcloud dengan akun pengguna Anda dengan menjalankan gcloud init atau gcloud auth login. Anda dapat memeriksa akun yang aktif saat ini dengan menjalankan gcloud auth list.

Simpan isi permintaan dalam file bernama request.json, dan jalankan perintah berikut:

$cred = gcloud auth print-access-token
$headers = @{ "Authorization" = "Bearer $cred"; "x-goog-user-project" = "PROJECT_ID" }

Invoke-WebRequest `
    -Method POST `
    -Headers $headers `
    -ContentType: "application/json; charset=utf-8" `
    -InFile request.json `
    -Uri "https://automl.googleapis.com/v1/projects/PROJECT_ID/locations/us-central1/models/MODEL_ID:export" | Select-Object -Expand Content

Anda akan melihat respons JSON seperti berikut:

{
  "name": "projects/PROJECT_ID/locations/us-central1/operations/OPERATION_ID",
  "metadata": {
    "@type": "type.googleapis.com/google.cloud.automl.v1.OperationMetadata",
    "createTime": "2019-07-22T21:23:21.643041Z",
    "updateTime": "2019-07-22T21:23:21.643041Z",
    "exportModelDetails": {
      "outputInfo": {
        "gcsOutputDirectory": "OUTPUT_STORAGE_BUCKET/model-export/icn/tflite-DATASET_NAME-YYYY-MM-DDThh:mm:ss.sssZ"
      }
    }
  }
}

Sebagai hasilnya, Anda akan melihat sebuah struktur folder di dalam direktori yang telah Anda sediakan (CLOUD_STORAGE_BUCKET/[DIRECTORY]). Struktur folder yang telah dibuat akan mempunyai format umum seperti berikut (stempel waktu dalam format ISO-8601):

• CLOUD_STORAGE_BUCKET/model-export/icn/MODEL_TYPE-DATASET_NAME-YYYY-MM-DDThh:mm:ss.sssZ

Contoh:

• CLOUD_STORAGE_BUCKET/model-export/icn/tf-saved-model-DATASET_NAME-2019-07-22T21:25:35.135Z
• CLOUD_STORAGE_BUCKET/model-export/icn/tflite-DATASET_NAME-2019-07-22T21:23:18.861Z

Folder ini berisi model TensorFlow Lite bernama model.tflite, file label bernama dict.txt, dan file tflite_metadata.json.

dict.txt

Setiap baris dalam file label dict.txt mewakili label prediksi yang ditampilkan oleh model TensorFlow Lite, dengan urutan yang sama saat diminta. Misalnya, dict.txt untuk set data bunga adalah sebagai berikut:

daisy
dandelion
roses
sunflowers
tulips

tflite_metadata.json

{
    "batchSize": 1,
    "imageChannels": 3,
    "imageHeight": 224,
    "imageWidth": 224,
    "inferenceType": "QUANTIZED_UINT8",
    "inputTensor": "image",
    "inputType": "QUANTIZED_UINT8",
    "outputTensor": "scores",
    "supportedTfVersions": [
        "1.10",
        "1.11",
        "1.12",
        "1.13"
    ]
}

Menggunakan model yang diekspor

Setelah mengekspor model ke bucket Google Cloud Storage, Anda dapat men-deploy model AutoML Vision Edge di Perangkat Android .Perangkat iOS, atau Rasberi Pi 3.

Model ML inti

UI web

1. Buka Vision Dashboard dan klik ikon bola lampu di menu navigasi kiri untuk menampilkan model yang tersedia.

   Untuk melihat model project yang berbeda, pilih project dari menu drop-down di kanan atas panel judul.

2. Klik baris model yang ingin Anda gunakan untuk memberi label pada gambar.

3. Klik tab Pengujian & Penggunaan tepat di bawah batang judul.

4. Di bagian Gunakan model Anda, pilih opsi Core ML. Setelah memilih opsi Core ML dan menentukan lokasi ekspor di Cloud Storage di jendela samping, klik Export untuk mengekspor model Edge Anda.

   

REST

Di kolom "modelFormat", tentukan "core_ml".

Sebelum menggunakan salah satu data permintaan, lakukan penggantian berikut:

• project-id: Project ID GCP Anda.
• model-id: ID model Anda, dari respons saat membuat model. ID adalah elemen terakhir dari nama model Anda. Misalnya:
  • nama model: projects/project-id/locations/location-id/models/IOD4412217016962778756
  • id model: IOD4412217016962778756
• output-storage-bucket: sebuah bucket/direktori Google Cloud Storage untuk menyimpan file output, yang dinyatakan dalam bentuk berikut: gs://bucket/directory/. Pengguna yang membuat permintaan harus memiliki izin tulis ke bucket.

