Questa pagina è stata tradotta dall'API Cloud Translation.

Soluzione di avvio rapido: elaborazione di immagini AI/ML su Cloud Functions

Last reviewed 2023-08-29 UTC

Questa guida ti aiuta a comprendere, eseguire il deployment e utilizzare Elaborazione di immagini IA/ML su Cloud Functions soluzione già pronta. Questa soluzione utilizza modelli di machine learning preaddestrati analizzare le immagini fornite dagli utenti e generare annotazioni delle immagini.

Il deployment di questa soluzione crea un servizio di elaborazione delle immagini che può aiutarti a farlo i seguenti e altri ancora:

Gestire contenuti generati dagli utenti non sicuri o dannosi.
Digitalizza il testo di documenti fisici.
Rileva e classifica oggetti nelle immagini.

Questo documento è rivolto agli sviluppatori che hanno una certa familiarità con il backend sviluppo di servizi, funzionalità di AI/ML e cloud computing di base concetti. Sebbene non sia obbligatorio, l'esperienza con Terraform è utile.

Obiettivi

Scopri come viene utilizzata un'architettura serverless per creare un'immagine scalabile di elaborazione dei dati.
Scopri come il servizio di elaborazione di immagini utilizza una macchina preaddestrata di machine learning per l'analisi delle immagini.
Eseguire il deployment del servizio di elaborazione delle immagini e richiamarlo tramite chiamate API REST. in risposta agli eventi di caricamento di immagini.
Rivedere le impostazioni di configurazione e sicurezza per capire come adattare di elaborazione delle immagini in base alle diverse esigenze.

Prodotti utilizzati

La soluzione utilizza i seguenti prodotti Google Cloud:

API Cloud Vision: Un'API che offre modelli avanzati di machine learning preaddestrati per le immagini annotazione. La soluzione utilizza l'API Cloud Vision per analizzare immagini e ottenere i dati di annotazione delle immagini.
Cloud Storage Un servizio di livello enterprise che offre archiviazione di oggetti a basso costo e senza limiti per diversi tipi di dati. I dati sono accessibili all'interno e all'esterno di in Google Cloud e viene replicato con ridondanza geografica. La soluzione utilizza Cloud Storage per archiviare le immagini di input e i risultanti dati di annotazione delle immagini.
Cloud Functions: Un servizio di serverless computing leggero che ti consente di creare funzioni autonome monouso in grado di rispondere a Google Cloud senza la necessità di gestire un ambiente server o di runtime. La usa Cloud Functions per ospitare il modello endpoint.

Per informazioni su come questi prodotti sono configurati e su come interagiscono, consulta la prossima sezione.

Architettura

La soluzione consiste in un servizio di elaborazione di immagini di esempio che analizza l'input immagini e genera annotazioni per queste immagini utilizzando di machine learning. Il seguente diagramma mostra l'architettura alle risorse Google Cloud utilizzate nella soluzione.

Architettura dell'infrastruttura richiesta per l'elaborazione delle immagini AI/ML su Cloud Functions.

Il servizio può essere richiamato in due modi: direttamente tramite le chiamate API REST indirettamente in risposta ai caricamenti di immagini.

Flusso di richiesta

Il flusso di elaborazione delle richieste del servizio di elaborazione delle immagini dipende da come gli utenti per richiamare il servizio. I passaggi seguenti sono numerati come mostrato nella precedente dell'architettura di Kubernetes.

Quando l'utente richiama il servizio di elaborazione delle immagini direttamente tramite una Chiamata API REST:

L'utente invia una richiesta all'API REST del servizio di elaborazione delle immagini. di cui è stato eseguito il deployment come Cloud Function. La richiesta specifica un'immagine come URI o flusso con codifica Base64.
La funzione Cloud Functions effettua una chiamata all'API Cloud Vision per generare annotazioni per l'immagine specificata. Vengono restituiti i dati di annotazione dell'immagine in formato JSON nella risposta della funzione all'utente.

Quando l'utente richiama indirettamente il servizio di elaborazione delle immagini in risposta ai caricamenti di immagini:

L'utente carica le immagini in un bucket Cloud Storage per l'input.
Ogni caricamento di immagini genera un evento Cloud Storage che attiva una Cloud Function per elaborare l'immagine caricata.
La funzione Cloud Functions effettua una chiamata all'API Cloud Vision per generare annotazioni per l'immagine specificata.
La funzione Cloud Functions scrive i dati di annotazione delle immagini come file JSON in un altro bucket Cloud Storage per l'output.

Costo

Per una stima del costo delle risorse Google Cloud che per l'elaborazione di immagini AI/ML negli utilizzi della soluzione Cloud Functions. Vedi la stima precalcolata nel Calcolatore prezzi di Google Cloud.

Utilizza questa stima come punto di partenza per calcolare il costo del deployment. Puoi modificare la stima per riflettere eventuali modifiche alla configurazione che prevedi per le risorse utilizzate nella soluzione.

La stima precalcolata si basa su ipotesi per determinati fattori, tra cui:

Le località Google Cloud in cui viene eseguito il deployment delle risorse.
La quantità di tempo di utilizzo delle risorse.
La quantità di dati archiviati in Cloud Storage.
Il numero di volte in cui viene richiamato il servizio di elaborazione di immagini.

Prima di iniziare

Per eseguire il deployment di questa soluzione, devi prima avere un progetto Google Cloud e Autorizzazioni IAM.

