Google APIのAccess Tokenを取得してGoogle Cloud MLでオンライン予測のリクエストを投げています。そのときの記録です。TensorFlow Object Detection APIを使って訓練したモデルを使っています。
記事「Google API の Access Token を手動で取得する」を参考にしています。

前提

Google APIが有効化済

手順

1. GCPでOAuthクライアントID作成

Google Cloud Consoleの認証ページにブラウザでアクセスします。
「認証情報を作成」から「OAuthクライアントID」を選択。

「その他」を選んで「名前」を入力して「作成」ボタン押下。

クライアントIDとクライアントシークレットを取得。

OAuthクライアントIDのJSONファイルをダウンロード。

JSONファイルの中身。

{
    "installed": {
        "client_id": "<client_id>.apps.googleusercontent.com",
        "project_id": "cloud-ml01",
        "auth_uri": "https://accounts.google.com/o/oauth2/auth",
        "token_uri": "https://oauth2.googleapis.com/token",
        "auth_provider_x509_cert_url": "https://www.googleapis.com/oauth2/v1/certs",
        "client_secret": "<client_secret>",
        "redirect_uris": [
            "urn:ietf:wg:oauth:2.0:oob",
            "http://localhost"
        ]
    }
}

2. Authorization Code取得

client_idのパラメータを1で取得した値を設定してブラウザで下記のURLでアクセス。
※Cloud Machine Learning Engineのスコープ

https://accounts.google.com/o/oauth2/auth?client_id=xxx&redirect_uri=urn:ietf:wg:oauth:2.0:oob&scope=https://www.googleapis.com/auth/cloud-platform&response_type=code&approval_prompt=force&access_type=offline

認証を求められるので、「許可」を選択。画面でAuthorization Codeをコピーして取得。

3. Access Token取得

今度はcurlを使ってAccess Tokenを取得。client_idとclient_secret、redirect_uriはjsonにある値を設定。codeは2で取得したAuthorization Codeを設定。

curl -k -d client_id=xxx -d client_secret=xxx -d redirect_uri=xxx -d grant_type=authorization_code -d code=xxxxx https://accounts.google.com/o/oauth2/token

JSON形式でAccess Token取得。

{
  "access_token": "xxx",
  "expires_in": 3600,
  "refresh_token": "xxx",
  "scope": "https://www.googleapis.com/auth/cloud-platform",
  "token_type": "Bearer"
}

4. Httpのテスト(Postman)

Postmanを使ってHttpでのリクエストテストをします。
ヘッダのAuthorizationにBearerに続いてAccess Tokenを貼り付けます(BearerとAccess Tokenの間にスペースが必要)。

http method: POST
URL: https://ml.googleapis.com/v1/projects/project_name/models/model_name:predict
Headers:
- Content-Type: application/json
- Authorization: Bearer AccessToken_xxxx
Body:下記json形式のrawデータ

{
    "instances": [
        {
            "inputs":[[[numpy形式]]]
        }
    ]
}

ちなみに画像のnumpy形式を出力するために以下のpythonプログラムを作成。どうしてもデータ量が重くなるので、10kb程度の画像を使っています。pillowとnumpyをインストールしたpython3.5.6環境で実行しています。

from PIL import Image
import numpy as np
import json

def load_image_into_numpy_array(image):
  (im_width, im_height) = image.size
  return np.array(image.getdata()).reshape(
      (im_height, im_width, 3)).astype(np.uint8)

image = Image.open(r'C:\tmp\tensorflow\od\horikawa\test01.jpg')
image_np = load_image_into_numpy_array(image)
print(image_np.shape)

b = image_np.tolist()
json_file = r"C:\tmp\image.json"

with open(json_file, 'w', encoding='utf-8') as f:
    instance = {"instances":[{ "inputs": b} ]}
    json.dump(instance, f , sort_keys=True)
    f.write("\n")

print(json.dumps(instance))

おまけ

Google公式のサンプルを参考にpythonでhttpを投げるとこんな感じです。コードが汚くてすいません。前提として「認証情報設定」に従ってサービスアカウントを作成して秘密鍵をjosn形式でダウンロードしておく必要があります。

import base64, json, httplib2, six, googleapiclient.discovery
from oauth2client.service_account import ServiceAccountCredentials
from googleapiclient import errors
from PIL import Image
import numpy as np

def load_image_into_numpy_array(image):
    (im_width, im_height) = image.size
    return np.array(image.getdata()).reshape(
      (im_height, im_width, 3)).astype(np.uint8)

# [START predict_json]
def predict_json():
    """Send json data to a deployed model for prediction.
    Args:
        project (str): project where the Cloud ML Engine Model is deployed.
        model (str): model name.
        instances ([Mapping[str: Any]]): Keys should be the names of Tensors
            your deployed model expects as inputs. Values should be datatypes
            convertible to Tensors, or (potentially nested) lists of datatypes
            convertible to tensors.
        version: str, version of the model to target.
    Returns:
        Mapping[str: any]: dictionary of prediction results defined by the
            model.
    """
    # Create the ML Engine service object.
    # To authenticate set the environment variable
    # GOOGLE_APPLICATION_CREDENTIALS=<path_to_service_account_file>
    SCOPES = ['https://www.googleapis.com/auth/cloud-platform']
#   API & Services -> Credentials -> Create Credential -> service account key
#   Set json file
    SERVICE_ACCOUNT_FILE = r'C:\xxxx.json'

    credentials = ServiceAccountCredentials.from_json_keyfile_name(
        SERVICE_ACCOUNT_FILE, scopes=SCOPES)

    # Need to set timeout, since prediction takes time
    http = httplib2.Http(timeout=2000)
    http = credentials.authorize(http)
    service = googleapiclient.discovery.build('ml', 'v1', http=http)

    #use default version,  change project name and model name
    name = 'projects/{}/models/{}'.format('project name', 'model name')

    image = Image.open(r'C:\test01.jpg')
    print(image)
    image_np = load_image_into_numpy_array(image)
    print(image_np.shape)
    image_list = image_np.tolist()

    print('predict start:'+ name)
    response = service.projects().predict(
            name=name,
            body={'instances':[ { "inputs": image_list} ]}
        ).execute()

    print('predict end:'+ name)

    if 'error' in response:
        raise RuntimeError(response['error'])

    json_dump_data = json.dumps(response['predictions'])
    json_data = json.loads(json_dump_data)

    return json_data

def main():
    """Send user input to the prediction service."""
    try:
        result = predict_json()
    except RuntimeError as err:
        print(str(err))
    return result

if __name__ == '__main__':
    result = main( )
    print(result)
    print(result[0]["detection_scores"][0])
    print(result[0]["num_detections"])
    print(result[0]["detection_boxes"][0])
    print(result[0]["detection_classes"][0])

Access Tokenを取得してGoogle Cloud MLでオンライン予測

関連記事

前提

手順

1. GCPでOAuthクライアントID作成

2. Authorization Code取得

3. Access Token取得

4. Httpのテスト(Postman)

おまけ