Metode HTTP dan URL:

POST https://automl.googleapis.com/v1/projects/PROJECT_ID/locations/us-central1/models/MODEL_ID:export

Isi JSON permintaan:

{
  "outputConfig": {
    "modelFormat": "core_ml",
    "gcsDestination": {
      "outputUriPrefix": "OUTPUT_STORAGE_BUCKET/"
    },
  }
}

Untuk mengirim permintaan Anda, pilih salah satu opsi berikut:

curl

Catatan: Perintah berikut mengasumsikan bahwa Anda telah login ke CLI gcloud dengan akun pengguna Anda dengan menjalankan gcloud init atau gcloud auth login, atau menggunakan Cloud Shell, yang secara otomatis membuat Anda login ke CLI gcloud. Anda dapat memeriksa akun yang aktif saat ini dengan menjalankan gcloud auth list.

Simpan isi permintaan dalam file bernama request.json, dan jalankan perintah berikut:

curl -X POST \
     -H "Authorization: Bearer $(gcloud auth print-access-token)" \
     -H "x-goog-user-project: PROJECT_ID" \
     -H "Content-Type: application/json; charset=utf-8" \
     -d @request.json \
     "https://automl.googleapis.com/v1/projects/PROJECT_ID/locations/us-central1/models/MODEL_ID:export"

PowerShell

Catatan: Perintah berikut mengasumsikan bahwa Anda telah login ke CLI gcloud dengan akun pengguna Anda dengan menjalankan gcloud init atau gcloud auth login. Anda dapat memeriksa akun yang aktif saat ini dengan menjalankan gcloud auth list.

Simpan isi permintaan dalam file bernama request.json, dan jalankan perintah berikut:

$cred = gcloud auth print-access-token
$headers = @{ "Authorization" = "Bearer $cred"; "x-goog-user-project" = "PROJECT_ID" }

Invoke-WebRequest `
    -Method POST `
    -Headers $headers `
    -ContentType: "application/json; charset=utf-8" `
    -InFile request.json `
    -Uri "https://automl.googleapis.com/v1/projects/PROJECT_ID/locations/us-central1/models/MODEL_ID:export" | Select-Object -Expand Content

Anda akan melihat respons JSON seperti berikut:

{
  "name": "projects/PROJECT_ID/locations/us-central1/operations/OPERATION_ID",
  "metadata": {
    "@type": "type.googleapis.com/google.cloud.automl.v1.OperationMetadata",
    "createTime": "2019-11-12T22:53:55.290584Z",
    "updateTime": "2019-11-12T22:53:55.290584Z",
    "exportModelDetails": {
      "outputInfo": {
        "gcsOutputDirectory": "OUTPUT_STORAGE_BUCKET/model-export/icn/core_ml-DATASET_NAME_YYYY-MM-DDThh:mm:ss.sssZ/"
      }
    }
  }
}

Sebagai hasilnya, Anda akan melihat sebuah struktur folder di dalam direktori yang telah Anda sediakan (CLOUD_STORAGE_BUCKET/[DIRECTORY]). Struktur folder yang telah dibuat akan mempunyai format umum seperti berikut (stempel waktu dalam format ISO-8601):

• CLOUD_STORAGE_BUCKET/model-export/icn/MODEL_TYPE-DATASET_NAME-YYYY-MM-DDThh:mm:ss.sssZ

Contoh:

• CLOUD_STORAGE_BUCKET/model-export/icn/tf-saved-model-DATASET_NAME-2019-07-22T21:25:35.135Z
• CLOUD_STORAGE_BUCKET/model-export/icn/tflite-DATASET_NAME-2019-07-22T21:23:18.861Z

Folder tersebut berisi model Core ML bernama model.mlmodel dan file label dict.txt.

dict.txt

Setiap baris dalam file label dict.txt adalah label dari hasil prediksi yang ditampilkan oleh model TensorFlow Lite, diurutkan berdasarkan waktu saat mereka diminta. Misalnya, dict.txt untuk set data bunga adalah sebagai berikut:

daisy
dandelion
roses
sunflowers
tulips

Menggunakan model yang telah diekspor

Setelah mengekspor model ke bucket Google Cloud Storage, Anda dapat men-deploy model AutoML Vision Edge di perangkat iOS.