Crea o scegli un progetto Google Cloud

Quando esegui il deployment della soluzione, scegli Progetto Google Cloud in cui viene eseguito il deployment delle risorse. Puoi creare un nuovo progetto o utilizzare progetto esistente per il deployment.

Se vuoi creare un nuovo progetto, fallo prima di iniziare il deployment. L'utilizzo di un nuovo progetto può aiutare a evitare conflitti con il provisioning in precedenza ad esempio quelle utilizzate per i carichi di lavoro di produzione.

Per creare un progetto, completa i seguenti passaggi:

In the Google Cloud console, go to the project selector page.

Go to project selector
Click Create project.
Name your project. Make a note of your generated project ID.
Edit the other fields as needed.
Click Create.

Ottieni le autorizzazioni IAM richieste

Per avviare il processo di deployment, hai bisogno di Identity and Access Management (IAM) elencate nella tabella seguente.

Se hai creato un nuovo progetto per questa soluzione, hai roles/owner ruolo di base nel progetto e disporre di tutte le autorizzazioni necessarie. Se non disponi di ruolo roles/owner, poi chiedi all'amministratore di concedere queste autorizzazioni (oppure i ruoli che includono queste autorizzazioni).

Autorizzazione IAM richiesta	Ruolo predefinito che include le autorizzazioni richieste
`serviceusage.services.enable`	Amministratore Service Usage (`roles/serviceusage.serviceUsageAdmin`)
`iam.serviceAccounts.create`	Amministratore account di servizio (`roles/iam.serviceAccountAdmin`)
`resourcemanager.projects.setIamPolicy`	Amministratore IAM progetto (`roles/resourcemanager.projectIamAdmin`)
`config.deployments.create` `config.deployments.list`	Amministratore Cloud Infrastructure Manager (`roles/config.admin`)
`iam.serviceAccount.actAs`	Utente account di servizio (`roles/iam.serviceAccountUser`)

Informazioni sulle autorizzazioni temporanee degli account di servizio

Se avvii il processo di deployment tramite la console, Google crea un'istanza account di servizio di eseguire il deployment della soluzione per tuo conto (ed eliminare il deployment in un secondo momento se scegli). A questo account di servizio sono assegnate determinate autorizzazioni IAM temporaneamente; cioè le autorizzazioni vengono revocate automaticamente le operazioni di deployment ed eliminazione della soluzione. Google consiglia Dopo aver eliminato il deployment, elimini l'account di servizio, descritti più avanti in questa guida.

Visualizzare i ruoli assegnati al servizio account

Questi ruoli sono elencati qui nel caso in cui un amministratore del tuo Il progetto o l'organizzazione Google Cloud richiede queste informazioni.

roles/serviceusage.serviceUsageAdmin
roles/iam.serviceAccountAdmin
roles/resourcemanager.projectIamAdmin
roles/cloudfunctions.admin
roles/run.admin
roles/storage.admin
roles/pubsublite.admin
roles/iam.securityAdmin
roles/logging.admin
roles/artifactregistry.reader
roles/cloudbuild.builds.editor
roles/compute.admin
roles/iam.serviceAccountUser

Esegui il deployment della soluzione

Questa sezione ti guida nella procedura di deployment della soluzione.

Per aiutarti a eseguire il deployment di questa soluzione con il minimo sforzo, è fornito in GitHub. La configurazione di Terraform definisce Le risorse Google Cloud necessarie per la soluzione.

Puoi eseguire il deployment della soluzione utilizzando uno dei seguenti metodi:

Tramite la console: utilizza questo metodo se vuoi per provare la soluzione con la configurazione predefinita e vedere come funziona. Cloud Build esegue il deployment di tutte le risorse necessarie soluzione. Quando la soluzione di cui hai eseguito il deployment non è più necessaria, puoi eliminarla tramite la console. Qualsiasi risorsa creata dopo potrebbe essere necessario eliminare separatamente la soluzione.

Per utilizzare questo metodo di deployment, segui le istruzioni in Esegui il deployment tramite la console.
Utilizzo dell'interfaccia a riga di comando di Terraform: utilizza questo metodo se vuoi personalizzare o se vuoi automatizzare il provisioning e la gestione risorse mediante l'approccio Infrastructure as Code (IaC). Scarica Configurazione Terraform da GitHub, facoltativamente personalizza il codice come necessario ed eseguire il deployment della soluzione usando l'interfaccia a riga di comando di Terraform. Dopo il giorno esegui il deployment della soluzione, puoi continuare a usare Terraform per gestire soluzione.

Per utilizzare questo metodo di deployment, segui le istruzioni in Esegui il deployment utilizzando l'interfaccia a riga di comando di Terraform.

Esegui il deployment tramite la console

Completa i seguenti passaggi per eseguire il deployment della soluzione preconfigurata.

Nel catalogo delle soluzioni di avvio rapido di Google Cloud, vai alla soluzione di elaborazione di immagini IA/ML su Cloud Functions.

Vai alla soluzione di elaborazione delle immagini AI/ML su Cloud Functions
Controlla le informazioni fornite nella pagina, ad esempio la stima costo della soluzione e il tempo di deployment stimato.
Quando è tutto pronto per iniziare il deployment della soluzione, fai clic su Esegui il deployment.

Viene visualizzato un riquadro di configurazione passo passo.
Completa i passaggi nel riquadro di configurazione.

Prendi nota del nome che inserisci per il deployment. Questo nome è obbligatorio in un secondo momento, quando elimini il deployment.

Quando fai clic su Esegui il deployment, viene visualizzata la pagina Deployment della soluzione. Il campo Stato in questa pagina mostra Deployment in corso.
Attendi che venga eseguito il deployment della soluzione.

