Cette page a été traduite par l'API Cloud Translation.

Exporter des modèles AutoML Edge

Cette page explique comment utiliser Vertex AI pour exporter vos modèles AutoML Edge d'images vers Cloud Storage.

Pour plus d'informations sur l'exportation de modèles tabulaires, consultez la page Exporter des modèles tabulaires AutoML.

Introduction

Après avoir entraîné un modèle AutoML Edge, vous pouvez, dans certains cas, exporter le modèle dans différents formats, en fonction de la manière dont vous souhaitez l'utiliser. Les fichiers de modèle exportés sont enregistrés dans un bucket Cloud Storage et peuvent être utilisés pour les prédictions dans l'environnement de votre choix.

Vous ne pouvez pas utiliser un modèle Edge dans Vertex AI pour générer des prédictions. Vous devez déployer le modèle Edge sur un appareil externe pour obtenir des prédictions.

Exporter un modèle

Utilisez les exemples de code suivants pour identifier un modèle AutoML Edge, spécifier un emplacement de stockage pour un fichier de sortie, puis envoyer la requête d'exportation de modèle.

Image

Sélectionnez l'onglet correspondant à votre objectif :

Classification

Les modèles de classification d'images AutoML Edge entraînés peuvent être exportés dans les formats suivants :

TF Lite : exportez votre modèle en tant que package TF Lite pour l'exécuter sur des appareils mobiles ou de périphérie.
Edge TPU TF Lite : exportez votre modèle en tant que package TF Lite pour l'exécuter sur les appareils Edge TPU.
Conteneur : exportez votre modèle en tant que SavedModel TensorFlow pour l'exécuter sur un conteneur Docker.
Core ML : exportez un fichier .mlmodel pour exécuter votre modèle sur des appareils iOS et macOS.
Tensorflow.js : exportez votre modèle en tant que package TensorFlow.js pour l'exécuter dans un navigateur et dans Node.js.

Sélectionnez l'onglet correspondant à votre langage ou à votre environnement :

Console

Dans la console Google Cloud , au niveau de la section Vertex AI, accédez à la page Modèles.
Accéder à la page "Modèles"
Cliquez sur le numéro de version du modèle AutoML Edge que vous souhaitez exporter pour ouvrir sa page d'informations.
Cliquez sur Exporter.
Dans la fenêtre latérale Exporter le modèle, spécifiez l'emplacement Cloud Storage destiné à stocker le résultat de l'exportation du modèle Edge.
Cliquez sur Exporter.
Cliquez sur Terminé pour fermer la fenêtre latérale Exporter le modèle.

REST

Avant d'utiliser les données de requête ci-dessous, effectuez les remplacements suivants :

LOCATION : emplacement de votre projet.
PROJECT : ID de votre projet.
MODEL_ID : ID du modèle AutoML Edge entraîné que vous exportez.
EXPORT_FORMAT : type de modèle Edge que vous exportez. Pour cet objectif, les options sont les suivantes :
- tflite (TF Lite) : exportez votre modèle en tant que package TF Lite pour l'exécuter sur des appareils mobiles ou de périphérie.
- edgetpu-tflite (Edge TPU TF Lite) : exportez votre modèle en tant que package TF Lite pour l'exécuter sur les appareils Edge TPU.
- tf-saved-model (Conteneur) : exportez votre modèle en tant que SavedModel TensorFlow pour l'exécuter sur un conteneur Docker.
- core-ml (Core ML) : exportez un fichier .mlmodel pour exécuter votre modèle sur des appareils iOS et macOS.
- tf-js (Tensorflow.js) : exportez votre modèle en tant que package TensorFlow.js pour l'exécuter dans un navigateur et dans Node.js.
OUTPUT_BUCKET : chemin d'accès au répertoire de bucket Cloud Storage où vous souhaitez stocker les fichiers de modèle Edge.

Méthode HTTP et URL :

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

Corps JSON de la requête :

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

Pour envoyer votre requête, choisissez l'une des options suivantes :

curl

Remarque : Pour la commande suivante, nous partons du principe que vous vous êtes connecté à la CLI gcloud avec votre compte utilisateur en exécutant la commande gcloud init ou gcloud auth login, ou en utilisant Cloud Shell, qui vous connecte automatiquement à la CLI gcloud. Vous pouvez exécuter la commande gcloud auth list pour vérifier quel est le compte actuellement actif.

