Questa guida ti aiuta a comprendere, implementare e utilizzare la soluzione Jump Start per l'elaborazione delle immagini IA/ML su Cloud Functions. Questa soluzione utilizza modelli di machine learning preaddestrati per analizzare le immagini fornite dagli utenti e generare annotazioni delle immagini.
L'implementazione di questa soluzione crea un servizio di elaborazione delle immagini che può aiutarti a svolgere quanto segue e altro ancora:
- Gestire contenuti generati dagli utenti non sicuri o dannosi.
- Digitalizza il testo dai documenti fisici.
- Rileva e classifica gli oggetti nelle immagini.
Questo documento è rivolto a sviluppatori che hanno familiarità con lo sviluppo di servizi di backend, le funzionalità di IA/ML e i concetti di cloud computing di base. Sebbene non sia obbligatoria, l'esperienza con Terraform è utile.
Obiettivi
- Scopri come viene utilizzata un'architettura serverless per creare un servizio di elaborazione di immagini scalabile.
- Scopri come il servizio di elaborazione delle immagini utilizza modelli di machine learning preaddestrati per l'analisi delle immagini.
- Esegui il deployment del servizio di elaborazione di immagini e richiamalo tramite chiamate all'API REST o in risposta a eventi di caricamento di immagini.
- Esamina le impostazioni di configurazione e sicurezza per capire come adattare il servizio di elaborazione delle immagini alle diverse esigenze.
Prodotti utilizzati
La soluzione utilizza i seguenti Google Cloud prodotti:
- API Cloud Vision: un'API che offre potenti modelli di machine learning preaddestrati per l'annotazione delle immagini. La soluzione utilizza l'API Cloud Vision per analizzare le immagini e ottenere i dati di annotazione delle immagini.
- Cloud Storage: un servizio di livello enterprise che fornisce archiviazione di oggetti a basso costo e senza limiti per diversi tipi di dati. I dati sono accessibili dall'interno e dall'esterno di Google Cloud e vengono replicati con ridondanza geografica. La soluzione utilizza Cloud Storage per archiviare le immagini di input e i dati di annotazione delle immagini risultanti.
- Funzioni Cloud Run: un servizio di calcolo serverless leggero che ti consente di creare funzioni autonome a uso specifico che possono rispondere agli eventi Google Cloud senza la necessità di gestire un ambiente server o di runtime. La soluzione utilizza le funzioni Cloud Run per ospitare gli endpoint del servizio di elaborazione delle immagini.
Per informazioni su come vengono configurati questi prodotti e su come interagiscono, consulta la sezione successiva.
Architettura
La soluzione consiste in un servizio di elaborazione di immagini di esempio che analizza le immagini di input e genera annotazioni per le immagini utilizzando modelli di machine learning preaddestrati. Il seguente diagramma mostra l'architettura delle risorseGoogle Cloud utilizzate nella soluzione.
Il servizio può essere richiamato in due modi: direttamente tramite chiamate all'API REST o indirettamente in risposta ai caricamenti di immagini.
Flusso delle richieste
Il flusso di elaborazione delle richieste del servizio di elaborazione delle immagini dipende dal modo in cui gli utenti invocano il servizio. I passaggi che seguono sono numerati come mostrato nel diagramma dell'architettura precedente.
Quando l'utente richiama il servizio di elaborazione delle immagini direttamente tramite una chiamata all'API REST:
- L'utente invia una richiesta all'endpoint dell'API REST del servizio di elaborazione di immagini, di cui è stato eseguito il deployment come funzione Cloud Run. La richiesta specifica un'immagine come URI o uno stream codificato in base64.
- La funzione Cloud Run effettua una chiamata all'API Cloud Vision per generare annotazioni per l'immagine specificata. I dati di annotazione delle immagini vengono restituiti in formato JSON nella risposta della funzione all'utente.
Quando l'utente richiama il servizio di elaborazione di immagini indirettamente 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 funzione Cloud Run per elaborare l'immagine caricata.
- La funzione Cloud Run effettua una chiamata all'API Cloud Vision per generare annotazioni per l'immagine specificata.
- La funzione Cloud Run 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 Google Cloud risorse utilizzate dalla soluzione di elaborazione delle immagini IA/ML su Cloud Functions, consulta la stima precalcolata nel Google Cloud Calcolatore prezzi.
