MythEclipse/zeavis-edu
1
0
Fork 0
Code Issues Pull Requests Packages Projects Releases Wiki Activity

docs: document Rust ONNX ML service

Browse Source 
Update documentation to reflect migration from FastAPI/Uvicorn to Rust/Axum with ONNX Runtime:

- Root README: Update ML service description, tech stack, prerequisites, and run instructions to use Rust/Cargo instead of Python/Uvicorn
- Root README: Update model path references from best_model.keras to model.onnx
- Root README: Add model.onnx to artifact lists and generated files
- Root README: Update troubleshooting section with Rust-specific guidance
- Machine_Learning/README: Add table of contents entry for ONNX conversion
- Machine_Learning/README: Add Tahap 5 section documenting ONNX conversion with convert_onnx.py and validate_onnx_parity.py
- Machine_Learning/README: Update output table to include model.onnx with Rust ONNX Runtime usage
- apps/ml-service/README: Create comprehensive documentation for Rust Axum ONNX service including setup, endpoints, environment variables, testing, and troubleshooting

Co-Authored-By: Claude Opus 4.7 <noreply@anthropic.com>
This commit is contained in:
Asep Haryana Saputra
2026-05-23 10:51:59 +00:00
co-authored by Claude Opus 4.7
parent b1e99643f6
commit abff278f49
3 changed files with 281 additions and 21 deletions
Download Patch File Download Diff File Expand all files Collapse all files
Machine_Learning/README.md
+32 -5
View File
@@ -14,8 +14,9 @@ Pipeline lengkap untuk klasifikasi penyakit daun jagung menggunakan **EfficientN
6. [Tahap 2 — Upload ke Google Drive & Training di Colab](#6-tahap-2--upload-ke-google-drive--training-di-colab)
7. [Tahap 3 — Download Model dari Colab](#7-tahap-3--download-model-dari-colab)
8. [Tahap 4 — Ekspor Model untuk Produksi](#8-tahap-4--ekspor-model-untuk-produksi)
9. [Output Akhir](#9-output-akhir)
10. [Troubleshooting](#10-troubleshooting)
9. [Tahap 5 — Konversi ke ONNX](#9-tahap-5--konversi-ke-onnx)
10. [Output Akhir](#10-output-akhir)
11. [Troubleshooting](#11-troubleshooting)
---
@@ -314,9 +315,34 @@ tensorflowjs_converter \
model/tfjs_model
```
### Langkah 3: Konversi ke ONNX (untuk Rust ONNX Runtime)
Konversi SavedModel ke format ONNX untuk digunakan oleh layanan inferensi Rust:
```bash
python convert_onnx.py
```
Skrip ini akan:
1. Memuat model dari `model/saved_model/`.
2. Mengonversi ke format ONNX.
3. Menyimpan ke `model/model.onnx`.
Model ONNX ini digunakan oleh layanan inferensi Rust di `apps/ml-service/` untuk performa dan kompatibilitas lintas platform yang lebih baik.
#### Validasi Parity ONNX
Untuk memverifikasi bahwa model ONNX menghasilkan prediksi yang sama dengan SavedModel asli, jalankan:
```bash
python validate_onnx_parity.py /path/to/corn-leaf.jpg
```
Skrip ini akan membandingkan output prediksi antara SavedModel dan ONNX untuk memastikan keakuratan konversi.
---
## 9. Output Akhir
## 10. Output Akhir
Setelah seluruh pipeline selesai dijalankan, berikut file output yang tersedia:
@@ -325,13 +351,14 @@ Setelah seluruh pipeline selesai dijalankan, berikut file output yang tersedia:
| `dataset/` | Folder gambar terstruktur | Dataset akhir hasil preprocessing |
| `dataset.zip` | ZIP | Dataset untuk diupload ke Google Drive / Colab |
| `best_model/best_model.keras` | Keras | Model terlatih lengkap (dengan optimizer) |
| `model/saved_model/` | SavedModel (PB) | Inferensi server-side & jembatan konversi TFJS |
| `model/saved_model/` | SavedModel (PB) | Inferensi server-side & jembatan konversi TFJS/ONNX |
| `model/model.tflite` | TFLite | Inferensi di perangkat **Android / iOS** |
| `model/model.onnx` | ONNX | Inferensi server-side via **Rust ONNX Runtime** |
| `model/tfjs_model/` | TensorFlow.js | Inferensi di **browser / Node.js** |
---
## 10. Troubleshooting
## 11. Troubleshooting
### `FileNotFoundError: dataset_1.zip tidak ditemukan`
**Solusi:** Pastikan ketiga file ZIP sudah diunduh dan diletakkan di direktori yang sama dengan `preprocessing.py`.