Mengekspor model secara terprogram
Semua opsi ekspor yang tersedia di situs web Custom Vision juga tersedia secara terprogram melalui pustaka klien. Anda mungkin ingin menggunakan pustaka klien sehingga Anda dapat sepenuhnya mengotomatiskan proses pelatihan ulang dan memperbarui iterasi model yang Anda gunakan di perangkat lokal.
Panduan ini menunjukkan cara mengekspor model Anda ke file ONNX dengan SDK Python.
Membuat pelatihan klien
Anda membutuhkan objek CustomVisionTrainingClient untuk mengekspor perulangan model. Buat variabel untuk sumber daya pelatihan Custom Vision titik akhir Azure dan kunci, dan gunakan untuk membuat objek klien.
ENDPOINT = "PASTE_YOUR_CUSTOM_VISION_TRAINING_ENDPOINT_HERE"
training_key = "PASTE_YOUR_CUSTOM_VISION_TRAINING_KEY_HERE"
credentials = ApiKeyCredentials(in_headers={"Training-key": training_key})
trainer = CustomVisionTrainingClient(ENDPOINT, credentials)
Penting
Ingatlah untuk menghapus kunci dari kode setelah selesai dan jangan pernah mempostingnya secara publik. Untuk produksi, pertimbangkan penggunaan cara aman untuk menyimpan dan mengakses informasi masuk Anda. Untuk informasi selengkapnya, lihat artikel keamanan layanan Azure AI.
Memanggil metode ekspor
Menggunakan metode perulangan_ekspor
- Berikan ID proyek, ID perulangan dari model yang ingin Anda ekspor.
- Parameter platform menentukan platform yang diekspor menjadi: nilai yang diizinkan adalah
CoreML
,TensorFlow
,DockerFile
,ONNX
,VAIDK
, danOpenVino
. - Jenis parameter menentukan format dari model yang diekspor: nilai yang diizinkan adalah
Linux
,Windows
,ONNX10
,ONNX12
,ARM
,TensorFlowNormal
,danTensorFlowLite
. - Parameter mentah memberi Anda pilihan untuk mengambil respons JSON mentah bersama dengan respons model objek.
project_id = "PASTE_YOUR_PROJECT_ID"
iteration_id = "PASTE_YOUR_ITERATION_ID"
platform = "ONNX"
flavor = "ONNX10"
export = trainer.export_iteration(project_id, iteration_id, platform, flavor, raw=False)
Untuk informasi selengkapnya, lihat metode perulangan_ekspor.
Penting
Jika Anda telah mengekspor perulangan tertentu, Anda tidak dapat memanggil metode export_iteration kembali. Sebagai gantinya, lewati ke panggilan metode get_exports untuk mendapatkan link ke model yang sudah diekspor yang ada.
Mengunduh model yang diekspor
Selanjutnya, Anda akan menggunakan metode dapatkan_ekspor untuk melihat status operasi ekspor. Operasi berjalan secara asinkron, jadi Anda harus melakukan pengumpulan metode ini sampai operasi selesai. Setelah selesai, Anda dapat mengambil URI yang dapat Anda gunakan untuk mengunduh perulangan model ke perangkat Anda.
while (export.status == "Exporting"):
print ("Waiting 10 seconds...")
time.sleep(10)
exports = trainer.get_exports(project_id, iteration_id)
# Locate the export for this iteration and check its status
for e in exports:
if e.platform == export.platform and e.flavor == export.flavor:
export = e
break
print("Export status is: ", export.status)
Untuk informasi lebih lanjut, lihat metode dapatkan_ekspor.
Kemudian, Anda dapat secara terprogram mengunduh model yang diekspor ke lokasi di perangkat Anda.
if export.status == "Done":
# Success, now we can download it
export_file = requests.get(export.download_uri)
with open("export.zip", "wb") as file:
file.write(export_file.content)
Langkah berikutnya
Integrasikan model yang diekspor ke dalam aplikasi dengan menjelajahi salah satu artikel atau sampel berikut:
- Gunakan model Tensorflow Anda dengan Python
- Gunakan model ONNX Anda dengan Azure Machine Learning Windows
- Lihat sampel model CoreML dalam aplikasi iOS untuk klasifikasi gambar real time dengan Swift.
- Lihat contoh untuk model Tensorflow dalam aplikasi Android untuk klasifikasi gambar real time di Android.
- Lihat contoh untuk model CoreML dengan Xamarin untuk klasifikasi gambar real time di aplikasi Xamarin iOS.
- Lihat sampel cara menggunakan model yang diekspor (VAIDK/OpenVino)