Mengekspor ke penampung

UI web

1. Buka Vision Dashboard dan klik ikon bola lampu di menu navigasi kiri untuk menampilkan model yang tersedia.

   Untuk melihat model project yang berbeda, pilih project dari menu drop-down di kanan atas panel judul.

2. Klik baris model yang ingin Anda gunakan untuk memberi label pada gambar.

3. Klik tab Pengujian & Penggunaan tepat di bawah batang judul.

4. Di bagian Gunakan model Anda, pilih opsi Container. Setelah memilih opsi Container dan menentukan lokasi ekspor di Cloud Storage di jendela samping, klik Eskpor untuk mengekspor model Edge Anda.

   

REST

Di kolom "modelFormat", tentukan "tf-saved-model".

Sebelum menggunakan salah satu data permintaan, lakukan penggantian berikut:

• project-id: Project ID GCP Anda.
• model-id: ID model Anda, dari respons saat membuat model. ID adalah elemen terakhir dari nama model Anda. Misalnya:
  • nama model: projects/project-id/locations/location-id/models/IOD4412217016962778756
  • id model: IOD4412217016962778756
• output-storage-bucket: sebuah bucket/direktori Google Cloud Storage untuk menyimpan file output, yang dinyatakan dalam bentuk berikut: gs://bucket/directory/. Pengguna yang membuat permintaan harus memiliki izin tulis ke bucket.

Metode HTTP dan URL:

POST https://automl.googleapis.com/v1/projects/PROJECT_ID/locations/us-central1/models/MODEL_ID:export

Isi JSON permintaan:

{
  "outputConfig": {
    "modelFormat": "tf-saved-model",
    "gcsDestination": {
      "outputUriPrefix": "OUTPUT_STORAGE_BUCKET/"
    },
  }
}

Untuk mengirim permintaan Anda, pilih salah satu opsi berikut:

curl

Catatan: Perintah berikut mengasumsikan bahwa Anda telah login ke CLI gcloud dengan akun pengguna Anda dengan menjalankan gcloud init atau gcloud auth login, atau menggunakan Cloud Shell, yang secara otomatis membuat Anda login ke CLI gcloud. Anda dapat memeriksa akun yang aktif saat ini dengan menjalankan gcloud auth list.

Simpan isi permintaan dalam file bernama request.json, dan jalankan perintah berikut:

curl -X POST \
     -H "Authorization: Bearer $(gcloud auth print-access-token)" \
     -H "x-goog-user-project: PROJECT_ID" \
     -H "Content-Type: application/json; charset=utf-8" \
     -d @request.json \
     "https://automl.googleapis.com/v1/projects/PROJECT_ID/locations/us-central1/models/MODEL_ID:export"

PowerShell

Catatan: Perintah berikut mengasumsikan bahwa Anda telah login ke CLI gcloud dengan akun pengguna Anda dengan menjalankan gcloud init atau gcloud auth login. Anda dapat memeriksa akun yang aktif saat ini dengan menjalankan gcloud auth list.

Simpan isi permintaan dalam file bernama request.json, dan jalankan perintah berikut:

$cred = gcloud auth print-access-token
$headers = @{ "Authorization" = "Bearer $cred"; "x-goog-user-project" = "PROJECT_ID" }

Invoke-WebRequest `
    -Method POST `
    -Headers $headers `
    -ContentType: "application/json; charset=utf-8" `
    -InFile request.json `
    -Uri "https://automl.googleapis.com/v1/projects/PROJECT_ID/locations/us-central1/models/MODEL_ID:export" | Select-Object -Expand Content

Anda akan melihat respons JSON seperti berikut:

{
  "name": "projects/PROJECT_ID/locations/us-central1/operations/OPERATION_ID",
  "metadata": {
    "@type": "type.googleapis.com/google.cloud.automl.v1.OperationMetadata",
    "createTime": "2019-07-22T21:23:21.643041Z",
    "updateTime": "2019-07-22T21:23:21.643041Z",
    "exportModelDetails": {
      "outputInfo": {
        "gcsOutputDirectory": "OUTPUT_STORAGE_BUCKET/model-export/icn/tf-saved-model-DATASET_NAME-YYYY-MM-DDThh:mm:ss.sssZ"
      }
    }
  }
}