Utilizza la stima come punto di partenza per calcolare il costo del deployment. Puoi modificare la stima in base alle modifiche di configurazione che prevedi di apportare alle risorse utilizzate nella soluzione.
La stima precalcolata si basa su ipotesi relative a determinati fattori, tra cui:
- Le Google Cloud località in cui vengono implementate le risorse.
La durata dell'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 disporre di un progetto Google Cloud e di alcune autorizzazioni IAM.
Crea o scegli un progetto Google Cloud
Quando esegui il deployment della soluzione, scegli il progetto Google Cloud in cui vengono implementate le risorse. Puoi creare un nuovo progetto o utilizzare un progetto esistente per il deployment.
Se vuoi creare un nuovo progetto, fallo prima di iniziare il deployment. L'utilizzo di un nuovo progetto può contribuire a evitare conflitti con le risorse di cui è stato eseguito 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.
-
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 la procedura di deployment, devi disporre delle autorizzazioni di Identity and Access Management (IAM) elencate nella tabella seguente.
Se hai creato un nuovo progetto per questa soluzione, disponi del roles/owner
ruolo di base
in quel progetto e di tutte le autorizzazioni necessarie. Se non disponi del ruolo roles/owner
, chiedi all'amministratore di concederti queste autorizzazioni (o i ruoli che le includono).
Autorizzazione IAM richiesta | Ruolo predefinito che include le autorizzazioni richieste |
---|---|
|
Amministratore utilizzo servizio ( roles/serviceusage.serviceUsageAdmin ) |
|
Amministratore account di servizio ( roles/iam.serviceAccountAdmin ) |
|
Amministratore IAM del progetto ( roles/resourcemanager.projectIamAdmin ) |
config.deployments.create config.deployments.list |
Amministratore di 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 la procedura di implementazione tramite la console, Google crea un account di servizio per eseguire il deployment della soluzione per tuo conto (e per eliminare il deployment in un secondo momento, se lo desideri). A questo account di servizio vengono assegnate determinate autorizzazioni IAM temporaneamente, ovvero le autorizzazioni vengono revocate automaticamente al termine delle operazioni di implementazione ed eliminazione della soluzione. Google consiglia di eliminare l'account di servizio dopo aver eliminato il deployment, come descritto più avanti in questa guida.
Visualizza i ruoli assegnati all'account di servizio
Questi ruoli sono elencati qui nel caso in cui un amministratore del tuo progetto o della tua organizzazione Google Cloud abbia bisogno di 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 descrive la procedura di implementazione della soluzione.
Per aiutarti a eseguire il deployment di questa soluzione con il minimo sforzo, su GitHub è disponibile una configurazione Terraform. La configurazione Terraform definisce tutte le Google Cloud risorse necessarie per la soluzione.
Puoi eseguire il deployment della soluzione utilizzando uno dei seguenti metodi:
Tramite la console: utilizza questo metodo se vuoi provare la soluzione con la configurazione predefinita e vedere come funziona. Cloud Build esegue il deployment di tutte le risorse necessarie per la soluzione. Quando non hai più bisogno della soluzione di cui è stato eseguito il deployment, puoi eliminarla tramite la console. Le risorse create dopo l'implementazione della soluzione potrebbero dover essere eliminate separatamente.
Per utilizzare questo metodo di deployment, segui le istruzioni riportate in Eseguire il deployment tramite la console.
Utilizzo della CLI Terraform: utilizza questo metodo se vuoi personalizzare la soluzione o se vuoi automatizzare il provisioning e la gestione delle risorse utilizzando l'approccio Infrastructure as Code (IaC). Scarica la configurazione Terraform da GitHub, personalizza facoltativamente il codice in base alle necessità, quindi esegui il deployment della soluzione utilizzando Terraform CLI. Dopo aver eseguito il deployment della soluzione, puoi continuare a utilizzare Terraform per gestirla.
Per utilizzare questo metodo di deployment, segui le istruzioni riportate in Eseguire 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 Google Cloud catalogo Soluzioni di avvio rapido, vai alla soluzione Elaborazione delle immagini IA/ML su Cloud Functions.
Vai alla soluzione di elaborazione delle immagini IA/ML su Cloud Functions
Esamina le informazioni fornite nella pagina, ad esempio il costo stimato della soluzione e il tempo di deployment stimato.
