Halaman ini diterjemahkan oleh Cloud Translation API.

Men-deploy solusi analisis ML vision dengan Dataflow dan Cloud Vision API

Last reviewed 2024-05-16 UTC

Dokumen deployment ini menjelaskan cara men-deploy pipeline Dataflow untuk memproses file gambar dalam skala besar dengan Cloud Vision API. Pipeline ini menyimpan hasil file yang diproses di BigQuery. Anda dapat menggunakan file tersebut untuk tujuan analisis atau untuk melatih model BigQuery ML.

Pipeline Dataflow yang Anda buat dalam deployment ini dapat memproses jutaan gambar per hari. Satu-satunya batasan adalah kuota Vision API Anda. Anda dapat meningkatkan kuota Vision API berdasarkan persyaratan skala.

Petunjuk ini ditujukan untuk data engineer dan data scientist. Dokumen ini mengasumsikan bahwa Anda memiliki pengetahuan dasar tentang membangun pipeline Dataflow menggunakan Java SDK Apache Beam, GoogleSQL untuk BigQuery, dan skrip shell dasar. Selain itu, tutorial ini juga mengasumsikan bahwa Anda sudah memahami Vision API.

Arsitektur

Diagram berikut mengilustrasikan alur sistem untuk membangun solusi analisis visi ML.

Arsitektur yang menunjukkan alur informasi untuk proses penyerapan dan pemicu, pemrosesan, serta penyimpanan dan analisis.

Dalam diagram sebelumnya, informasi mengalir melalui arsitektur sebagai berikut:

Klien mengupload file gambar ke bucket Cloud Storage.
Cloud Storage mengirim pesan tentang upload data ke Pub/Sub.
Pub/Sub memberi tahu Dataflow tentang upload.
Pipeline Dataflow mengirimkan gambar ke Vision API.
Vision API memproses gambar, lalu menampilkan anotasi.
Pipeline mengirimkan file yang diberi anotasi ke BigQuery untuk Anda analisis.

Tujuan

Buat pipeline Apache Beam untuk analisis gambar dari gambar yang dimuat di Cloud Storage.
Gunakan Runner Dataflow v2 untuk menjalankan pipeline Apache Beam dalam mode streaming guna menganalisis gambar segera setelah gambar diupload.
Menggunakan Vision API untuk menganalisis gambar dari serangkaian jenis fitur.
Menganalisis anotasi dengan BigQuery.

Biaya

Dalam dokumen ini, Anda akan menggunakan komponen Google Cloudyang dapat ditagih berikut:

Untuk membuat perkiraan biaya berdasarkan proyeksi penggunaan Anda, gunakan kalkulator harga.

Pengguna Google Cloud baru mungkin memenuhi syarat untuk mendapatkan uji coba gratis.

Setelah selesai mem-build aplikasi contoh, Anda dapat menghindari penagihan berkelanjutan dengan menghapus resource yang Anda buat. Untuk mengetahui informasi selengkapnya, lihat Pembersihan.

Sebelum memulai

Sign in to your Google Cloud account. If you're new to Google Cloud, create an account to evaluate how our products perform in real-world scenarios. New customers also get $300 in free credits to run, test, and deploy workloads.

In the Google Cloud console, on the project selector page, select or create a Google Cloud project.

Go to project selector

Verify that billing is enabled for your Google Cloud project.

In the Google Cloud console, on the project selector page, select or create a Google Cloud project.

Go to project selector

Verify that billing is enabled for your Google Cloud project.

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.

Clone repositori GitHub yang berisi kode sumber pipeline Dataflow:

    git clone
    https://github.com/GoogleCloudPlatform/dataflow-vision-analytics.git

Buka folder root repositori:
```
    cd dataflow-vision-analytics
    
```
Ikuti petunjuk di bagian Memulai pada repositori dataflow-vision-analytics di GitHub untuk menyelesaikan tugas berikut:
- Aktifkan beberapa API.
- Membuat bucket Cloud Storage.
- Buat topik dan langganan Pub/Sub.
- Membuat set data BigQuery.
- Siapkan beberapa variabel lingkungan untuk deployment ini.