Sebagai hasilnya, Anda akan melihat sebuah struktur folder di dalam direktori yang telah Anda sediakan (CLOUD_STORAGE_BUCKET/[DIRECTORY]). Struktur folder yang telah dibuat akan mempunyai format umum seperti berikut (stempel waktu dalam format ISO-8601):

• CLOUD_STORAGE_BUCKET/model-export/icn/MODEL_TYPE-DATASET_NAME-YYYY-MM-DDThh:mm:ss.sssZ

Contoh:

• CLOUD_STORAGE_BUCKET/model-export/icn/tf-saved-model-DATASET_NAME-2019-07-22T21:25:35.135Z
• CLOUD_STORAGE_BUCKET/model-export/icn/tflite-DATASET_NAME-2019-07-22T21:23:18.861Z

Folder ini berisi model TensorFlow bernama saved_model.pb.

Menggunakan model yang telah diekspor

Setelah mengekspor model ke bucket Google Cloud Storage, Anda dapat menggunakan model yang telah diekspor untuk membuat prediksi di dalam sebuah Docker image. Lihat tutorial Container untuk mengetahui petunjuk tentang cara men-deploy ke container.

Ekspor ke Edge TPU

UI web

1. Buka Vision Dashboard dan klik ikon bola lampu di menu navigasi kiri untuk menampilkan model yang tersedia.

   Untuk melihat model project yang berbeda, pilih project dari menu drop-down di kanan atas panel judul.

2. Pilih baris model yang ingin Anda gunakan untuk memberi label pada gambar.

3. Pilih tab Pengujian & Penggunaan tepat di bawah panel judul.

4. Di bagian Gunakan model Anda, pilih opsi Coral. Setelah memilih opsi Coral dan menentukan lokasi ekspor di Cloud Storage di jendela samping, klik Eskpor untuk mengekspor model Edge Anda.

   

REST

Di kolom "modelFormat", tentukan "edgetpu_tflite".

Sebelum menggunakan salah satu data permintaan, lakukan penggantian berikut:

• project-id: Project ID GCP Anda.
• model-id: ID model Anda, dari respons saat membuat model. ID adalah elemen terakhir dari nama model Anda. Misalnya:
  • nama model: projects/project-id/locations/location-id/models/IOD4412217016962778756
  • id model: IOD4412217016962778756
• output-storage-bucket: sebuah bucket/direktori Google Cloud Storage untuk menyimpan file output, yang dinyatakan dalam bentuk berikut: gs://bucket/directory/. Pengguna yang membuat permintaan harus memiliki izin tulis ke bucket.

Metode HTTP dan URL:

POST https://automl.googleapis.com/v1/projects/PROJECT_ID/locations/us-central1/models/MODEL_ID:export

Isi JSON permintaan:

{
  "outputConfig": {
    "modelFormat": "edgetpu_tflite",
    "gcsDestination": {
      "outputUriPrefix": "OUTPUT_STORAGE_BUCKET/"
    },
  }
}

Untuk mengirim permintaan Anda, pilih salah satu opsi berikut:

curl

Catatan: Perintah berikut mengasumsikan bahwa Anda telah login ke CLI gcloud dengan akun pengguna Anda dengan menjalankan gcloud init atau gcloud auth login, atau menggunakan Cloud Shell, yang secara otomatis membuat Anda login ke CLI gcloud. Anda dapat memeriksa akun yang aktif saat ini dengan menjalankan gcloud auth list.

Simpan isi permintaan dalam file bernama request.json, dan jalankan perintah berikut:

curl -X POST \
     -H "Authorization: Bearer $(gcloud auth print-access-token)" \
     -H "x-goog-user-project: PROJECT_ID" \
     -H "Content-Type: application/json; charset=utf-8" \
     -d @request.json \
     "https://automl.googleapis.com/v1/projects/PROJECT_ID/locations/us-central1/models/MODEL_ID:export"

PowerShell

Catatan: Perintah berikut mengasumsikan bahwa Anda telah login ke CLI gcloud dengan akun pengguna Anda dengan menjalankan gcloud init atau gcloud auth login. Anda dapat memeriksa akun yang aktif saat ini dengan menjalankan gcloud auth list.