Quando è tutto pronto per iniziare a eseguire 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 inserito per il deployment. Questo nome è obbligatorio più tardi quando elimini il deployment.
Quando fai clic su Esegui il deployment, viene visualizzata la pagina Deployment di soluzioni. Il campo Stato in questa pagina mostra Deployment in corso.
Attendi il deployment della soluzione.
Se il deployment non riesce, il campo Stato mostra Non riuscito. Puoi utilizzare il log di Cloud Build per diagnosticare gli errori. Per ulteriori informazioni, consulta Errori durante il deployment tramite la console.
Al termine del deployment, il campo Stato diventa Deployment eseguito.
Per visualizzare le Google Cloud risorse di cui è stato eseguito il deployment e la loro configurazione, fai un tour interattivo.
Per provare la soluzione, consulta Esplorare la soluzione.
Quando la soluzione non è più necessaria, puoi eliminare il deployment per evitare la fatturazione continua delle risorse. Google Cloud Per ulteriori informazioni, consulta la sezione Eliminare il deployment.
Esegui il deployment utilizzando l'interfaccia a riga di comando Terraform
Questa sezione descrive come personalizzare la soluzione o automatizzare il provisioning e la gestione della soluzione utilizzando l'interfaccia a riga di comando Terraform. Le soluzioni di cui esegui il deployment utilizzando Terraform CLI non vengono visualizzate nella pagina Deployment delle soluzioni della console Google Cloud.
Configura il client Terraform
Puoi eseguire Terraform in Cloud Shell o sul tuo host locale. Questa guida descrive come eseguire Terraform in Cloud Shell, che ha Terraform 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 messaggio per confermare il download del repository GitHub in Cloud Shell.
Fai clic su Conferma.
Cloud Shell viene avviato in una scheda del browser separata e il codice Terraform viene scaricato nella directory
$HOME/cloudshell_open
del tuo ambiente Cloud Shell.In Cloud Shell, controlla se la directory di lavoro attuale è
$HOME/cloudshell_open/terraform-ml-image-annotation-gcf/infra
. Questa è la directory che contiene i file di configurazione Terraform per la soluzione. Se devi passare a questa directory, esegui il seguente comando:cd $HOME/cloudshell_open/terraform-ml-image-annotation-gcf/infra
Inizializza Terraform eseguendo il seguente comando:
terraform init
Attendi finché non viene visualizzato il seguente messaggio:
Terraform has been successfully initialized!
Configura le variabili Terraform
Il codice Terraform scaricato include variabili che puoi utilizzare per personalizzare il deployment in base ai tuoi requisiti. Ad esempio, puoi specificare il progetto Google Cloud e la regione in cui vuoi eseguire il deployment della soluzione.
Assicurati che la directory di lavoro corrente sia
$HOME/cloudshell_open/terraform-ml-image-annotation-gcf/infra
. Se non è così, vai a quella directory.Nella stessa directory, crea un file di testo denominato
terraform.tfvars
.Nel file
terraform.tfvars
, copia il seguente snippet di codice e imposta i valori per le variabili richieste.- Segui le istruzioni fornite come commenti nello snippet di codice.
- Questo snippet di codice include solo le variabili per le quali devi impostare i valori. La configurazione di Terraform include altre variabili con valori predefiniti. Per esaminare tutte le variabili e i valori predefiniti, consulta il file
variables.tf
disponibile nella directory$HOME/cloudshell_open/terraform-ml-image-annotation-gcf/infra
. - Assicurati che ogni valore impostato nel file
terraform.tfvars
sia corrispondente al tipo di variabile dichiarato nel filevariables.tf
. Ad esempio, se il tipo definito per una variabile nel filevariables.tf
èbool
, devi specificaretrue
ofalse
come valore della variabile nel fileterraform.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 corrente sia
$HOME/cloudshell_open/terraform-ml-image-annotation-gcf/infra
. Se non è così, vai a quella directory.Verifica che la configurazione di Terraform non presenti errori:
terraform validate
Se il comando restituisce 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 описано sopra, Terraform ti chiede di inserire i valori per le variabili che non hanno valori predefiniti. Inserisci i valori richiesti.L'output del comando
terraform plan
è un elenco delle risorse di cui Terraform esegue il provisioning quando applichi la configurazione.Se vuoi apportare modifiche, modifica la configurazione ed esegui di nuovo i comandi
terraform validate
eterraform plan
.