Menjalankan pipeline Dataflow untuk semua fitur Vision API yang diimplementasikan

Pipeline Dataflow meminta dan memproses serangkaian fitur dan atribut Vision API tertentu dalam file yang dianotasi.

Parameter yang tercantum dalam tabel berikut bersifat khusus untuk pipeline Dataflow dalam deployment ini. Untuk mengetahui daftar lengkap parameter eksekusi Dataflow standar, lihat Menetapkan opsi pipeline Dataflow.

Nama parameter	Deskripsi
`batchSize`	Jumlah gambar yang akan disertakan dalam permintaan ke Vision API. Nilai defaultnya adalah 1. Anda dapat meningkatkan nilai ini hingga maksimum 16.
`datasetName`	Nama set data BigQuery output.
`features`	Daftar fitur pemrosesan gambar. Pipeline ini mendukung fitur label, tempat terkenal, logo, wajah, petunjuk pangkas, dan properti gambar.
`keyRange`	Parameter yang menentukan jumlah maksimum panggilan paralel ke Vision API. Nilai defaultnya adalah 1.
`labelAnnottationTable, landmarkAnnotationTable, logoAnnotationTable, faceAnnotationTable, imagePropertiesTable, cropHintAnnotationTable, errorLogTable`	Parameter string dengan menggunakan nama tabel untuk berbagai anotasi. Nilai default diberikan untuk setiap tabel—misalnya, `label_annotation`.
`maxBatchCompletionDurationInSecs`	Durasi waktu tunggu sebelum memproses gambar jika ada batch gambar yang tidak lengkap. Defaultnya adalah 30 detik.
`subscriberId`	ID langganan Pub/Sub yang menerima notifikasi Cloud Storage input.
`visionApiProjectId`	Project ID yang akan digunakan untuk Vision API.

Di Cloud Shell, jalankan perintah berikut untuk memproses gambar untuk semua jenis fitur yang didukung oleh pipeline Dataflow:

./gradlew run --args=" \
--jobName=test-vision-analytics \
  --streaming \
  --runner=DataflowRunner \
  --enableStreamingEngine \
  --diskSizeGb=30 \
  --project=${PROJECT} \
  --datasetName=${BIGQUERY_DATASET} \
  --subscriberId=projects/${PROJECT}/subscriptions/${GCS_NOTIFICATION_SUBSCRIPTION} \
  --visionApiProjectId=${PROJECT} \
  --features=IMAGE_PROPERTIES,LABEL_DETECTION,LANDMARK_DETECTION,LOGO_DETECTION,CROP_HINTS,FACE_DETECTION"

Akun layanan khusus harus memiliki akses baca ke bucket yang berisi gambar. Dengan kata lain, akun tersebut harus memiliki peran roles/storage.objectViewer yang diberikan di bucket tersebut.

Untuk mengetahui informasi selengkapnya tentang cara menggunakan akun layanan khusus, lihat Keamanan dan izin Dataflow.

Buka URL yang ditampilkan di tab browser baru, atau buka halaman Dataflow Jobs dan pilih pipeline test-vision-analytics.

Setelah beberapa detik, grafik untuk tugas Dataflow akan muncul:

Pipeline Dataflow sekarang sedang berjalan dan menunggu untuk menerima notifikasi input dari langganan Pub/Sub.
Picu pemrosesan gambar Dataflow dengan mengupload enam file contoh ke dalam bucket input:
```
gcloud storage cp data-sample/* gs://${IMAGE_BUCKET}
```
Di konsol Google Cloud , temukan panel Penghitung Kustom dan gunakan panel tersebut untuk meninjau penghitung kustom di Dataflow dan memverifikasi bahwa Dataflow telah memproses keenam gambar. Anda dapat menggunakan fungsi filter panel untuk membuka metrik yang benar. Untuk hanya menampilkan penghitung yang dimulai dengan awalan numberOf, ketik numberOf di filter.

