Layanan inferensi machine learning berbasis Rust dengan Axum web framework dan ONNX Runtime untuk klasifikasi penyakit daun jagung. Service ini menyediakan endpoint HTTP untuk prediksi real-time dengan performa tinggi dan konsumsi resource minimal.

Fitur

Framework: Axum (async Rust web framework)
Runtime Inferensi: ONNX Runtime untuk kompatibilitas lintas platform
Model: EfficientNetV2B0 dalam format ONNX
Endpoint: Health check, metadata, dan prediksi gambar
Multipart Upload: Dukungan upload gambar langsung via HTTP POST

Prasyarat

Rust 1.70+ dan Cargo
Model ONNX di ../../Machine_Learning/model/model.onnx (atau path custom via MODEL_PATH)

Instalasi & Setup

Instalasi Dependensi

Dependensi Rust sudah terdaftar di Cargo.toml. Cargo akan mengunduh dan mengkompilasi otomatis saat pertama kali build.

cargo build

Menjalankan Service Lokal

Semua perintah di bawah dijalankan dari direktori apps/ml-service.

Opsi 1: Default (Port 8000, Model dari Machine_Learning/)

cd apps/ml-service
cargo run

Service akan mencari model di path default dan mendengarkan di http://localhost:8000:

../../Machine_Learning/model/model.onnx

Opsi 2: Local Development dengan .env.example (Port 8001)

Untuk development lokal dengan port 8001 (sesuai .env.example):

cd apps/ml-service
source .env.example
cargo run

Service akan mendengarkan di http://localhost:8001 karena ML_SERVICE_PORT=8001 di .env.example.

Opsi 3: Custom Model Path

Jika model berada di lokasi lain, gunakan environment variable MODEL_PATH:

cd apps/ml-service
MODEL_PATH=/path/to/model.onnx cargo run

Atau kombinasikan dengan port custom:

cd apps/ml-service
ML_SERVICE_PORT=9000 MODEL_PATH=/path/to/model.onnx cargo run

Environment Variables

Variable	Default	Keterangan
`ML_SERVICE_HOST`	`0.0.0.0`	Bind address
`ML_SERVICE_PORT`	`8000`	Bind port (override untuk local dev dengan `.env.example`)
`MODEL_PATH`	`../../Machine_Learning/model/model.onnx`	Path ke file model ONNX
`MODEL_INPUT_SIZE`	`224`	Ukuran input gambar (224x224 untuk EfficientNetV2B0)
`RUST_LOG`	`info`	Level logging (debug, info, warn, error)

Endpoint API

1. Health Check

Default (port 8000):

curl http://localhost:8000/health

Local dev dengan .env.example (port 8001):

curl http://localhost:8001/health

Response:

{
  "status": "ok",
  "model_loaded": true
}

2. Metadata

Default (port 8000):

curl http://localhost:8000/metadata

Local dev dengan .env.example (port 8001):

curl http://localhost:8001/metadata

Response:

{
  "service_name": "zeavis-ml-service",
  "service_version": "0.1.0",
  "model_path": "../../Machine_Learning/model/model.onnx",
  "model_loaded": true,
  "input_size": 224,
  "labels": [
    "Bercak Daun",
    "Daun Sehat",
    "Karat Daun",
    "Hawar Daun"
  ]
}

3. Prediksi

Upload gambar daun jagung untuk klasifikasi:

Default (port 8000):

curl -X POST http://localhost:8000/predict \
  -F "file=@/path/to/corn-leaf.jpg"

Local dev dengan .env.example (port 8001):

curl -X POST http://localhost:8001/predict \
  -F "file=@/path/to/corn-leaf.jpg"

Response:

{
  "label": "Daun Sehat",
  "confidence": 0.95,
  "probabilities": {
    "Bercak Daun": 0.02,
    "Daun Sehat": 0.95,
    "Karat Daun": 0.01,
    "Hawar Daun": 0.02
  }
}

Verifikasi & Testing

Build Produksi

cargo build --release

Output binary akan tersedia di target/release/zeavis-ml-service.

Menjalankan Tests

cargo test

Tests mencakup validasi loading model, preprocessing gambar, dan output prediksi.

Verifikasi Manual

Dengan default port 8000:

Jalankan service:
```
cargo run
```
Di terminal lain, test health endpoint:
```
curl http://localhost:8000/health
```
Test metadata:
```
curl http://localhost:8000/metadata
```

Test prediksi dengan gambar sample:

curl -X POST http://localhost:8000/predict \
  -F "file=@../../Machine_Learning/dataset/Daun\ Sehat/sample.jpg"

Dengan local dev port 8001 (.env.example):

Jalankan service dengan .env.example:
```
source .env.example
cargo run
```
Di terminal lain, test health endpoint:
```
curl http://localhost:8001/health
```
Test metadata:
```
curl http://localhost:8001/metadata
```

Test prediksi dengan gambar sample:

curl -X POST http://localhost:8001/predict \
  -F "file=@../../Machine_Learning/dataset/Daun\ Sehat/sample.jpg"

Troubleshooting

Model tidak ditemukan

Error: Failed to load model: No such file or directory

Solusi: Pastikan file model tersedia di path yang benar:

ls -la ../../Machine_Learning/model/model.onnx

Atau set path custom:

MODEL_PATH=/absolute/path/to/model.onnx cargo run

Port sudah digunakan

Error: Address already in use

Solusi: Service menggunakan port 8000 secara default. Jika port sudah digunakan, ubah dengan environment variable:

ML_SERVICE_PORT=9000 cargo run

Atau jika menggunakan .env.example (port 8001), pastikan tidak ada service lain di port tersebut:

lsof -i :8001

ONNX Runtime tidak kompatibel

Error: ONNX Runtime initialization failed

Solusi: Pastikan ONNX Runtime binary kompatibel dengan sistem operasi. Cargo akan mengunduh binary yang sesuai otomatis. Jika masalah persisten, coba rebuild:

cargo clean
cargo build

Deployment

Docker

Service dapat di-deploy via Docker. Dockerfile sudah tersedia di direktori ini.

docker build -t zeavis-ml-service .
docker run -p 8000:8000 \
  -v /path/to/model.onnx:/app/model.onnx \
  -e MODEL_PATH=/app/model.onnx \
  zeavis-ml-service

Docker Compose

Lihat docker-compose.yml di root repository untuk deployment lengkap dengan web, API, dan ML service.

Dokumentasi Terkait

Machine_Learning/README.md — Panduan training dan ekspor model ONNX
README.md — Dokumentasi proyek utama