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 dalam 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 batas adalah kuota Vision API Anda. Anda dapat meningkatkan kuota Vision API berdasarkan persyaratan skala.
Instruksi ini ditujukan untuk para insinyur data dan ilmuwan data. Dokumen ini mengasumsikan bahwa Anda memiliki pengetahuan dasar dalam membangun pipeline Dataflow menggunakan Java SDK Apache Beam, GoogleSQL untuk BigQuery, dan pembuatan skrip shell dasar. Tutorial ini juga mengasumsikan bahwa Anda sudah memahami Vision API.
Arsitektur
Diagram berikut mengilustrasikan alur sistem untuk membuat solusi analisis visi ML.
Dalam diagram sebelumnya, informasi mengalir melalui arsitektur sebagai berikut:
- Klien mengupload file gambar ke bucket Cloud Storage.
- Cloud Storage mengirimkan pesan tentang upload data ke Pub/Sub.
- Pub/Sub memberi tahu Dataflow tentang upload tersebut.
- Pipeline Dataflow mengirimkan gambar ke Vision API.
- Vision API memproses gambar, lalu menampilkan anotasi.
- Pipeline mengirimkan file yang telah dianotasi ke BigQuery untuk Anda analisis.
Tujuan
- Membuat pipeline Apache Beam untuk analisis gambar dari gambar yang dimuat di Cloud Storage.
- Gunakan Dataflow Runner v2 untuk menjalankan pipeline Apache Beam dalam mode streaming guna menganalisis gambar segera setelah diupload.
- Gunakan Vision API untuk menganalisis gambar bagi sekumpulan jenis fitur.
- Menganalisis anotasi dengan BigQuery.
Biaya
Dalam dokumen ini, Anda menggunakan komponen Google Cloud yang dapat ditagih berikut:
Untuk membuat perkiraan biaya berdasarkan proyeksi penggunaan Anda,
gunakan kalkulator harga.
Setelah selesai membuat aplikasi contoh, Anda dapat menghindari penagihan berkelanjutan dengan menghapus resource yang Anda buat. Untuk mengetahui informasi selengkapnya, lihat Pembersihan.
Sebelum memulai
- Login ke akun Google Cloud Anda. Jika Anda baru menggunakan Google Cloud, buat akun untuk mengevaluasi performa produk kami dalam skenario dunia nyata. Pelanggan baru juga mendapatkan kredit gratis senilai $300 untuk menjalankan, menguji, dan men-deploy workload.
-
Di konsol Google Cloud, pada halaman pemilih project, pilih atau buat project Google Cloud.
-
Pastikan penagihan telah diaktifkan untuk project Google Cloud Anda.
-
Di konsol Google Cloud, pada halaman pemilih project, pilih atau buat project Google Cloud.
-
Pastikan penagihan telah diaktifkan untuk project Google Cloud Anda.
-
Di konsol Google Cloud, aktifkan Cloud Shell.
Di bagian bawah Google Cloud Console, Cloud Shell sesi akan terbuka dan menampilkan perintah command line. Cloud Shell adalah lingkungan shell dengan Google Cloud CLI yang sudah terinstal, dan dengan nilai yang sudah ditetapkan untuk project Anda saat ini. Diperlukan waktu beberapa detik untuk melakukan inisialisasi sesi.
- Buat 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 di repositori dataflow-vision-analytics di GitHub untuk menyelesaikan tugas-tugas berikut:
- Mengaktifkan beberapa API.
- Membuat bucket Cloud Storage.
- Membuat langganan dan topik 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 dikhususkan untuk pipeline Dataflow dalam deployment ini. Untuk mengetahui daftar lengkap parameter eksekusi Dataflow standar, lihat artikel Menetapkan opsi pipeline Dataflow.
Nama parameter | Deskripsi |
---|---|
|
Jumlah gambar yang akan disertakan dalam permintaan ke Vision API. Nilai defaultnya adalah 1. Anda dapat meningkatkan nilai ini hingga maksimum 16. |
|
Nama set data BigQuery output. |
|
Daftar fitur pemrosesan gambar. Pipeline mendukung fitur label, tempat terkenal, logo, wajah, petunjuk crop, dan properti gambar. |
|
Parameter yang menentukan jumlah maksimum panggilan paralel ke Vision API. Nilai defaultnya adalah 1. |
|
Parameter string dengan menggunakan nama tabel untuk berbagai anotasi. Nilai
default disediakan untuk setiap tabel—misalnya,
label_annotation . |
|
Lamanya waktu tunggu sebelum memproses gambar jika ada batch gambar yang tidak lengkap. Defaultnya adalah 30 detik. |
|
ID langganan Pub/Sub yang menerima notifikasi Cloud Storage input. |
|
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 pada bucket tersebut.Untuk mengetahui informasi selengkapnya tentang penggunaan akun layanan khusus, lihat Keamanan dan izin Dataflow.
Buka URL yang ditampilkan di tab browser baru, atau buka halaman Tugas Dataflow dan pilih pipeline test-vision-analytics.
Setelah beberapa detik, grafik untuk tugas Dataflow akan muncul:
Pipeline Dataflow sekarang berjalan dan menunggu untuk menerima notifikasi input dari langganan Pub/Sub.