Esegui il provisioning delle risorse
Quando non sono necessarie ulteriori modifiche alla configurazione di Terraform, esegui il deployment delle risorse.
Assicurati che la directory di lavoro corrente sia
$HOME/cloudshell_open/terraform-ml-image-annotation-gcf/infra
. Se non è così, vai a quella directory.Applica la configurazione Terraform:
terraform apply
Se non hai creato il file
terraform.tfvars
come описано sopra, Terraform ti chiede di inserire i valori per le variabili che non hanno 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 mostra messaggi che indicano l'avanzamento del deployment.
Se il deployment non può essere completato, Terraform mostra gli errori che hanno causato il fallimento. Esamina i messaggi di errore e aggiorna la configurazione per correggerli. Quindi esegui di nuovo il comando
terraform apply
. Per assistenza con la risoluzione degli errori di Terraform, consulta Errori durante il deployment della soluzione utilizzando l'interfaccia a riga di comando Terraform.Dopo aver creato tutte le risorse, Terraform visualizza il seguente messaggio:
Apply complete!
L'output di Terraform include anche l'URL del punto di contatto del servizio di elaborazione delle immagini, il nome del bucket Cloud Storage di input per il caricamento delle immagini e il nome del bucket Cloud Storage di output contenente i dati di annotazione delle immagini, come mostrato nel seguente esempio di output:
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 Google Cloud risorse di cui è stato eseguito il deployment e la loro configurazione, fai un tour interattivo.
A questo punto, puoi esplorare la soluzione e scoprire come funziona.
Quando la soluzione non è più necessaria, puoi eliminare il deployment per evitare la fatturazione continua delle risorse. Google Cloud Per ulteriori informazioni, consulta la sezione Eliminare il deployment.
Esamina la soluzione
In questa sezione puoi provare a utilizzare la soluzione per vederla in azione. Il servizio di elaborazione di immagini può essere richiamato in due modi: chiamando direttamente la relativa API REST o caricando le 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 flusso di richiesta-risposta, utilizza 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 contatto dell'API REST del servizio di elaborazione delle immagini. Puoi trovare l'URL di questa funzione nella console o, se hai eseguito il deployment utilizzando l'interfaccia a riga di comando Terraform, nella variabile di output vision_prediction_url
. Questo URL punto di contatto espone un
endpoint denominato /annotate
per l'invio di richieste di elaborazione delle immagini. L'endpoint /annotate
supporta le richieste GET
e POST
con i seguenti parametri:
Parametro | Descrizione |
---|---|
image |
(Solo richieste POST ) Contenuti delle immagini, caricati in formato binario
o specificati come dati immagine con codifica base64.
|
image_uri |
Un URI che rimanda a un'immagine. |
features |
(Facoltativo) Un elenco separato da virgole di
funzionalità di annotazione dell'API Vision da richiedere. I possibili valori della funzionalità sono:
|
Per specificare l'immagine da analizzare, includi solo uno dei parametri image
o
image_uri
. Se specifichi entrambi, viene utilizzato image_uri
.
Ad esempio, per eseguire il rilevamento di oggetti su un'immagine con un URI internet, puoi 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 i contenuti delle immagini direttamente 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 le immagini su Cloud Storage
Negli scenari in cui vuoi elaborare le immagini in modo asincrono o tramite il caricamento collettivo, utilizza l'attivatore Cloud Storage del servizio di elaborazione delle immagini, che invoca automaticamente il servizio in risposta ai caricamenti delle immagini.
Segui i passaggi per analizzare le immagini utilizzando l'attivatore Cloud Storage:
Nella console, vai alla pagina Bucket in Cloud Storage.
Fai clic sul nome del bucket di input (
vision-input-ID
) per accedere alla pagina Dettagli bucket.Nella scheda Oggetti, fai clic su Carica i file.
Seleziona il file o i file immagine da analizzare.
Al termine del caricamento, torna alla pagina Bucket di Cloud Storage.