Se il deployment non va a buon fine, il campo Stato mostra Non riuscito. Puoi e usare il log di Cloud Build per diagnosticare gli errori. Per maggiori informazioni le informazioni, vedi Errori durante il deployment tramite la console.

Al termine del deployment, il campo Stato diventa Deployment eseguito.
Per visualizzare le risorse Google Cloud di cui viene eseguito il deployment e le relative configurazione, fai un tour interattivo.

Inizia il tour

Quindi, per provare la soluzione autonomamente, Esplora la soluzione.

Quando la soluzione non ti serve più, puoi eliminare il deployment per evitare e la fatturazione continua per le risorse Google Cloud. Per ulteriori informazioni, vedi Elimina il deployment.

Esegui il deployment utilizzando l'interfaccia a riga di comando di Terraform

Questa sezione descrive come puoi personalizzare la soluzione o automatizzare il provisioning e la gestione della soluzione tramite l'interfaccia a riga di comando di Terraform. Le soluzioni di cui esegui il deployment utilizzando l'interfaccia a riga di comando di Terraform non vengono visualizzate nel Pagina Deployment delle soluzioni nella console Google Cloud.

configura il client Terraform

Puoi eseguire Terraform in Cloud Shell o sul tuo host locale. Questo descrive come eseguire Terraform in Cloud Shell, Terraform è preinstallato e configurato per l'autenticazione con Google Cloud.

Il codice Terraform per questa soluzione è disponibile in un repository GitHub.

Clona il repository GitHub in Cloud Shell.

Viene visualizzato un prompt per confermare il download del repository GitHub in in Cloud Shell.
Fai clic su Conferma.

Cloud Shell viene avviato in una scheda separata del browser Il codice Terraform viene scaricato nella directory $HOME/cloudshell_open di dell'ambiente Cloud Shell.
In Cloud Shell, controlla se la directory di lavoro attuale è $HOME/cloudshell_open/terraform-ml-image-annotation-gcf/infra. Questo è il contenente i file di configurazione Terraform per la soluzione. Se devi passare a questa directory, esegui questo comando:
```
cd $HOME/cloudshell_open/terraform-ml-image-annotation-gcf/infra
```
Inizializza Terraform eseguendo questo comando:
```
terraform init
```
Attendi finché non viene visualizzato il seguente messaggio:
```
Terraform has been successfully initialized!
```

Configura le variabili Terraform

Il codice Terraform che hai scaricato include variabili che puoi utilizzare per personalizzare il deployment in base ai tuoi requisiti. Ad esempio, puoi specifica il progetto Google Cloud e la regione in cui vuoi che venga utilizzata la soluzione di cui è stato eseguito il deployment.

Assicurati che la directory di lavoro attuale sia $HOME/cloudshell_open/terraform-ml-image-annotation-gcf/infra. Se non lo è, vai a quella directory.
Nella stessa directory, crea un file di testo denominato terraform.tfvars.
Nel file terraform.tfvars, copia il seguente snippet di codice e imposta per le variabili richieste.
- Segui le istruzioni fornite sotto forma di commenti nel codice snippet di codice.
- Questo snippet di codice include solo le variabili per le quali devi impostare e i relativi valori. La configurazione Terraform include altre variabili che i valori predefiniti. Per esaminare tutte le variabili e i valori predefiniti, consulta il file variables.tf disponibile in Directory $HOME/cloudshell_open/terraform-ml-image-annotation-gcf/infra.
- Assicurati che ogni valore impostato nel file terraform.tfvars corrisponde alla variabile tipo come dichiarato nel file variables.tf. Ad esempio, se il tipo definita per una variabile nel file variables.tf è bool, allora deve specificare true o false come valore di quella variabile nella terraform.tfvars.
```
# This is an example of the terraform.tfvars file.
# The values in this file must match the variable types declared in variables.tf.
# The values in this file override any defaults in variables.tf.

# ID of the project in which you want to deploy the solution
project_id = "PROJECT_ID"
```

Convalida e rivedi la configurazione di Terraform

Assicurati che la directory di lavoro attuale sia $HOME/cloudshell_open/terraform-ml-image-annotation-gcf/infra. Se non lo è, vai a quella directory.
Verifica che la configurazione Terraform non contenga errori:
```
terraform validate
```
Se il comando restituisce degli errori, apporta le correzioni necessarie nella configurazione ed esegui di nuovo il comando terraform validate. Ripeti questo passaggio finché il comando non restituisce il seguente messaggio:
```
Success! The configuration is valid.
```
Esamina le risorse definite nella configurazione:
```
terraform plan
```
Se non hai creato il file terraform.tfvars come descritto in precedenza, Terraform richiede di inserire i valori per le variabili privi di valori predefiniti. Inserisci i valori richiesti.

L'output del comando terraform plan è un elenco delle risorse che Terraform esegue il provisioning quando applichi la configurazione.

Se vuoi apportare modifiche, modifica la configurazione ed esegui di nuovo terraform validate e terraform plan.

Esegui il provisioning delle risorse

Quando non sono necessarie ulteriori modifiche alla configurazione Terraform, esegui il deployment le risorse.

Assicurati che la directory di lavoro attuale sia $HOME/cloudshell_open/terraform-ml-image-annotation-gcf/infra. Se non lo è, vai a quella directory.
Applica la configurazione Terraform:
```
terraform apply
```
Se non hai creato il file terraform.tfvars come descritto in precedenza, Terraform richiede di inserire i valori per le variabili privi di valori predefiniti. Inserisci i valori richiesti.