Di Cloud Shell, validasikan bahwa tabel tersebut dibuat secara otomatis:

bq query --nouse_legacy_sql "SELECT table_name FROM ${BIGQUERY_DATASET}.INFORMATION_SCHEMA.TABLES ORDER BY table_name"

Outputnya adalah sebagai berikut:

+----------------------+
|      table_name      |
+----------------------+
| crop_hint_annotation |
| face_annotation      |
| image_properties     |
| label_annotation     |
| landmark_annotation  |
| logo_annotation      |
+----------------------+

Lihat skema untuk tabel landmark_annotation. Fitur LANDMARK_DETECTION ini akan menangkap atribut yang ditampilkan dari panggilan API.

bq show --schema --format=prettyjson ${BIGQUERY_DATASET}.landmark_annotation

Outputnya adalah sebagai berikut:

[
   {
      "name":"gcs_uri",
      "type":"STRING"
   },
   {
      "name":"feature_type",
      "type":"STRING"
   },
   {
      "name":"transaction_timestamp",
      "type":"STRING"
   },
   {
      "name":"mid",
      "type":"STRING"
   },
   {
      "name":"description",
      "type":"STRING"
   },
   {
      "name":"score",
      "type":"FLOAT"
   },
   {
      "fields":[
         {
            "fields":[
               {
                  "name":"x",
                  "type":"INTEGER"
               },
               {
              "name":"y",
              "type":"INTEGER"
           }
        ],
        "mode":"REPEATED",
        "name":"vertices",
        "type":"RECORD"
     }
  ],
  "name":"boundingPoly",
  "type":"RECORD"
},
{
  "fields":[
     {
        "fields":[
           {
              "name":"latitude",
              "type":"FLOAT"
           },
           {
              "name":"longitude",
              "type":"FLOAT"
           }
        ],
            "name":"latLon",
            "type":"RECORD"
          }
        ],
      "mode":"REPEATED",
      "name":"locations",
      "type":"RECORD"
   }
]

Lihat data anotasi yang dihasilkan oleh API dengan menjalankan perintah bq query berikut untuk melihat semua penanda yang ditemukan dalam enam gambar ini yang diurutkan berdasarkan skor yang paling mungkin:

bq query --nouse_legacy_sql "SELECT SPLIT(gcs_uri, '/')[OFFSET(3)] file_name, description, score, locations FROM ${BIGQUERY_DATASET}.landmark_annotation ORDER BY score DESC"

Outputnya mirip dengan hal berikut ini:

+------------------+-------------------+------------+---------------------------------+
|    file_name     |    description    |   score    |            locations            |
+------------------+-------------------+------------+---------------------------------+
| eiffel_tower.jpg | Eiffel Tower      |  0.7251996 | ["POINT(2.2944813 48.8583701)"] |
| eiffel_tower.jpg | Trocadéro Gardens | 0.69601923 | ["POINT(2.2892823 48.8615963)"] |
| eiffel_tower.jpg | Champ De Mars     |  0.6800974 | ["POINT(2.2986304 48.8556475)"] |
+------------------+-------------------+------------+---------------------------------+

Untuk deskripsi mendetail semua kolom yang khusus untuk anotasi, lihat AnnotateImageResponse.

Untuk menghentikan pipeline streaming, jalankan perintah berikut. Pipeline akan terus berjalan meskipun tidak ada lagi notifikasi Pub/Sub yang harus diproses.
```
  gcloud dataflow jobs cancel
    --region ${REGION} $(gcloud dataflow jobs list
    --region ${REGION} --filter="NAME:test-vision-analytics AND STATE:Running"
    --format="get(JOB_ID)")
```
Bagian berikut berisi contoh kueri lainnya yang menganalisis berbagai fitur gambar.

Menganalisis set data Flickr30K

Di bagian ini, Anda akan mendeteksi label dan landmark dalam set data gambar Flickr30k publik yang dihosting di Kaggle.