Simpan isi permintaan dalam file bernama request.json, dan jalankan perintah berikut:

$cred = gcloud auth print-access-token
$headers = @{ "Authorization" = "Bearer $cred"; "x-goog-user-project" = "PROJECT_ID" }

Invoke-WebRequest `
    -Method POST `
    -Headers $headers `
    -ContentType: "application/json; charset=utf-8" `
    -InFile request.json `
    -Uri "https://automl.googleapis.com/v1/projects/PROJECT_ID/locations/us-central1/models/MODEL_ID:export" | Select-Object -Expand Content

Anda akan melihat respons JSON seperti berikut:

{
  "name": "projects/PROJECT_ID/locations/us-central1/operations/OPERATION_ID",
  "metadata": {
    "@type": "type.googleapis.com/google.cloud.automl.v1.OperationMetadata",
    "createTime": "2019-11-12T22:55:03.554806Z",
    "updateTime": "2019-11-12T22:55:03.554806Z",
    "exportModelDetails": {
      "outputInfo": {
        "gcsOutputDirectory": "OUTPUT_STORAGE_BUCKET/model-export/icn/edgetpu_tflite-DATASET_NAME_YYYY-MM-DDThh:mm:ss.sssZ/"
      }
    }
  }
}

Sebagai hasilnya, Anda akan melihat sebuah struktur folder di dalam direktori yang telah Anda sediakan (CLOUD_STORAGE_BUCKET/[DIRECTORY]). Struktur folder yang telah dibuat akan mempunyai format umum seperti berikut (stempel waktu dalam format ISO-8601):

• CLOUD_STORAGE_BUCKET/model-export/icn/MODEL_TYPE-DATASET_NAME-YYYY-MM-DDThh:mm:ss.sssZ

Contoh:

• CLOUD_STORAGE_BUCKET/model-export/icn/tf-saved-model-DATASET_NAME-2019-07-22T21:25:35.135Z
• CLOUD_STORAGE_BUCKET/model-export/icn/tflite-DATASET_NAME-2019-07-22T21:23:18.861Z

Folder ini berisi model TensorFlow Lite bernama edgetpu_model.tflite, file label bernama dict.txt, dan file tflite_metadata.json.

dict.txt

Setiap baris dalam file label dict.txt adalah label dari hasil prediksi yang ditampilkan oleh model TensorFlow Lite, diurutkan berdasarkan waktu saat mereka diminta. Misalnya, dict.txt untuk set data bunga adalah sebagai berikut:

daisy
dandelion
roses
sunflowers
tulips

tflite_metadata.json

{
    "batchSize": 1,
    "imageChannels": 3,
    "imageHeight": 224,
    "imageWidth": 224,
    "inferenceType": "QUANTIZED_UINT8",
    "inputTensor": "image",
    "inputType": "QUANTIZED_UINT8",
    "outputTensor": "scores",
    "supportedTfVersions": [
        "1.10",
        "1.11",
        "1.12",
        "1.13"
    ]
}

Menggunakan model yang telah diekspor

Untuk mengetahui informasi selengkapnya tentang cara men-deploy ke Edge TPU, lihat dokumentasi resmi Coral tentang cara menjalankan inferensi pada Edge TPU.

Ekspor untuk Web

UI web

1. Buka Vision Dashboard dan pilih ikon bola lampu di batang navigasi samping untuk menampilkan model-model yang tersedia.

   Untuk melihat model project yang berbeda, pilih project dari menu drop-down di kanan atas batang judul.

2. Pilih baris untuk model yang ingin Anda gunakan untuk memberi label pada gambar.

3. Pilih tab Pengujian & Penggunaan tepat di bawah batang judul.

4. Di bagian Gunakan model Anda, pilih opsi TensorFlow.js. Setelah memilih opsi Tensorflow.js dan menentukan lokasi ekspor pada Cloud Storage di jendela samping, pilih Ekspor untuk mengekspor model TensorFlow.js yang siap untuk Web.

   

REST

Sebelum menggunakan salah satu data permintaan, lakukan penggantian berikut:

• project-id: Project ID GCP Anda.
• model-id: ID model Anda, dari respons saat membuat model. ID adalah elemen terakhir dari nama model Anda. Misalnya:
  • nama model: projects/project-id/locations/location-id/models/IOD4412217016962778756
  • id model: IOD4412217016962778756
• output-storage-bucket: sebuah bucket/direktori Google Cloud Storage untuk menyimpan file output, yang dinyatakan dalam bentuk berikut: gs://bucket/directory/. Pengguna yang membuat permintaan harus memiliki izin tulis ke bucket.