Fai clic sul nome del bucket di output delle annotazioni (
vision-annotations-ID
) per accedere alla relativa pagina Dettagli bucket.La scheda Objects contiene un file JSON separato per ogni immagine caricata. I file JSON contengono i dati di annotazione per ogni immagine.
Personalizzare la soluzione
Questa sezione fornisce informazioni che gli sviluppatori di Terraform possono utilizzare per modificare la soluzione di elaborazione delle immagini IA/ML in Cloud Functions in modo da soddisfare i propri requisiti tecnici e aziendali. Le indicazioni riportate in questa sezione sono pertinenti solo se esegui 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 utilizzare per personalizzare il servizio di elaborazione delle immagini:
Variabile | Descrizione | Valore predefinito |
---|---|---|
region |
La Google Cloud regione in cui eseguire il deployment delle funzioni Cloud Run e di altre risorse della soluzione. Per ulteriori informazioni, consulta Località delle funzioni Cloud Run. | us-west4 |
gcf_max_instance_count |
Il numero massimo di istanze di Cloud Run Functions per il servizio. In questo modo, puoi controllare il comportamento di scalabilità del servizio. Per ulteriori informazioni, consulta Utilizzo delle istanze massime. | 10 |
gcf_timeout_seconds |
Il timeout per le richieste al servizio, in secondi. Questo parametro controlla il tempo di risposta del servizio. Per ulteriori informazioni, consulta Il timeout della funzione. | 120 |
gcf_http_ingress_type_index |
Controlla se il servizio può essere invocato da risorse esterne al tuo progetto Google Cloud. Per ulteriori informazioni, consulta
Impostazioni di Ingress. I valori possibili sono:
|
0 (Consenti tutto) |
gcf_require_http_authentication |
Controlla se è necessaria l'autenticazione per effettuare una richiesta al servizio. Per ulteriori informazioni, consulta Autenticazione per l'invocazione. | false |
gcf_annotation_features |
Un elenco separato da virgole di
funzionalità di annotazione dell'API Vision da includere obbligatoriamente nel servizio. Questo valore può essere sostituito per le singole richieste. I possibili valori della funzionalità sono:
|
FACE_DETECTION,PRODUCT_SEARCH,SAFE_SEARCH_DETECTION |
Per personalizzare la soluzione, completa i seguenti passaggi in Cloud Shell:
Assicurati che la directory di lavoro corrente sia
$HOME/cloudshell_open/terraform-ml-image-annotation-gcf/infra
. Se non è così, 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.
Suggerimenti di progettazione
Quando apporti modifiche alla soluzione cambiando i valori delle variabili Terraform fornite o modificando la configurazione di Terraform stessa, consulta le risorse di questa sezione per sviluppare un'architettura che soddisfi i tuoi requisiti di sicurezza, affidabilità, costi e prestazioni.
Tieni presente quanto segue:
- Prima di apportare modifiche al design, valuta l'impatto sui costi e prendi in considerazione i potenziali compromessi con altre funzionalità. Puoi valutare l'impatto sui costi delle modifiche al design utilizzando il Google Cloud Calcolatore prezzi.
- Per implementare modifiche al design nella soluzione, devi avere esperienza nella programmazione di Terraform e conoscenze avanzate dei Google Cloud servizi utilizzati nella soluzione.
- Se modifichi la configurazione Terraform fornita da Google e poi riscontri errori, crea dei problemi su GitHub. I problemi di GitHub vengono esaminati secondo il criterio del "best effort" e non sono destinati a domande sull'utilizzo generale.
- Per saperne di più sulla progettazione e sulla configurazione di ambienti di produzione in Google Cloud, consulta Progettazione delle zone di destinazione in Google Cloud e Elenco di controllo per la configurazione diGoogle Cloud .
Sicurezza
Per impostazione predefinita, il servizio di elaborazione delle immagini consente le richieste da internet e non richiede l'autenticazione per le richieste. In un ambiente di produzione, potresti dover limitare l'accesso al servizio.
Puoi controllare da dove possono provenire le richieste al tuo servizio modificando la variabile Terraform gcf_http_ingress_type_index
. Fai attenzione a non rendere involontariamente accessibili pubblicamente su internet gli endpoint di servizio della soluzione. Per ulteriori informazioni, consulta la sezione Configurazione delle impostazioni di rete nella documentazione di Cloud Run Functions.