Di Cloud Shell, ubah parameter pipeline Dataflow sehingga dioptimalkan untuk set data besar. Untuk memungkinkan throughput yang lebih tinggi, tingkatkan juga nilai batchSize dan keyRange. Dataflow melakukan skala jumlah worker sesuai kebutuhan:

./gradlew run --args=" \
  --runner=DataflowRunner \
  --jobName=vision-analytics-flickr \
  --streaming \
  --enableStreamingEngine \
  --diskSizeGb=30 \
  --autoscalingAlgorithm=THROUGHPUT_BASED \
  --maxNumWorkers=5 \
  --project=${PROJECT} \
  --region=${REGION} \
  --subscriberId=projects/${PROJECT}/subscriptions/${GCS_NOTIFICATION_SUBSCRIPTION} \
  --visionApiProjectId=${PROJECT} \
  --features=LABEL_DETECTION,LANDMARK_DETECTION \
  --datasetName=${BIGQUERY_DATASET} \
  --batchSize=16 \
  --keyRange=5"

Karena set datanya besar, Anda tidak dapat menggunakan Cloud Shell untuk mengambil gambar dari Kaggle dan mengirimkannya ke bucket Cloud Storage. Anda harus menggunakan VM dengan ukuran disk yang lebih besar untuk melakukannya.

Untuk mengambil gambar berbasis Kaggle dan mengirimkannya ke bucket Cloud Storage, ikuti petunjuk di bagian Simulasikan gambar yang diupload ke bucket penyimpanan di repositori GitHub.
Untuk mengamati progres proses penyalinan dengan melihat metrik kustom yang tersedia di UI Dataflow, buka halaman Dataflow Jobs dan pilih pipeline vision-analytics-flickr. Penghitung pelanggan harus berubah secara berkala hingga pipeline Dataflow memproses semua file.

Outputnya mirip dengan screenshot berikut dari panel Penghitung Kustom. Salah satu file dalam set data memiliki jenis yang salah, dan penghitung rejectedFiles mencerminkan hal tersebut. Nilai penghitung ini adalah perkiraan. Anda mungkin melihat angka yang lebih tinggi. Selain itu, jumlah anotasi kemungkinan akan berubah karena peningkatan akurasi pemrosesan oleh Vision API.

Untuk menentukan apakah Anda mendekati atau melampaui sumber daya yang tersedia, lihat halaman kuota Vision API.

Dalam contoh ini, pipeline Dataflow hanya menggunakan sekitar 50% kuotanya. Berdasarkan persentase kuota yang Anda gunakan, Anda dapat memutuskan untuk meningkatkan paralelisme pipeline dengan meningkatkan nilai parameter keyRange.

Menghentikan pipeline:

gcloud dataflow jobs list --region $REGION --filter="NAME:vision-analytics-flickr AND STATE:Running" --format="get(JOB_ID)"

Menganalisis anotasi di BigQuery

Dalam deployment ini, Anda telah memproses lebih dari 30.000 gambar untuk anotasi label dan landmark. Di bagian ini, Anda akan mengumpulkan statistik tentang file tersebut. Anda dapat menjalankan kueri ini di ruang kerja GoogleSQL untuk BigQuery atau menggunakan alat command line bq.

Perhatikan bahwa angka yang Anda lihat dapat bervariasi dari hasil kueri contoh dalam deployment ini. Vision API terus meningkatkan akurasi analisisnya; API ini dapat menghasilkan hasil yang lebih kaya dengan menganalisis gambar yang sama setelah Anda menguji solusi ini untuk pertama kalinya.

Di konsol Google Cloud , buka halaman Editor kueri BigQuery dan jalankan perintah berikut untuk melihat 20 label teratas dalam set data:

Buka Editor kueri

SELECT  description, count(*)ascount \
  FROM vision_analytics.label_annotation
  GROUP BY description ORDER BY count DESC LIMIT 20

Outputnya mirip dengan hal berikut ini:

+------------------+-------+
|   description    | count |
+------------------+-------+
| Leisure          |  7663 |
| Plant            |  6858 |
| Event            |  6044 |
| Sky              |  6016 |
| Tree             |  5610 |
| Fun              |  5008 |
| Grass            |  4279 |
| Recreation       |  4176 |
| Shorts           |  3765 |
| Happy            |  3494 |
| Wheel            |  3372 |
| Tire             |  3371 |
| Water            |  3344 |
| Vehicle          |  3068 |
| People in nature |  2962 |
| Gesture          |  2909 |
| Sports equipment |  2861 |
| Building         |  2824 |
| T-shirt          |  2728 |
| Wood             |  2606 |
+------------------+-------+