Enregistrez le corps de la requête dans un fichier nommé request.json, puis exécutez la commande suivante :

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

Remarque : Pour la commande suivante, nous partons du principe que vous vous êtes connecté à la CLI gcloud avec votre compte utilisateur en exécutant la commande gcloud init ou gcloud auth login. Vous pouvez exécuter la commande gcloud auth list pour vérifier quel est le compte actuellement actif.

Enregistrez le corps de la requête dans un fichier nommé request.json, puis exécutez la commande suivante :

$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 réponse contient des informations sur les spécifications, ainsi que sur OPERATION_ID.

Réponse

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

Vous pouvez obtenir l'état de l'opération d'exportation pour voir quand elle est terminée.

Java

Avant d'essayer cet exemple, suivez les instructions de configuration pour Java décrites dans le guide de démarrage rapide de Vertex AI sur l'utilisation des bibliothèques clientes. Pour en savoir plus, consultez la documentation de référence de l'API Vertex AI pour Java.

Pour vous authentifier auprès de Vertex AI, configurez le service Identifiants par défaut de l'application. Pour en savoir plus, consultez Configurer l'authentification pour un environnement de développement local.


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

public class ExportModelSample {

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

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

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

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

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

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

Node.js

Avant d'essayer cet exemple, suivez les instructions de configuration pour Node.js décrites dans le guide de démarrage rapide de Vertex AI sur l'utilisation des bibliothèques clientes. Pour en savoir plus, consultez la documentation de référence de l'API Vertex AI pour Node.js.

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

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

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

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

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

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

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

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

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

Python

Pour savoir comment installer ou mettre à jour le SDK Vertex AI pour Python, consultez Installer le SDK Vertex AI pour Python. Pour en savoir plus, consultez la documentation de référence de l'API Python.

from google.cloud import aiplatform


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

Classification

Les modèles de classification d'images AutoML Edge entraînés peuvent être exportés dans les formats suivants :

TF Lite : exportez votre modèle en tant que package TF Lite pour l'exécuter sur des appareils mobiles ou de périphérie.
Edge TPU TF Lite : exportez votre modèle en tant que package TF Lite pour l'exécuter sur les appareils Edge TPU.
Conteneur : exportez votre modèle en tant que SavedModel TensorFlow pour l'exécuter sur un conteneur Docker.
Core ML : exportez un fichier .mlmodel pour exécuter votre modèle sur des appareils iOS et macOS.
Tensorflow.js : exportez votre modèle en tant que package TensorFlow.js pour l'exécuter dans un navigateur et dans Node.js.

Sélectionnez l'onglet correspondant à votre langage ou à votre environnement :

Console

Dans la console Google Cloud , au niveau de la section Vertex AI, accédez à la page Modèles.
Accéder à la page "Modèles"
Cliquez sur le numéro de version du modèle AutoML Edge que vous souhaitez exporter pour ouvrir sa page d'informations.
Cliquez sur Exporter.
Dans la fenêtre latérale Exporter le modèle, spécifiez l'emplacement Cloud Storage destiné à stocker le résultat de l'exportation du modèle Edge.
Cliquez sur Exporter.
Cliquez sur Terminé pour fermer la fenêtre latérale Exporter le modèle.

REST

Avant d'utiliser les données de requête ci-dessous, effectuez les remplacements suivants :

LOCATION : emplacement de votre projet.
PROJECT : ID de votre projet.
MODEL_ID : ID du modèle AutoML Edge entraîné que vous exportez.
EXPORT_FORMAT : type de modèle Edge que vous exportez. Pour cet objectif, les options sont les suivantes :
- tflite (TF Lite) : exportez votre modèle en tant que package TF Lite pour l'exécuter sur des appareils mobiles ou de périphérie.
- edgetpu-tflite (Edge TPU TF Lite) : exportez votre modèle en tant que package TF Lite pour l'exécuter sur les appareils Edge TPU.
- tf-saved-model (Conteneur) : exportez votre modèle en tant que SavedModel TensorFlow pour l'exécuter sur un conteneur Docker.
- core-ml (Core ML) : exportez un fichier .mlmodel pour exécuter votre modèle sur des appareils iOS et macOS.
- tf-js (Tensorflow.js) : exportez votre modèle en tant que package TensorFlow.js pour l'exécuter dans un navigateur et dans Node.js.
OUTPUT_BUCKET : chemin d'accès au répertoire de bucket Cloud Storage où vous souhaitez stocker les fichiers de modèle Edge.