Metode HTTP dan URL:

POST https://automl.googleapis.com/v1/projects/PROJECT_ID/locations/us-central1/models/MODEL_ID:export

Isi JSON permintaan:

{
  "outputConfig": {
    "modelFormat": "tf_js",
    "gcsDestination": {
      "outputUriPrefix": "OUTPUT_STORAGE_BUCKET/"
    },
  }
}

Untuk mengirim permintaan Anda, pilih salah satu opsi berikut:

curl

Catatan: Perintah berikut mengasumsikan bahwa Anda telah login ke CLI gcloud dengan akun pengguna Anda dengan menjalankan gcloud init atau gcloud auth login, atau menggunakan Cloud Shell, yang secara otomatis membuat Anda login ke CLI gcloud. Anda dapat memeriksa akun yang aktif saat ini dengan menjalankan gcloud auth list.

Simpan isi permintaan dalam file bernama request.json, dan jalankan perintah berikut:

curl -X POST \
     -H "Authorization: Bearer $(gcloud auth print-access-token)" \
     -H "x-goog-user-project: project-id" \
     -H "Content-Type: application/json; charset=utf-8" \
     -d @request.json \
     "https://automl.googleapis.com/v1/projects/PROJECT_ID/locations/us-central1/models/MODEL_ID:export"

PowerShell

Catatan: Perintah berikut mengasumsikan bahwa Anda telah login ke CLI gcloud dengan akun pengguna Anda dengan menjalankan gcloud init atau gcloud auth login. Anda dapat memeriksa akun yang aktif saat ini dengan menjalankan gcloud auth list.

Simpan isi permintaan dalam file bernama request.json, dan jalankan perintah berikut:

$cred = gcloud auth print-access-token
$headers = @{ "Authorization" = "Bearer $cred"; "x-goog-user-project" = "project-id" }

Invoke-WebRequest `
    -Method POST `
    -Headers $headers `
    -ContentType: "application/json; charset=utf-8" `
    -InFile request.json `
    -Uri "https://automl.googleapis.com/v1/projects/PROJECT_ID/locations/us-central1/models/MODEL_ID:export" | Select-Object -Expand Content

Anda akan melihat respons JSON seperti berikut:

{
  "name": "projects/PROJECT_ID/locations/us-central1/operations/OPERATION_ID",
  "metadata": {
    "@type": "type.googleapis.com/google.cloud.automl.v1.OperationMetadata",
    "createTime": "2019-07-22T21:23:21.643041Z",
    "updateTime": "2019-07-22T21:23:21.643041Z",
    "exportModelDetails": {
      "outputInfo": {
        "gcsOutputDirectory": "OUTPUT_STORAGE_BUCKET/model-export/icn/tf_js-DATASET_NAME-YYYY-MM-DDThh:mm:ss.sssZ"
      }
    }
  }
}

Sebagai hasilnya, Anda akan melihat sebuah folder di direktori yang telah Anda sediakan (USER_GCS_PATH). Folder yang dibuat akan diberi nama sesuai dengan stempel waktu dalam format /model-export/icn/tf_js-DATASET_NAME-YYYY-MM-DDThh:mm:ss.sssZ (contohnya, tf_js-edge_model-2019-10-03T17:24:46.999Z).

Folder ini berisi file biner (.bin), file label bernama dict.txt, dan file model.json.

dict.txt

Setiap baris dalam file label dict.txt adalah label hasil prediksi yang ditampilkan oleh model TensorFlow.js, diurutkan berdasarkan waktu saat mereka diminta. Contohnya, dict.txt untuk set data bunga adalah sebagai berikut:

daisy
dandelion
roses
sunflowers
tulips

model.json (disusutkan agar lebih jelas)

{
  "format": "graph-model",
  "generatedBy": "1.14.0",
  "convertedBy": "TensorFlow.js Converter v1.2.9",
  "modelTopology": {
    "node": [
      {
        "name": "image",
        "op": "Placeholder",
        "attr": {
          "shape": {
            "shape": {
              "dim": [
                {
                  "size": "1"
                },
                {
                  "size": "224"
                },
                {
                  "size": "224"
                },
                {
                  "size": "3"
                }
              ]
            }
          },
          "dtype": {
            "type": "DT_FLOAT"
          }
        }
      },
      ...
      {
        "name": "mnas_v4_a/cell_3/op_0/expand_0/tf_layer/kernel",
        "op": "Const",
        "attr": {
          "dtype": {
            "type": "DT_FLOAT"
          },
          "value": {
            "tensor": {
              "dtype": "DT_FLOAT",
              "tensorShape": {
                "dim": [
                  {
                    "size": "1"
                  },
                  {
                    "size": "1"
                  },
                  {
                    "size": "24"
                  },
                  {
                    "size": "72"
                  }
                ]
              }
            }
          }
        }
      },
      {
        "name": "mnas_v4_a_1/feature_network/cell_14/op_0/project_0/Conv2D_bn_offset",
        "op": "Const",
        "attr": {
          "value": {
            "tensor": {
              "dtype": "DT_FLOAT",
              "tensorShape": {
                "dim": [
                  {
                    "size": "192"
                  }
                ]
              }
            }
          },
          "dtype": {
            "type": "DT_FLOAT"
          }
        }
      },
      ...
      {
        "name": "mnas_v4_a_1/feature_network/stem/bn/FusedBatchNorm",
        "op": "_FusedConv2D",
        "input": [
          "image",
          "mnas_v4_a/stem/conv/tf_layer/kernel",
          "mnas_v4_a_1/feature_network/stem/conv/Conv2D_bn_offset"
        ],
        "device": "/device:CPU:0",
        "attr": {
          "num_args": {
            "i": "1"
          },
          "explicit_paddings": {
            "list": {}
          },
          "fused_ops": {
            "list": {
              "s": [
                "Qmlhc0FkZA=="
              ]
            }
          },
          "use_cudnn_on_gpu": {
            "b": true
          },
          "padding": {
            "s": "U0FNRQ=="
          },
          "dilations": {
            "list": {
              "i": [
                "1",
                "1",
                "1",
                "1"
              ]
            }
          },
          "epsilon": {
            "f": 0
          },
          "T": {
            "type": "DT_FLOAT"
          },
          "strides": {
            "list": {
              "i": [
                "1",
                "2",
                "2",
                "1"
              ]
            }
          },
          "data_format": {
            "s": "TkhXQw=="
          }
        }
      },
      {
        "name": "mnas_v4_a_1/feature_network/lead_cell_0/op_0/depthwise_0/depthwise",
        "op": "DepthwiseConv2dNative",
        "input": [
          "mnas_v4_a_1/feature_network/stem/bn/FusedBatchNorm",
          "mnas_v4_a/lead_cell_0/op_0/depthwise_0/depthwise_kernel"
        ],
        "attr": {
          "dilations": {
            "list": {
              "i": [
                "1",
                "1",
                "1",
                "1"
              ]
            }
          },
          "strides": {
            "list": {
              "i": [
                "1",
                "1",
                "1",
                "1"
              ]
            }
          },
          "T": {
            "type": "DT_FLOAT"
          },
          "padding": {
            "s": "U0FNRQ=="
          },
          "data_format": {
            "s": "TkhXQw=="
          }
        }
      },
      ...
      {
        "name": "mnas_v4_a_1/feature_network/lead_cell_1/op_0/Relu",
        "op": "_FusedConv2D",
        "input": [
          "mnas_v4_a_1/feature_network/lead_cell_0/op_0/bn2_0/FusedBatchNorm",
          "mnas_v4_a/lead_cell_1/op_0/expand_0/tf_layer/kernel",
          "mnas_v4_a_1/feature_network/lead_cell_1/op_0/expand_0/Conv2D_bn_offset"
        ],
        "device": "/device:CPU:0",
        "attr": {
          "explicit_paddings": {
            "list": {}
          },
          "num_args": {
            "i": "1"
          },
          "fused_ops": {
            "list": {
              "s": [
                "Qmlhc0FkZA==",
                "UmVsdQ=="
              ]
            }
          },
          "use_cudnn_on_gpu": {
            "b": true
          },
          "padding": {
            "s": "U0FNRQ=="
          },
          "dilations": {
            "list": {
              "i": [
                "1",
                "1",
                "1",
                "1"
              ]
            }
          },
          "epsilon": {
            "f": 0
          },
          "T": {
            "type": "DT_FLOAT"
          },
          "strides": {
            "list": {
              "i": [
                "1",
                "1",
                "1",
                "1"
              ]
            }
          },
          "data_format": {
            "s": "TkhXQw=="
          }
        }
      },
      {
        "name": "mnas_v4_a_1/feature_network/lead_cell_1/op_0/depthwise_0/depthwise",
        "op": "DepthwiseConv2dNative",
        "input": [
          "mnas_v4_a_1/feature_network/lead_cell_1/op_0/Relu",
          "mnas_v4_a/lead_cell_1/op_0/depthwise_0/depthwise_kernel"
        ],
        "attr": {
          "strides": {
            "list": {
              "i": [
                "1",
                "2",
                "2",
                "1"
              ]
            }
          },
          "T": {
            "type": "DT_FLOAT"
          },
          "data_format": {
            "s": "TkhXQw=="
          },
          "padding": {
            "s": "U0FNRQ=="
          },
          "dilations": {
            "list": {
              "i": [
                "1",
                "1",
                "1",
                "1"
              ]
            }
          }
        }
      },
      {
        "name": "mnas_v4_a_1/feature_network/lead_cell_1/op_0/bn1_0/FusedBatchNorm",
        "op": "BiasAdd",
        "input": [
          "mnas_v4_a_1/feature_network/lead_cell_1/op_0/depthwise_0/depthwise",
          "mnas_v4_a_1/feature_network/lead_cell_1/op_0/depthwise_0/depthwise_bn_offset"
        ],
        "attr": {
          "T": {
            "type": "DT_FLOAT"
          },
          "data_format": {
            "s": "TkhXQw=="
          }
        }
      },
      {
        "name": "mnas_v4_a_1/feature_network/lead_cell_1/op_0/Relu_1",
        "op": "Relu",
        "input": [
          "mnas_v4_a_1/feature_network/lead_cell_1/op_0/bn1_0/FusedBatchNorm"
        ],
        "attr": {
          "T": {
            "type": "DT_FLOAT"
          }
        }
      },
      ...
      {
        "name": "mnas_v4_a_1/feature_network/feature_extractor/Mean",
        "op": "Mean",
        "input": [
          "mnas_v4_a_1/feature_network/lead_cell_17/op_0/Relu",
          "mnas_v4_a_1/feature_network/feature_extractor/Mean/reduction_indices"
        ],
        "attr": {
          "T": {
            "type": "DT_FLOAT"
          },
          "keep_dims": {
            "b": false
          },
          "Tidx": {
            "type": "DT_INT32"
          }
        }
      },
      {
        "name": "mnas_v4_a_1/output/fc/MatMul",
        "op": "MatMul",
        "input": [
          "mnas_v4_a_1/feature_network/feature_extractor/Mean",
          "mnas_v4_a/output/fc/tf_layer/kernel"
        ],
        "attr": {
          "transpose_b": {
            "b": false
          },
          "transpose_a": {
            "b": false
          },
          "T": {
            "type": "DT_FLOAT"
          }
        }
      },
      {
        "name": "mnas_v4_a_1/output/fc/BiasAdd",
        "op": "BiasAdd",
        "input": [
          "mnas_v4_a_1/output/fc/MatMul",
          "mnas_v4_a/output/fc/tf_layer/bias"
        ],
        "attr": {
          "T": {
            "type": "DT_FLOAT"
          },
          "data_format": {
            "s": "TkhXQw=="
          }
        }
      },
      {
        "name": "ExpandDims",
        "op": "ExpandDims",
        "input": [
          "mnas_v4_a_1/output/fc/BiasAdd",
          "ExpandDims/dim"
        ],
        "attr": {
          "T": {
            "type": "DT_FLOAT"
          },
          "Tdim": {
            "type": "DT_INT32"
          }
        }
      },
      {
        "name": "Squeeze",
        "op": "Squeeze",
        "input": [
          "ExpandDims"
        ],
        "attr": {
          "T": {
            "type": "DT_FLOAT"
          },
          "squeeze_dims": {
            "list": {
              "i": [
                "0"
              ]
            }
          }
        }
      },
      {
        "name": "Softmax",
        "op": "Softmax",
        "input": [
          "Squeeze"
        ],
        "attr": {
          "T": {
            "type": "DT_FLOAT"
          }
        }
      },
      {
        "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/cell_14/op_0/expand_0/tf_layer/kernel",
          "shape": [
            1,
            1,
            192,
            1152
          ],
          "dtype": "float32"
        },
        {
          "name": "mnas_v4_a_1/feature_network/cell_14/op_0/expand_0/Conv2D_bn_offset",
          "shape": [
            1152
          ],
          "dtype": "float32"
        },
        {
          "name": "mnas_v4_a_1/feature_network/lead_cell_17/op_0/conv2d_0/Conv2D_bn_offset",
          "shape": [
            1280
          ],
          "dtype": "float32"
        }
      ]
    }
  ]
}