Terraform mostra un elenco delle risorse che verranno create.
Quando ti viene chiesto di eseguire le azioni, inserisci yes.

Terraform visualizza dei messaggi che mostrano l'avanzamento del deployment.

Se il deployment non può essere completato, Terraform visualizza gli errori che ha causato l'errore. Esamina i messaggi di errore e aggiorna la configurazione per correggere gli errori. Quindi esegui di nuovo il comando terraform apply. Per assistenza per la risoluzione degli errori di Terraform, consulta Errori durante il deployment della soluzione utilizzando l'interfaccia a riga di comando di Terraform.

Al termine della creazione di tutte le risorse, Terraform visualizza quanto segue messaggio:
```
Apply complete!
```
L'output Terraform include anche la voce del servizio di elaborazione delle immagini point URL, il nome del bucket Cloud Storage di input per il caricamento e il nome del bucket Cloud Storage di output che contiene dei dati di annotazione per l'immagine, come mostrato nell'output di esempio che segue:
```
vision_annotations_gcs = "gs://vision-annotations-1234567890"
vision_input_gcs = "gs://vision-input-1234567890"
vision_prediction_url = [
  "https://annotate-http-abcde1wxyz-wn.a.run.app",
  "ingressIndex:0",
  "ingressValue:ALLOW_ALL",
  "isAuthenticated:false",
]
```
Per visualizzare le risorse Google Cloud di cui viene eseguito il deployment e le relative configurazione, fai un tour interattivo.

Inizia il tour

Successivamente, potrai esplorare la soluzione e vedere come funziona.

Quando la soluzione non ti serve più, puoi eliminare il deployment per evitare e la fatturazione continua per le risorse Google Cloud. Per ulteriori informazioni, vedi Elimina il deployment.

Esplora la soluzione

In questa sezione, puoi provare a usare la soluzione per vedere come funziona. L'immagine di elaborazione può essere richiamato in due modi: chiamando direttamente la relativa API REST o caricando immagini nel bucket Cloud Storage di input.

Richiama il servizio tramite l'API REST

Negli scenari in cui vuoi elaborare le immagini in modo sincrono in un utilizzare l'API REST del servizio di elaborazione delle immagini.

La funzione annotate-http di cui è stato eseguito il deployment dalla soluzione è il punto di accesso alla l'API REST del servizio di elaborazione di immagini. Puoi trovare l'URL di questa funzione in alla console o, se hai eseguito il deployment utilizzando l'interfaccia a riga di comando di Terraform, la variabile di output vision_prediction_url. Questo URL del punto di ingresso espone una endpoint denominato /annotate per effettuare richieste di elaborazione delle immagini. /annotate l'endpoint supporta le richieste GET e POST con i seguenti parametri:

Parametro	Descrizione
`image`	(Solo richieste `POST`) Contenuti dell'immagine, caricati in formato binario o specificato come dati immagine con codifica base64.
`image_uri`	Un URI che punta a un'immagine.
`features`	(Facoltativo) Un elenco separato da virgole di Funzionalità di annotazione dell'API Vision da richiedere. I valori possibili per le caratteristiche sono: `CROP_HINTS` `DOCUMENT_TEXT_DETECTION` `FACE_DETECTION` `IMAGE_PROPERTIES` `LABEL_DETECTION` `LANDMARK_DETECTION` `LOGO_DETECTION` `OBJECT_LOCALIZATION` `PRODUCT_SEARCH` `SAFE_SEARCH_DETECTION` `TEXT_DETECTION` `WEB_DETECTION`

Per specificare l'immagine da analizzare, includi solo uno degli attributi image o Parametri image_uri. Se specifichi entrambi, viene utilizzato image_uri.

Ad esempio, per eseguire il rilevamento di oggetti su un'immagine con un URI internet, può inviare una richiesta GET come la seguente utilizzando curl:

curl "YOUR_ENTRYPOINT_URL/annotate?features=OBJECT_LOCALIZATION&image_uri=YOUR_IMAGE_URI"

In alternativa, per specificare direttamente il contenuto dell'immagine utilizzando un file immagine locale, puoi utilizzare una richiesta POST come la seguente:

curl -X POST -F image=@YOUR_IMAGE_FILENAME -F features=OBJECT_LOCALIZATION "YOUR_ENTRYPOINT_URL/annotate"

La risposta contiene le annotazioni delle immagini dell'API Vision in formato JSON.

Richiama il servizio caricando immagini su Cloud Storage

Negli scenari in cui vuoi elaborare le immagini in modo asincrono o tramite caricamento in gruppo, usa il trigger Cloud Storage del servizio di elaborazione di immagini, che richiama il servizio in risposta ai caricamenti di immagini.

Segui i passaggi per analizzare le immagini utilizzando il trigger di Cloud Storage:

Nella console, vai alla pagina Bucket di Cloud Storage.

Vai a Cloud Storage
Fai clic sul nome del bucket di input (vision-input-ID) per andare alla pagina Dettagli bucket.
Nella scheda Oggetti, fai clic su Carica i file.
Seleziona il file immagine o i file da analizzare.
Al termine del caricamento, torna ai bucket di Cloud Storage .

Vai a Cloud Storage
Fai clic sul nome del bucket di output dell'annotazione (vision-annotations-ID) per andare alla relativa Pagina Dettagli bucket.
La scheda Oggetti contiene un file JSON separato per ogni immagine caricato. I file JSON contengono i dati di annotazione per ogni immagine.