Puoi richiedere l'autenticazione per le richieste all'API REST del servizio di elaborazione delle immagini modificando la variabile Terraform gcf_require_http_authentication
.
In questo modo è possibile controllare l'accesso individuale al servizio. Se richiedi l'autenticazione, gli utenti che chiamano il servizio devono fornire le credenziali per effettuare una richiesta. Per ulteriori informazioni, consulta Autenticazione per l'invocazione nella documentazione delle funzioni Cloud Run.
Per principi e consigli sulla sicurezza specifici per i workload AI e ML, consulta Punto di vista AI e ML: sicurezza nel framework di architettura.
Affidabilità
Quando gli utenti caricano immagini nel bucket Cloud Storage di input, potrebbero riscontrare diversi livelli di latenza nell'output delle annotazioni risultante. Per impostazione predefinita, gli utenti devono eseguire il polling del bucket di output per determinare quando sono disponibili le annotazioni. Per fare in modo che la tua applicazione agisca in modo affidabile non appena l'elaborazione delle immagini è completata, puoi iscriverti agli eventi Cloud Storage nel bucket di output. Ad esempio, puoi implementare un'altra funzione Cloud Run per elaborare i dati delle annotazioni. Per ulteriori informazioni, consulta Trigger Cloud Storage nella documentazione delle funzioni Cloud Run.
Per altri consigli, consulta le seguenti guide per ottimizzare l'affidabilità dei prodotti utilizzati in questa soluzione:
Per principi e consigli sull'affidabilità specifici per i workload di AI e ML, consulta Punto di vista AI e ML: affidabilità nel framework di architettura.
Prestazioni
Il throughput del servizio di elaborazione delle immagini è direttamente influenzato dalla capacità di scalabilità delle funzioni Cloud Run. Le funzioni Cloud Run scalano automaticamente creando istanze di funzione per gestire il carico del traffico in entrata, fino a un limite di istanze configurabile. Puoi controllare la scalabilità delle funzioni e, di conseguenza, la produttività del servizio di elaborazione delle immagini, modificando il limite di istanze massime o rimuovendo del tutto il limite. Utilizza la variabile Terraform gcf_max_instance_count
per modificare il limite. Per ulteriori informazioni, consulta Utilizzare le istanze massime e Comportamento dell'autoscaling nella documentazione delle funzioni Cloud Run.
Per i principi e i consigli di ottimizzazione delle prestazioni specifici per i carichi di lavoro di AI e ML, consulta Punto di vista AI e ML: ottimizzazione delle prestazioni nel framework di architettura.
Costo
Per i principi e i suggerimenti di ottimizzazione dei costi specifici per i carichi di lavoro di AI e ML, consulta Punto di vista IA e ML: ottimizzazione dei costi nel framework di architettura.
Elimina il deployment
Quando non hai più bisogno del deployment della soluzione, eliminalo per evitare la fatturazione continua delle risorse che hai creato.
Eliminazione tramite la console
Utilizza questa procedura se hai eseguito il deployment della soluzione tramite la console.
Nella console Google Cloud, vai alla pagina Deployment delle soluzioni.
Vai a Deployment di soluzioni
Seleziona il progetto che contiene il deployment da eliminare.
Individua il deployment che vuoi eliminare.
Nella riga relativa al deployment, fai clic su
Azioni e poi seleziona Elimina.Potrebbe essere necessario scorrere per visualizzare Azioni nella riga.
Inserisci il nome del deployment e fai clic su Conferma.
Il campo Stato mostra 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 utilizzato per la soluzione, puoi eliminarlo. Per ulteriori informazioni, consulta la sezione Facoltativo: elimina il progetto.
Eliminazione utilizzando l'interfaccia a riga di comando Terraform
Utilizza questa procedura se hai eseguito il deployment della soluzione utilizzando l'interfaccia a riga di comando di Terraform.
In Cloud Shell, assicurati che la directory di lavoro corrente sia
$HOME/cloudshell_open/terraform-ml-image-annotation-gcf/infra
. Se non è così, vai a quella directory.Rimuovi le risorse di cui è stato eseguito il provisioning da Terraform:
terraform destroy
Terraform mostra un elenco delle risorse che verranno eliminate.