Menentukan label lain yang ada pada gambar dengan label tertentu, yang diurutkan berdasarkan frekuensi:

DECLARE label STRING DEFAULT 'Plucked string instruments';

WITH other_labels AS (
   SELECT description, COUNT(*) count
FROM vision_analytics.label_annotation
WHERE gcs_uri IN (
    SELECT gcs_uri FROM vision_analytics.label_annotation WHERE description = label )
  AND description != label
GROUP BY description)
SELECT description, count, RANK() OVER (ORDER BY count DESC) rank
FROM other_labels ORDER BY rank LIMIT 20;

Outputnya adalah sebagai berikut. Untuk label Alat musik petik yang digunakan dalam perintah sebelumnya, Anda akan melihat:

+------------------------------+-------+------+
|         description          | count | rank |
+------------------------------+-------+------+
| String instrument            |   397 |    1 |
| Musical instrument           |   236 |    2 |
| Musician                     |   207 |    3 |
| Guitar                       |   168 |    4 |
| Guitar accessory             |   135 |    5 |
| String instrument accessory  |    99 |    6 |
| Music                        |    88 |    7 |
| Musical instrument accessory |    72 |    8 |
| Guitarist                    |    72 |    8 |
| Microphone                   |    52 |   10 |
| Folk instrument              |    44 |   11 |
| Violin family                |    28 |   12 |
| Hat                          |    23 |   13 |
| Entertainment                |    22 |   14 |
| Band plays                   |    21 |   15 |
| Jeans                        |    17 |   16 |
| Plant                        |    16 |   17 |
| Public address system        |    16 |   17 |
| Artist                       |    16 |   17 |
| Leisure                      |    14 |   20 |
+------------------------------+-------+------+

Lihat 10 landmark terdeteksi teratas:

  SELECT description, COUNT(description) AS count
  FROM vision_analytics.landmark_annotation
  GROUP BY description ORDER BY count DESC LIMIT 10

Outputnya adalah sebagai berikut:

  +--------------------+-------+
  |    description     | count |
  +--------------------+-------+
  | Times Square       |    55 |
  | Rockefeller Center |    21 |
  | St. Mark's Square  |    16 |
  | Bryant Park        |    13 |
  | Millennium Park    |    13 |
  | Ponte Vecchio      |    13 |
  | Tuileries Garden   |    13 |
  | Central Park       |    12 |
  | Starbucks          |    12 |
  | National Mall      |    11 |
  +--------------------+-------+

Tentukan gambar yang kemungkinan besar berisi air terjun:

SELECT SPLIT(gcs_uri, '/')[OFFSET(3)] file_name, description, score
FROM vision_analytics.landmark_annotation
WHERE LOWER(description) LIKE '%fall%'
ORDER BY score DESC LIMIT 10

Outputnya adalah sebagai berikut:

+----------------+----------------------------+-----------+
|   file_name    |        description         |   score    |
+----------------+----------------------------+-----------+
| 895502702.jpg  | Waterfall Carispaccha      |  0.6181358 |
| 3639105305.jpg | Sahalie Falls Viewpoint    | 0.44379658 |
| 3672309620.jpg | Gullfoss Falls             | 0.41680416 |
| 2452686995.jpg | Wahclella Falls            | 0.39005348 |
| 2452686995.jpg | Wahclella Falls            |  0.3792498 |
| 3484649669.jpg | Kodiveri Waterfalls        | 0.35024035 |
| 539801139.jpg  | Mallela Thirtham Waterfall | 0.29260656 |
| 3639105305.jpg | Sahalie Falls              |  0.2807213 |
| 3050114829.jpg | Kawasan Falls              | 0.27511594 |
| 4707103760.jpg | Niagara Falls              | 0.18691841 |
+----------------+----------------------------+-----------+

Temukan gambar landmark dalam jarak 3 kilometer dari Colosseum di Roma (fungsi ST_GEOPOINT ini menggunakan garis bujur dan lintang Colosseum):

WITH
  landmarksWithDistances AS (
  SELECT
    gcs_uri,
    description,
    location,
    ST_DISTANCE(location,
      ST_GEOGPOINT(12.492231,
        41.890222)) distance_in_meters,
  FROM
    `vision_analytics.landmark_annotation` landmarks
  CROSS JOIN
    UNNEST(landmarks.locations) AS location )
SELECT
  SPLIT(gcs_uri,"/")[OFFSET(3)] file,
  description,
    ROUND(distance_in_meters) distance_in_meters,
  location,
  CONCAT("https://storage.cloud.google.com/", SUBSTR(gcs_uri, 6)) AS image_url
FROM
  landmarksWithDistances
WHERE
  distance_in_meters < 3000
ORDER BY
  distance_in_meters
LIMIT
  100

Saat menjalankan kueri, Anda akan melihat bahwa ada beberapa gambar Colosseum, tetapi juga gambar Arch Of Constantine, Palatine Hill, dan sejumlah tempat lain yang sering difoto.

Anda dapat memvisualisasikan data di BigQuery Geo Viz dengan menempelkan kueri sebelumnya. Pilih titik di peta untuk melihat detailnya. Atribut Image_url berisi link ke file gambar.

Peta lokasi dan jaraknya dari Colosseum.

Satu catatan tentang hasil kueri. Informasi lokasi biasanya tersedia untuk tempat terkenal. Gambar yang sama dapat berisi beberapa lokasi untuk landmark yang sama. Fungsi ini dijelaskan dalam jenis AnnotateImageResponse.

Karena satu lokasi dapat menunjukkan lokasi kejadian dalam gambar, beberapa elemen LocationInfo dapat muncul. Lokasi lain dapat menunjukkan tempat gambar diambil.

Pembersihan

Agar tidak dikenai biaya pada akun Google Cloud Anda untuk resource yang digunakan dalam panduan ini, hapus project yang berisi resource tersebut, atau simpan project dan hapus setiap resource.

Menghapus Google Cloud project

Cara termudah untuk menghilangkan penagihan adalah dengan menghapus Google Cloud project yang Anda buat untuk tutorial.

Perhatian: Menghapus project memiliki efek berikut:

Semua hal dalam project akan dihapus. Jika menggunakan project yang sudah ada untuk tugas dalam dokumen ini, saat Anda menghapusnya, pekerjaan lain yang telah Anda lakukan dalam project tersebut juga akan terhapus.
Project ID kustom hilang. Saat membuat project ini, Anda mungkin telah membuat project ID kustom yang ingin digunakan di masa mendatang. Untuk mempertahankan URL yang menggunakan project ID, seperti URL appspot.com, hapus resource yang dipilih di dalam project, bukan menghapus seluruh project.

Jika Anda berencana mempelajari beberapa arsitektur, tutorial atau panduan memulai, dengan menggunakan kembali project dapat membantu Anda agar tidak melampaui batas kuota project.

In the Google Cloud console, go to the Manage resources page.
Go to Manage resources
In the project list, select the project that you want to delete, and then click Delete.
In the dialog, type the project ID, and then click Shut down to delete the project.

Jika Anda memutuskan untuk menghapus resource satu per satu, ikuti langkah-langkah di bagian Membersihkan repositori GitHub.

Langkah berikutnya

Untuk mengetahui lebih banyak tentang arsitektur referensi, diagram, dan praktik terbaik lainnya, jelajahi Pusat Arsitektur Cloud.

Kontributor

Penulis:

Masud Hasan | Site Reliability Engineering Manager
Sergei Lilichenko | Solutions Architect
Lakshmanan Sethu | Technical Account Manager

Kontributor lainnya:

Jiyeon Kang | Customer Engineer
Sunil Kumar Jang Bahadur | Customer Engineer

Men-deploy solusi analisis ML vision dengan Dataflow dan Cloud Vision API Tetap teratur dengan koleksi Simpan dan kategorikan konten berdasarkan preferensi Anda.

Arsitektur

Tujuan

Biaya

Sebelum memulai

Menjalankan pipeline Dataflow untuk semua fitur Vision API yang diimplementasikan

Menganalisis set data Flickr30K

Menganalisis anotasi di BigQuery

Pembersihan

Menghapus Google Cloud project

Langkah berikutnya

Kontributor

Men-deploy solusi analisis ML vision dengan Dataflow dan Cloud Vision API