Nota: se un file JSON corrispondente non viene visualizzato nell'output dell'annotazione del bucket, attendi il completamento dell'elaborazione dell'immagine e aggiorna la pagina.

Personalizza la soluzione

Questa sezione fornisce informazioni che gli sviluppatori Terraform possono utilizzare per modificare l'elaborazione delle immagini AI/ML sulla soluzione Cloud Functions per soddisfare le esigenze e requisiti aziendali. Le indicazioni in questa sezione sono pertinenti soltanto se eseguire il deployment della soluzione utilizzando l'interfaccia a riga di comando di Terraform.

La configurazione Terraform per questa soluzione fornisce le seguenti variabili che puoi usare per personalizzare il servizio di elaborazione di immagini:

Variabile	Descrizione	Valore predefinito
`region`	La regione Google Cloud in cui eseguire il deployment delle funzioni Cloud Functions e altre risorse della soluzione. Consulta Località Cloud Functions per ulteriori informazioni.	`us-west4`
`gcf_max_instance_count`	Il numero massimo di istanze Cloud Functions per il servizio. Ciò consente di controllare il comportamento di scalabilità del servizio. Consulta Per saperne di più, utilizza il numero massimo di istanze.	10
`gcf_timeout_seconds`	Il timeout per le richieste al servizio, espresso in secondi. Questo determina il modo in cui tempo che il servizio può impiegare per rispondere. Consulta Timeout della funzione per ulteriori informazioni.	120
`gcf_http_ingress_type_index`	Controlla se il servizio può essere richiamato da risorse esterne al tuo progetto Google Cloud. Consulta Impostazioni di Ingress per ulteriori informazioni. I valori possibili sono: 0 (Consenti tutto) 1 (Consenti solo ad uso interno) 2 (Consenti dati interni e Cloud Load Balancing)	0 (Consenti tutto)
`gcf_require_http_authentication`	Controlla se è necessaria l'autenticazione per effettuare una richiesta all'indirizzo completamente gestito di Google Cloud. Consulta Autenticazione per le chiamate per ulteriori informazioni.	`false`
`gcf_annotation_features`	Un elenco separato da virgole di Funzionalità di annotazione dell'API Vision che il servizio include per impostazione predefinita. Questa opzione può essere ignorata per singole richieste. I valori possibili per le caratteristiche sono: `CROP_HINTS` `DOCUMENT_TEXT_DETECTION` `FACE_DETECTION` `IMAGE_PROPERTIES` `LABEL_DETECTION` `LANDMARK_DETECTION` `LOGO_DETECTION` `OBJECT_LOCALIZATION` `PRODUCT_SEARCH` `SAFE_SEARCH_DETECTION` `TEXT_DETECTION` `WEB_DETECTION`	`FACE_DETECTION,PRODUCT_SEARCH,SAFE_SEARCH_DETECTION`

Per personalizzare la soluzione, completa i seguenti passaggi in Cloud Shell:

Assicurati che la directory di lavoro attuale sia $HOME/cloudshell_open/terraform-ml-image-annotation-gcf/infra. Se non lo è, vai a quella directory.
Apri il file terraform.tfvars e apporta le modifiche necessarie, specificando i valori appropriati per le variabili elencate nella tabella precedente.

Nota: per indicazioni sugli effetti di questa personalizzazione sull'affidabilità, sicurezza, prestazioni, costi e operazioni, consulta i Suggerimenti di progettazione.
Convalida e rivedi la configurazione di Terraform.
Esegui il provisioning delle risorse.

Suggerimenti di progettazione

Quando apporti modifiche alla soluzione, cambiando i valori dell'attributo le variabili Terraform o la modifica della configurazione Terraform stessa, consulta le risorse della sezione per sviluppare un'architettura che soddisfa i requisiti di sicurezza, affidabilità, costi e prestazioni.

Tieni presente quanto segue:

Prima di apportare modifiche al design, valuta l'impatto sui costi e considera possibili compromessi con altre funzionalità. Puoi valutare l'impatto sui costi le modifiche al design utilizzando Calcolatore prezzi di Google Cloud.
Per implementare modifiche al design della soluzione, hai bisogno di competenze nel Programmazione Terraform e conoscenza avanzata dei servizi Google Cloud utilizzate nella soluzione.
Modificando la configurazione di Terraform fornita da Google e riscontrare errori, creare problemi in GitHub. I problemi di GitHub vengono esaminati secondo il criterio del "best effort" e non sono destinati a domande sull'utilizzo generale.
Per ulteriori informazioni sulla progettazione e la configurazione di livello di produzione ambienti in Google Cloud, consulta Progettazione delle zone di destinazione in Google Cloud e Elenco di controllo per la configurazione di Google Cloud.

Sicurezza

Per impostazione predefinita, il servizio di elaborazione di immagini consente le richieste da internet e non richiede l'autenticazione per le richieste. In un ambiente di produzione, potresti voler limitare l'accesso al servizio.

Puoi controllare da dove provengono le richieste al tuo servizio Modificare la variabile Terraform gcf_http_ingress_type_index. Fai attenzione dal rendere involontariamente pubblicamente gli endpoint di servizio della soluzione accessibili su internet. Consulta Configurare le impostazioni di rete per saperne di più nella documentazione di Cloud Functions.

Puoi richiedere l'autenticazione per le richieste al servizio di elaborazione di immagini API REST modificando la variabile Terraform gcf_require_http_authentication. Ciò è utile per controllare l'accesso dei singoli utenti al servizio. Se hai bisogno dell'autenticazione, i chiamanti del servizio dovranno fornire le credenziali per richiesta. Consulta Autenticazione per le chiamate nella documentazione di Cloud Functions.