Quando ti viene chiesto di eseguire le azioni, inserisci
yes
.Terraform mostra messaggi che indicano l'avanzamento. Dopo che tutte le risorse sono state eliminate, Terraform mostra 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 utilizzato per la soluzione, puoi eliminarlo. Per ulteriori informazioni, consulta la sezione Facoltativo: elimina il progetto.
(Facoltativo) Elimina il progetto
Se hai eseguito il deployment della soluzione in un nuovo progetto Google Cloud e non ne hai più bisogno, eliminalo completando i seguenti passaggi:
- Nella console Google Cloud, vai alla pagina Gestisci risorse.
- Nell'elenco dei progetti, seleziona il progetto che vuoi eliminare, quindi fai clic su Elimina.
- Al prompt, digita l'ID progetto e fai clic su Chiudi.
Se decidi di conservare il progetto, elimina l'account di servizio creato per questa soluzione, come descritto nella sezione successiva.
(Facoltativo) Elimina l'account di servizio
Se hai eliminato il progetto utilizzato per la soluzione, salta questa sezione.
Come accennato in precedenza in questa guida, quando hai eseguito il deployment della soluzione è stato creato un account di servizio per tuo conto. All'account di servizio sono state assegnate determinate autorizzazioni IAM temporaneamente, ovvero le autorizzazioni sono state revocate automaticamente al termine delle operazioni di deployment ed eliminazione della soluzione, ma l'account di servizio non è stato eliminato. Google consiglia di eliminare questo account di servizio.
Se hai eseguito il deployment della soluzione tramite la console Google Cloud, vai alla pagina Deployment di soluzioni. Se sei già su questa pagina, aggiorna il browser. Viene attivato un processo in background per eliminare l'account di servizio. Non sono necessari ulteriori interventi.
Se hai eseguito il deployment della soluzione utilizzando l'interfaccia a riga di comando di Terraform, completa i seguenti passaggi:
Nella console Google Cloud, vai alla pagina Account di servizio.
Seleziona il progetto utilizzato per la soluzione.
Seleziona l'account di servizio che vuoi eliminare.
L'ID indirizzo email dell'account di servizio creato per la soluzione è nel seguente formato:
goog-sc-
DEPLOYMENT_NAME -NNN @PROJECT_ID .iam.gserviceaccount.comL'ID email contiene i seguenti valori:
- DEPLOYMENT_NAME: il nome del deployment.
- NNN: un numero di 3 cifre casuale.
- PROJECT_ID: l'ID del progetto in cui hai eseguito il deployment della soluzione.
Fai clic su Elimina.
Risolvere gli errori
Le azioni che puoi intraprendere per diagnosticare e risolvere gli errori dipendono dal metodo di implementazione e dalla complessità dell'errore.
Errori durante il deployment tramite la console
Se il deployment non va a buon fine quando utilizzi la console, segui questi passaggi:
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:
Nella riga del deployment, fai clic su
Azioni.Potrebbe essere necessario scorrere per visualizzare Azioni nella riga.
Seleziona Visualizza i log di Cloud Build.
Esamina il log di Cloud Build e intervieni di conseguenza per risolvere il problema che ha causato l'errore.
Errori durante il deployment utilizzando l'interfaccia a riga di comando Terraform
Se il deployment non riesce quando utilizzi Terraform, l'output del comando terraform
apply
include messaggi di errore che puoi esaminare per diagnosticare il problema.
Gli esempi nelle sezioni seguenti mostrano gli errori di deployment che potresti riscontrare quando utilizzi Terraform.
API non abilitata
Se crei un progetto e poi provi immediatamente a eseguire il deployment della soluzione nel nuovo progetto, il deployment potrebbe non riuscire con un errore simile al 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 di nuovo il comando terraform apply
.
Se l'errore relativo a un'API non abilitata persiste, segui il link nel messaggio di errore per attivare l'API. Attendi qualche istante affinché l'API venga attivata, quindi esegui di nuovo il comando terraform apply
.
Impossibile assegnare l'indirizzo richiesto
Quando esegui il comando terraform apply
, potrebbe verificarsi un errore cannot assign requested address
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 eliminare un deployment potrebbero non riuscire:
- Dopo aver eseguito il deployment di una soluzione tramite la console, se modifichi una risorsa di cui è stato eseguito il provisioning dalla soluzione e poi provi a eliminare il deployment, l'eliminazione potrebbe non riuscire. Il campo Stato nella pagina Deployment di soluzioni mostra Non riuscito e il log di Cloud Build mostra la causa dell'errore.