Picu pemrosesan gambar Dataflow dengan mengupload enam file sampel ke dalam bucket input:
gcloud storage cp data-sample/* gs://${IMAGE_BUCKET}
Di konsol Google Cloud, temukan panel Penghitung Kustom dan gunakan untuk meninjau penghitung kustom di Dataflow dan memverifikasi bahwa Dataflow telah memproses keenam gambar tersebut. Anda dapat menggunakan fungsi filter dari panel untuk menavigasi ke metrik yang benar. Untuk hanya menampilkan penghitung yang dimulai dengan awalan
numberOf
, ketiknumberOf
dalam 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
. FiturLANDMARK_DETECTION
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 tempat terkenal yang ditemukan dalam keenam 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 dari semua kolom yang spesifik untuk anotasi, lihat
AnnotateImageResponse
.Untuk menghentikan pipeline streaming, jalankan perintah berikut. Pipeline akan terus berjalan meskipun tidak ada lagi notifikasi Pub/Sub yang perlu diproses.
gcloud dataflow jobs cancel --region ${REGION} $(gcloud dataflow jobs list --region ${REGION} --filter="NAME:test-vision-analytics AND STATE:Running" --format="get(JOB_ID)")
Bagian berikut berisi lebih banyak contoh kueri yang menganalisis berbagai fitur gambar dari gambar.
Menganalisis set data Flickr30K
Di bagian ini, Anda akan mendeteksi label dan tempat terkenal di set data gambar Flickr30k publik yang dihosting di Kaggle.
Di Cloud Shell, ubah parameter pipeline Dataflow agar dioptimalkan untuk set data besar. Untuk memungkinkan throughput yang lebih tinggi, tingkatkan juga nilai
batchSize
dankeyRange
. Dataflow menskalakan jumlah worker sesuai kebutuhan:./gradlew run --args=" \ --runner=DataflowRunner \ --jobName=vision-analytics-flickr \ --streaming \ --enableStreamingEngine \ --diskSizeGb=30 \ --autoscalingAlgorithm=THROUGHPUT_BASED \ --maxNumWorkers=5 \ --project=${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 data berukuran 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 Menyimulasikan 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 Tugas Dataflow dan pilih pipeline
vision-analytics-flickr
. Penghitung pelanggan harus berubah secara berkala hingga pipeline Dataflow memproses semua file.Outputnya mirip dengan screenshot panel Penghitung Kustom berikut. Salah satu file dalam set data memiliki jenis yang salah, dan penghitung
rejectedFiles
mencerminkan hal tersebut. Nilai penghitung ini merupakan perkiraan. Anda mungkin melihat jumlah yang lebih tinggi. Selain itu, jumlah anotasi kemungkinan besar akan berubah karena peningkatan akurasi pemrosesan oleh Vision API.Untuk mengetahui apakah Anda mendekati atau melebihi resource yang tersedia, lihat halaman kuota Vision API.
Dalam contoh ini, pipeline Dataflow hanya menggunakan sekitar 50% kuotanya. Berdasarkan persentase kuota yang digunakan, 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 mengumpulkan statistik tentang file tersebut. Anda dapat menjalankan kueri ini di ruang kerja GoogleSQL untuk BigQuery atau menggunakan alat command line bq.
Perlu diketahui bahwa angka yang Anda lihat dapat berbeda dari contoh hasil kueri dalam deployment ini. Vision API terus meningkatkan akurasi analisisnya sehingga dapat memberikan hasil yang lebih beragam dengan menganalisis gambar yang sama setelah Anda pertama kali menguji solusi.
Di konsol Google Cloud, buka halaman Query editor BigQuery dan jalankan perintah berikut untuk melihat 20 label teratas dalam set data:
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 | +------------------+-------+
Tentukan label lain yang ada pada gambar dengan label tertentu, yang diberi peringkat 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 Instrumen string yang dipetik 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 tempat terkenal yang terdeteksi:
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 waterfall:
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 tempat terkenal dalam jarak 3 kilometer dari Colosseum di Roma (fungsi
ST_GEOPOINT
menggunakan 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 beberapa gambar Colosseum, tetapi juga gambar Arch Of Constantine, Palatine Hill, dan sejumlah tempat lainnya 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.
Satu catatan tentang hasil kueri. Informasi lokasi biasanya
tersedia untuk {i>landmark<i}. Gambar yang sama dapat berisi beberapa lokasi untuk landmark yang sama.
Fungsi ini dijelaskan dalam jenis
AnnotateImageResponse
.
Karena satu lokasi dapat menunjukkan lokasi scene dalam gambar,
beberapa elemen
LocationInfo
dapat ada. Lokasi lain dapat menunjukkan tempat
gambar diambil.
Pembersihan
Agar tidak menimbulkan biaya pada akun Google Cloud Anda untuk resource yang digunakan dalam panduan ini, hapus project yang berisi resource, atau pertahankan project dan hapus resource satu per satu.
Menghapus project Google Cloud
Cara termudah untuk menghilangkan penagihan adalah dengan menghapus project Google Cloud yang Anda buat untuk tutorial.
- Di konsol Google Cloud, buka halaman Manage resource.
- Pada daftar project, pilih project yang ingin Anda hapus, lalu klik Delete.
- Pada dialog, ketik project ID, lalu klik Shut down untuk menghapus project.
Jika memutuskan untuk menghapus resource satu per satu, ikuti langkah-langkah di bagian Membersihkan repositori GitHub.
Langkah selanjutnya
- 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 | Arsitek Solusi
- Lakshmanan Sethu | Manajer Akun Teknis
Kontributor lainnya:
- Jiyeon Kang | Customer Engineer
- Sunil Kumar Jang Bahadur | Customer Engineer
Untuk melihat profil LinkedIn non-publik, login ke LinkedIn.