Per ulteriori suggerimenti sulla sicurezza, consulta il framework dell'architettura Google Cloud linee guida per sicurezza, privacy e conformità.

Affidabilità

Quando gli utenti caricano immagini nel bucket Cloud Storage di input, potrebbero livelli di latenza variabili nell'output dell'annotazione risultante. Di per impostazione predefinita, gli utenti devono eseguire il polling del bucket di output per determinare quando le annotazioni sono disponibili. Per fare in modo che la tua applicazione intervenga in modo affidabile non appena l'immagine l'elaborazione sia completata, puoi iscriverti agli eventi Cloud Storage nella di output. Ad esempio, potresti eseguire il deployment di un'altra Cloud Function per elaborare i dati dell'annotazione; consulta Trigger di Cloud Storage per saperne di più nella documentazione di Cloud Functions.

Per ulteriori consigli, consulta le seguenti guide per ottimizzare il dei prodotti usati in questa soluzione:

Prestazioni

La velocità effettiva del servizio di elaborazione delle immagini è direttamente influenzata dalla Capacità di scalabilità di Cloud Functions. Cloud Functions scala automaticamente creando istanze di funzione per gestire il carico del traffico in entrata, fino limite di istanze configurabile. Puoi controllare la scalabilità delle funzioni e a sua volta la velocità effettiva del servizio di elaborazione di immagini, modificando il valore limite di istanze o rimuovendo il limite. Utilizza la gcf_max_instance_count variabile Terraform per modificare il limite. Consulta Utilizzo del numero massimo di istanze e Comportamento di scalabilità automatica nella documentazione di Cloud Functions.

Inoltre, puoi contribuire a ottimizzare il rendimento rispettando i seguenti criteri best practice:

Costo

Utilizza i consigli nelle seguenti guide per ottimizzare il costo la soluzione:

Elimina il deployment

Quando non hai più bisogno del deployment della soluzione, per evitare la fatturazione continua per le risorse che hai creato, elimina il deployment.

Elimina tramite la console

Utilizza questa procedura se hai eseguito il deployment della soluzione tramite la console.

Nella console Google Cloud, vai alla pagina Deployment della soluzione.

Vai a Deployment di soluzioni
Seleziona il progetto che contiene il deployment da eliminare.
Individua il deployment da eliminare.
Nella riga relativa al deployment, fai clic su Azioni e seleziona Elimina.

Potresti dover scorrere per visualizzare Azioni nella riga.
Inserisci il nome del deployment e fai clic su Conferma.

Il campo Stato mostra la dicitura Eliminazione.

Se l'eliminazione non riesce, consulta le indicazioni per la risoluzione dei problemi in Errore durante l'eliminazione di un deployment.

Quando non hai più bisogno del progetto Google Cloud che hai utilizzato per la soluzione, possono eliminare il progetto. Per ulteriori informazioni, vedi (Facoltativo) Elimina il progetto.

Elimina utilizzando l'interfaccia a riga di comando di Terraform

Utilizza questa procedura se hai eseguito il deployment della soluzione mediante l'interfaccia a riga di comando di Terraform.

In Cloud Shell, assicurati che la directory di lavoro attuale sia $HOME/cloudshell_open/terraform-ml-image-annotation-gcf/infra. Se non lo è, vai a quella directory.
Rimuovi le risorse di cui Terraform ha eseguito il provisioning:
```
terraform destroy
```
Terraform visualizza un elenco delle risorse che verranno eliminate.
Quando ti viene chiesto di eseguire le azioni, inserisci yes.

In Terraform vengono visualizzati dei messaggi che mostrano l'avanzamento. Dopo che tutte le risorse vengono eliminati, Terraform visualizza il seguente messaggio:
```
Destroy complete!
```
Se l'eliminazione non riesce, consulta le indicazioni per la risoluzione dei problemi in Errore durante l'eliminazione di un deployment.

Quando non hai più bisogno del progetto Google Cloud che hai utilizzato per la soluzione, possono eliminare il progetto. Per ulteriori informazioni, vedi (Facoltativo) Elimina il progetto.

(Facoltativo) Elimina il progetto

Se hai eseguito il deployment della soluzione in un nuovo progetto Google Cloud il progetto, quindi eliminalo completando i seguenti passaggi:

Nella console Google Cloud, vai alla pagina Gestisci risorse.
Vai a Gestisci risorse
Nell'elenco dei progetti, seleziona il progetto che vuoi eliminare, quindi fai clic su Elimina.
Al prompt, digita l'ID progetto, quindi fai clic su Chiudi.

Se decidi di conservare il progetto, elimina l'account di servizio che era creato per questa soluzione, come descritto nella sezione successiva.

(Facoltativo) Elimina l'account di servizio

Se hai eliminato il progetto che hai utilizzato per la soluzione, salta questo passaggio .

Come indicato in precedenza in questa guida, quando hai eseguito il deployment della soluzione, è stato creato per tuo conto. All'account di servizio sono state assegnate Autorizzazioni IAM temporaneamente. cioè le autorizzazioni sono state revocata automaticamente dopo che le operazioni di deployment ed eliminazione della soluzione è stata completata, ma l'account di servizio non viene eliminato. Google consiglia di elimini questo account di servizio.