- Dopo aver eseguito il deployment di una soluzione utilizzando Terraform CLI, se modifichi una risorsa utilizzando un'interfaccia non Terraform (ad esempio la console) e poi provi a eliminare il deployment, l'eliminazione potrebbe non riuscire. I messaggi nell'output del comando
terraform destroy
mostrano la causa dell'errore.
Esamina i log e i messaggi di errore, identifica ed elimina le risorse che hanno causato l'errore, quindi riprova a eliminare il deployment.
Se un deployment basato sulla console non viene eliminato e non riesci a diagnosticare l'errore utilizzando il log di Cloud Build, puoi eliminare il deployment utilizzando Terraform CLI, come descritto nella sezione successiva.
Eliminare un deployment basato sulla console utilizzando la CLI Terraform
Questa sezione descrive come eliminare un deployment basato sulla console se si verificano errori quando provi a eliminarlo tramite la console. Con questo approccio, scarichi la configurazione di Terraform per il deployment che vuoi eliminare e poi utilizzi Terraform CLI per eliminare il deployment.
Identifica la regione in cui sono archiviati il codice Terraform, i log e altri dati del deployment. Questa regione potrebbe essere diversa da quella selezionata durante il deployment della soluzione.
Nella console Google Cloud, vai alla pagina Deployment delle soluzioni.
Vai a Deployment di soluzioni
Seleziona il progetto che contiene il deployment da eliminare.
Nell'elenco dei deployment, identifica la riga del deployment che vuoi eliminare.
Fai clic su
Visualizza tutti i contenuti della riga.Nella colonna Località, prendi nota della seconda posizione, come evidenziato nel seguente esempio:
In the Google Cloud console, 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 progetto, la regione e il nome del 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 posizione che hai annotato in precedenza in questa procedura.
- PROJECT_ID: l'ID del progetto in cui hai eseguito il deployment della soluzione.
- DEPLOYMENT_NAME: il nome del deployment che vuoi eliminare.
Recupera l'ID dell'ultima revisione del deployment che vuoi 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 $REVISION_ID
L'output è simile al seguente:
projects/
PROJECT_ID /locations/REGION /deployments/DEPLOYMENT_NAME /revisions/r-0Ottieni la posizione di Cloud Storage della configurazione Terraform per il deployment:
export CONTENT_PATH=$(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/contentScarica la configurazione Terraform da Cloud Storage in Cloud Shell:
gcloud storage cp $CONTENT_PATH $HOME --recursive cd $HOME/content/infra
Attendi che venga visualizzato il messaggio
Operation completed
, come mostrato 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 hai eseguito il deployment:
terraform destroy
Terraform mostra un elenco delle risorse che verranno eliminate.
Se vengono visualizzati avvisi relativi a variabili non dichiarate, ignorali.
Quando ti viene chiesto di eseguire le azioni, inserisci
yes
.Terraform mostra messaggi che indicano l'avanzamento. Dopo che tutte le risorse sono state eliminate, Terraform mostra il seguente messaggio:
Destroy complete!
Elimina l'elemento del 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 e verifica che l'elemento di deployment sia stato eliminato:
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 di nuovo il comando.Dopo l'eliminazione dell'elemento di deployment, viene visualizzato un messaggio come mostrato nell'esempio seguente:
Resource 'projects/
PROJECT_ID /locations/REGION /deployments/DEPLOYMENT_NAME ' was not found
Invia feedback
Le soluzioni Jump Start sono solo informative e non sono prodotti supportati ufficialmente. Google può modificare o rimuovere le soluzioni senza preavviso.
Per risolvere i problemi relativi agli errori, esamina i log di Cloud Build e l'output di Terraform.
Per inviare un feedback:
- Per la documentazione, i tutorial nella console o la soluzione, utilizza il pulsante Invia feedback nella pagina.
- Per il codice Terraform non modificato, crea i 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 relativi ai prodotti utilizzati nella soluzione, contatta l'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:
- Per una panoramica dei principi e dei consigli di architettura specifici per i workload di IA e ML in Google Cloud, consulta la prospettiva IA e ML nel framework di architettura.