Méthode HTTP et URL :

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

Corps JSON de la requête :

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

Pour envoyer votre requête, choisissez l'une des options suivantes :

curl

Enregistrez le corps de la requête dans un fichier nommé request.json, puis exécutez la commande suivante :

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

Remarque : Pour la commande suivante, nous partons du principe que vous vous êtes connecté à la CLI gcloud avec votre compte utilisateur en exécutant la commande gcloud init ou gcloud auth login. Vous pouvez exécuter la commande gcloud auth list pour vérifier quel est le compte actuellement actif.

Enregistrez le corps de la requête dans un fichier nommé request.json, puis exécutez la commande suivante :

$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 réponse contient des informations sur les spécifications, ainsi que sur OPERATION_ID.

Réponse

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

Vous pouvez obtenir l'état de l'opération d'exportation pour voir quand elle est terminée.

Java


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

public class ExportModelSample {

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

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

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

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

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

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

Node.js

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

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

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

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

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

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

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

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

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

Python

from google.cloud import aiplatform


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

Détection d'objets

Les modèles de détection d'objets d'image AutoML Edge entraînés peuvent être exportés dans les formats suivants :

TF Lite : exportez votre modèle en tant que package TF Lite pour l'exécuter sur des appareils mobiles ou de périphérie.
Conteneur : exportez votre modèle en tant que SavedModel TensorFlow pour l'exécuter sur un conteneur Docker.
Tensorflow.js : exportez votre modèle en tant que package TensorFlow.js pour l'exécuter dans un navigateur et dans Node.js.

Sélectionnez l'onglet correspondant à votre langage ou à votre environnement :

Console

Dans la console Google Cloud , au niveau de la section Vertex AI, accédez à la page Modèles.
Accéder à la page "Modèles"
Cliquez sur le numéro de version du modèle AutoML Edge que vous souhaitez exporter pour ouvrir sa page d'informations.
Sélectionnez l'onglet Déployer et tester pour afficher les formats d'exportation disponibles.
Sélectionnez le format d'exportation de modèle souhaité dans la section Utiliser votre modèle optimisé pour la périphérie.
Dans la fenêtre latérale Exporter le modèle, spécifiez l'emplacement Cloud Storage destiné à stocker le résultat de l'exportation du modèle Edge.
Cliquez sur Exporter.
Cliquez sur Terminé pour fermer la fenêtre latérale Exporter le modèle.

REST

Avant d'utiliser les données de requête ci-dessous, effectuez les remplacements suivants :

LOCATION : emplacement de votre projet.
PROJECT : .
MODEL_ID : ID du modèle AutoML Edge entraîné que vous exportez.
EXPORT_FORMAT : type de modèle Edge que vous exportez. Pour cet objectif, les options sont les suivantes :
- tflite (TF Lite) : exportez votre modèle en tant que package TF Lite pour l'exécuter sur des appareils mobiles ou de périphérie.
- tf-saved-model (Conteneur) : exportez votre modèle en tant que SavedModel TensorFlow pour l'exécuter sur un conteneur Docker.
- tf-js (Tensorflow.js) : exportez votre modèle en tant que package TensorFlow.js pour l'exécuter dans un navigateur et dans Node.js.
OUTPUT_BUCKET : chemin d'accès au répertoire de bucket Cloud Storage où vous souhaitez stocker les fichiers de modèle Edge.

Méthode HTTP et URL :

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

Corps JSON de la requête :

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

Pour envoyer votre requête, choisissez l'une des options suivantes :

curl

Enregistrez le corps de la requête dans un fichier nommé request.json, puis exécutez la commande suivante :

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

Remarque : Pour la commande suivante, nous partons du principe que vous vous êtes connecté à la CLI gcloud avec votre compte utilisateur en exécutant la commande gcloud init ou gcloud auth login. Vous pouvez exécuter la commande gcloud auth list pour vérifier quel est le compte actuellement actif.

Enregistrez le corps de la requête dans un fichier nommé request.json, puis exécutez la commande suivante :

$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 réponse contient des informations sur les spécifications, ainsi que sur OPERATION_ID.

Réponse

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

Vous pouvez obtenir l'état de l'opération d'exportation pour voir quand elle est terminée.

Java


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

public class ExportModelSample {

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

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

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

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

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

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

Node.js

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

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

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

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

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

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

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

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

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

Python

from google.cloud import aiplatform


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

Obtenir l'état de l'opération

Image

Utilisez le code suivant pour obtenir l'état de l'opération d'exportation. Ce code est le même pour tous les objectifs :

REST

Avant d'utiliser les données de requête ci-dessous, effectuez les remplacements suivants :

LOCATION : emplacement de votre projet.
PROJECT : .
OPERATION_ID : ID de l'opération cible. Cet ID est généralement contenu dans la réponse renvoyée pour la requête d'origine.

Méthode HTTP et URL :

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

Pour envoyer votre requête, choisissez l'une des options suivantes :

curl

Exécutez la commande suivante :

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

Remarque : Pour la commande suivante, nous partons du principe que vous vous êtes connecté à la CLI gcloud avec votre compte utilisateur en exécutant la commande gcloud init ou gcloud auth login. Vous pouvez exécuter la commande gcloud auth list pour vérifier quel est le compte actuellement actif.

Exécutez la commande suivante :

$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

Pour une opération terminée, vous devriez obtenir un résultat semblable à celui-ci :

{
  "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"
  }
}

Fichiers de sortie

Image

Sélectionnez l'onglet correspondant à votre format de modèle :

TF Lite

Le OUTPUT_BUCKET que vous avez spécifié dans la requête détermine l'emplacement de stockage des fichiers de sortie. Le format du répertoire dans lequel les fichiers de sortie sont stockés est le suivant :

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

Fichiers :

model.tflite : fichier contenant une version du modèle prête à être utilisée avec TensorFlow Lite.

Point clé : contrairement au comportement d'exportation précédent dans AutoML Vision, l'exportation de ce format dans Vertex AI ne génère aucun fichier d'étiquettes (dict.txt) en sortie. Ces informations sont maintenant incluses dans le fichier .tflite lui-même. Pour en savoir plus sur l'extraction de ces informations, consultez la documentation TensorFlow suivante :

Edge TPU

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

Fichiers :

edgetpu_model.tflite : fichier contenant une version du modèle pour TensorFlow Lite, transmise via le compilateur Edge TPU afin d'être compatible avec Edge TPU.

Conteneur

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

Fichiers :

saved_model.pb : fichier de tampon de protocole contenant la définition du graphe et les pondérations du modèle.

Core ML

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

Fichiers :

dict.txt : fichier d'étiquettes. Chaque ligne du fichier d'étiquettes dict.txt représente une étiquette des prédictions renvoyées par le modèle, les lignes étant présentées dans l'ordre dans lequel celles-ci ont été demandées.
Exemple de fichier dict.txt
```
roses
daisy
tulips
dandelion
sunflowers
```
model.mlmodel : fichier spécifiant un modèle Core ML.

Tensorflow.js

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

Fichiers :

dict.txt : fichier d'étiquettes. Chaque ligne du fichier d'étiquettes dict.txt représente une étiquette des prédictions renvoyées par le modèle, les lignes étant présentées dans l'ordre dans lequel celles-ci ont été demandées.
Exemple de fichier dict.txt
```
roses
daisy
tulips
dandelion
sunflowers
```
group1-shard1of3.bin : fichier binaire.
group1-shard2of3.bin : fichier binaire.
group1-shard3of3.bin : fichier binaire.

model.json : représentation d'un modèle sous forme de fichier JSON.

Exemple de fichier model.json (abrégé pour plus de clarté)

{
  "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"
        }
      ]
    }
  ]
}

Exporter des modèles AutoML Edge Restez organisé à l'aide des collections Enregistrez et classez les contenus selon vos préférences.

Introduction

Exporter un modèle

Image

Classification

Console

REST

curl

PowerShell

Réponse

Java

Node.js

Python

Classification

Console

REST

curl

PowerShell

Réponse

Java

Node.js

Python

Détection d'objets

Console

REST

curl

PowerShell

Réponse

Java

Node.js

Python

Obtenir l'état de l'opération

Image

REST

curl

PowerShell

Fichiers de sortie

Image

TF Lite

Edge TPU

Conteneur

Core ML

Tensorflow.js

Exporter des modèles AutoML Edge