Se hai eseguito il deployment della soluzione tramite la console Google Cloud, vai alla Deployment delle soluzioni . Se ti trovi già in questa pagina, aggiorna la pagina del browser. Un processo è attivata in background per eliminare l'account di servizio. Nessun'altra azione necessaria.
Se hai eseguito il deployment della soluzione utilizzando l'interfaccia a riga di comando di Terraform, completa seguenti passaggi:
1. Nella console Google Cloud, vai alla pagina Account di servizio.
  
  Vai ad Account di servizio
2. Seleziona il progetto che hai utilizzato per la soluzione.
3. Seleziona l'account di servizio che vuoi eliminare.
  
  L'ID email dell'account di servizio creato per la soluzione è nel seguente formato:
```
goog-sc-DEPLOYMENT_NAME-NNN@PROJECT_ID.iam.gserviceaccount.com
```
  L'ID email contiene i seguenti valori:
  - DEPLOYMENT_NAME: il nome del deployment.
  - NNN: un numero casuale di 3 cifre.
  - PROJECT_ID: l'ID del progetto in cui di cui è stato eseguito il deployment della soluzione.
4. Fai clic su Elimina.

Risolvere gli errori

Le azioni che puoi intraprendere per diagnosticare e risolvere gli errori dipendono il metodo di deployment e la complessità dell'errore.

Errori durante il deployment tramite la console

Se il deployment non riesce quando utilizzi la console, esegui la seguenti:

Vai alla pagina Deployment di soluzioni.

Se il deployment non è riuscito, il campo Stato mostra Non riuscito.
Visualizza i dettagli degli errori che hanno causato l'errore:
1. Nella riga relativa al deployment, fai clic su Azioni.
  
  Potresti dover scorrere per visualizzare Azioni nella riga.
2. Seleziona Visualizza i log di Cloud Build.
Esamina il log di Cloud Build e intraprendi le azioni appropriate per risolvere il problema il problema che ha causato l'errore.

Errori durante il deployment utilizzando l'interfaccia a riga di comando di Terraform

Se il deployment non riesce quando utilizzi Terraform, l'output del comando terraform apply include messaggi di errore che puoi esaminare per diagnosticare la richiesta. problema.

Gli esempi nelle sezioni seguenti mostrano errori di deployment che potresti incontrato nell'uso di Terraform.

API non abilitata

Se crei un progetto e poi provi immediatamente a eseguire il deployment della soluzione al nuovo progetto, il deployment potrebbe non riuscire e restituire un errore come il seguente:

Error: Error creating Network: googleapi: Error 403: Compute Engine API has not
been used in project PROJECT_ID before or it is disabled. Enable it by visiting
https://console.developers.google.com/apis/api/compute.googleapis.com/overview?project=PROJECT_ID
then retry. If you enabled this API recently, wait a few minutes for the action
to propagate to our systems and retry.

Se si verifica questo errore, attendi qualche minuto ed esegui terraform apply il comando precedente.

Se l'errore relativo ad API non abilitata persiste, segui il link nel messaggio di errore per abilitare l'API. Attendi qualche istante affinché l'API venga abilitata, quindi esegui di nuovo il comando terraform apply.

Impossibile assegnare l'indirizzo richiesto

Quando esegui il comando terraform apply, viene eseguita un'operazione cannot assign requested address potrebbe verificarsi un errore, con un messaggio simile al seguente:

Error: Error creating service account:
 Post "https://iam.googleapis.com/v1/projects/PROJECT_ID/serviceAccounts:
 dial tcp [2001:db8:ffff:ffff::5f]:443:
 connect: cannot assign requested address

Se si verifica questo errore, esegui di nuovo il comando terraform apply.

Errore durante l'eliminazione di un deployment

In alcuni casi, i tentativi di eliminazione di un deployment potrebbero non riuscire:

Dopo aver eseguito il deployment di una soluzione tramite la console, modificare qualsiasi risorsa di cui la soluzione ha eseguito il provisioning, e se poi provi per eliminare il deployment, l'eliminazione potrebbe non riuscire. Il campo Status (Stato) nella La pagina Deployment di soluzioni mostra lo stato Non riuscito e Il log di Cloud Build mostra la causa dell'errore.
Dopo aver eseguito il deployment di una soluzione mediante l'interfaccia a riga di comando di Terraform, se modifichi utilizzando un'interfaccia non Terraform (ad esempio, la console) e, se provi a eliminare il deployment, l'eliminazione potrebbe non riuscire. I messaggi nell'output dell'terraform destroy per visualizzare la causa dell'errore.

Esamina i log e i messaggi degli errori, identifica ed elimina le risorse che ha causato l'errore, poi riprova a eliminare il deployment.

Se un deployment basato su console non viene eliminato e se non puoi diagnosticare l'errore utilizzando il log di Cloud Build, quindi eliminare il deployment utilizzando l'interfaccia a riga di comando Terraform, come descritto nella sezione successiva.

Elimina un deployment basato su console utilizzando l'interfaccia a riga di comando di Terraform

Questa sezione descrive come eliminare un deployment basato su console se si verificano quando provi a eliminarlo tramite la console. Nella questo approccio, scaricherai la configurazione Terraform per il deployment che vuoi eliminare, quindi usa l'interfaccia a riga di comando Terraform per eliminare il deployment.

Identifica la regione in cui vengono inseriti il codice Terraform del deployment, i log e altre vengono archiviati i dati. che potrebbe essere diversa da quella in cui selezionato durante il deployment della soluzione.
1. Nella console Google Cloud, vai a Deployment della soluzione .
  
  Vai a Deployment di soluzioni
2. Seleziona il progetto che contiene il deployment da eliminare.
3. Nell'elenco dei deployment, identifica la riga del deployment che da eliminare.
4. Fai clic su Visualizza tutte le righe contenuti multimediali.
5. Nella colonna Località, controlla la seconda posizione, come evidenziata nel seguente esempio:
In the Google Cloud console, activate Cloud Shell.

Activate Cloud Shell

At the bottom of the Google Cloud console, a Cloud Shell session starts and displays a command-line prompt. Cloud Shell is a shell environment with the Google Cloud CLI already installed and with values already set for your current project. It can take a few seconds for the session to initialize.
Crea variabili di ambiente per l'ID, la regione e il nome del progetto il deployment che vuoi eliminare:
```
export REGION="REGION"
export PROJECT_ID="PROJECT_ID"
export DEPLOYMENT_NAME="DEPLOYMENT_NAME"
```
In questi comandi, sostituisci quanto segue:
- REGION: la località che hai annotato in precedenza in questa procedura.
- PROJECT_ID: l'ID del progetto in cui di cui è stato eseguito il deployment della soluzione.
- DEPLOYMENT_NAME: il nome del deployment da eliminare.

Ottieni l'ID dell'ultima revisione del deployment che ti interessa da eliminare:

export REVISION_ID=$(curl \
    -H "Authorization: Bearer $(gcloud auth print-access-token)" \
    -H "Content-Type: application/json" \
    "https://config.googleapis.com/v1alpha2/projects/${PROJECT_ID}/locations/${REGION}/deployments/${DEPLOYMENT_NAME}" \
    | jq .latestRevision -r)
    echo $REVISION_ID

L'output è simile al seguente:

projects/PROJECT_ID/locations/REGION/deployments/DEPLOYMENT_NAME/revisions/r-0

Ottieni il percorso Cloud Storage della configurazione Terraform per del deployment:

export CONTENT_PATH=$(curl \
    -H "Authorization: Bearer $(gcloud auth print-access-token)" \
    -H "Content-Type: application/json" \
    "https://config.googleapis.com/v1alpha2/${REVISION_ID}" \
    | jq .applyResults.content -r)
    echo $CONTENT_PATH

Di seguito è riportato un esempio dell'output di questo comando:

gs://PROJECT_ID-REGION-blueprint-config/DEPLOYMENT_NAME/r-0/apply_results/content

Scarica la configurazione Terraform da Cloud Storage Cloud Shell:
```
gcloud storage cp $CONTENT_PATH $HOME --recursive
cd $HOME/content/infra
```
Attendi finché non viene visualizzato il messaggio Operation completed, come mostrato in nell'esempio seguente:
```
Operation completed over 45 objects/268.5 KiB
```
Inizializza Terraform:
```
terraform init
```
Attendi finché non viene visualizzato il seguente messaggio:
```
Terraform has been successfully initialized!
```
Rimuovi le risorse di cui è stato eseguito il deployment:
```
terraform destroy
```
Terraform visualizza un elenco delle risorse che verranno eliminate.

Se vengono visualizzati avvisi relativi a variabili non dichiarate, ignora il comando avvisi.
Quando ti viene chiesto di eseguire le azioni, inserisci yes.

In Terraform vengono visualizzati dei messaggi che mostrano l'avanzamento. Dopo tutte le vengono eliminate, Terraform visualizza il seguente messaggio:
```
Destroy complete!
```

Elimina l'artefatto di deployment:

curl -X DELETE \
    -H "Authorization: Bearer $(gcloud auth print-access-token)" \
    -H "Content-Type: application/json" \
    "https://config.googleapis.com/v1alpha2/projects/${PROJECT_ID}/locations/${REGION}/deployments/${DEPLOYMENT_NAME}?force=true&delete_policy=abandon"

Attendi qualche secondo, quindi verifica che l'artefatto del deployment sia stato eliminati:

curl -H "Authorization: Bearer $(gcloud auth print-access-token)" \
    -H "Content-Type: application/json" \
    "https://config.googleapis.com/v1alpha2/projects/${PROJECT_ID}/locations/${REGION}/deployments/${DEPLOYMENT_NAME}" \
    | jq .error.message

Se l'output mostra null, attendi qualche secondo ed esegui il comando di nuovo.

Dopo l'eliminazione dell'artefatto di deployment, verrà visualizzato un messaggio come mostrato che viene visualizzato l'esempio seguente:

Resource 'projects/PROJECT_ID/locations/REGION/deployments/DEPLOYMENT_NAME' was not found

Invia feedback

Le soluzioni già pronte sono solo a scopo informativo e non sono ufficialmente prodotti supportati. Google potrebbe modificare o rimuovere le soluzioni senza preavviso.

Per risolvere gli errori, esamina i log di Cloud Build e come output.

Per inviare un feedback:

Per la documentazione, i tutorial nella console o la soluzione, usa sul pulsante Invia feedback nella pagina.

Per il codice Terraform non modificato, crea problemi nel Repository GitHub. I problemi di GitHub vengono esaminati secondo il criterio del "best effort" e non sono destinati a domande sull'utilizzo generale.

Per problemi con i prodotti utilizzati nella soluzione, contatta Assistenza clienti Google Cloud.

Passaggi successivi

Scopri di più sul serverless computing su Google Cloud.
Scopri di più sul machine learning per l'analisi delle immagini su Google Cloud.
Scopri di più sulle architetture basate su eventi.
Scopri le funzionalità e i limiti dei prodotti utilizzati in questa soluzione: