此页面由 Cloud Translation API 翻译。

构建应用

本页介绍了如何创建应用并组合各种组件（例如输入流、用于分析的模型和用于存储的仓库），以便在 Vertex AI Vision 的应用平台上使用。

若要构建应用，您必须考虑数据源、要执行的分析以及要如何存储结果。端到端应用的形式可能因您的用例而异。因此，应用的构建方式取决于您的目标。

在开始之前，请从负责任 AI 的角度评估您的应用场景和目标，并考虑当出现问题时，您的模型和应用可能会对最终用户产生哪些影响。详细了解评估用例公平性的初始步骤。此外，请确保您在使用 Vertex AI Vision 时遵守 Google Cloud的《服务条款》或离线变体，以及纳入的网址条款（例如 Google Cloud的使用限制政策）。

在构建应用时，请注意 AI 视觉技术可能会强化或引入不公平的偏见，并影响基本人权。开发应用应基于公司价值进行伦理反思，并针对特定用例（包括高风险用例）进行法律尽职调查。与所有技术一样，您必须考虑在实施 AI/机器学习技术的区域内，所有适用于您使用这些技术的法律法规。客户负责执行实现在特定区域被视为高风险的用例所需的尽职调查。

创建新应用

您必须先创建应用本身，然后才能向应用添加数据流或模型等组件。所有应用都必须包含以下内容才能部署：

数据流输入节点（数据源）。
至少一个其他组件节点，例如模型或仓库。

创建新的自定义应用

控制台

在 Google Cloud 控制台中创建应用。

打开 Vertex AI Vision 信息中心的应用标签页。

前往“应用”标签页
点击 Create 按钮。
输入应用名称，然后选择您所在的地区。支持的区域。
点击创建。

使用模板创建应用

控制台

在 Google Cloud 控制台中创建应用。

打开 Vertex AI Vision 信息中心的应用标签页。

前往“应用”标签页
点击 Create 按钮。
输入应用名称，然后选择您所在的地区。支持的区域。
点击创建。
在应用构建器页面中，点击应用模板节点。
在侧边设置面板中，点击选择模型按钮。
从下拉菜单中选择一个模型。

添加数据流输入

应用必须包含视频流节点。如果您未添加 Streams 节点，则无法部署应用。

如果您的应用尚未部署，系统会自动将您的数据流输入更新应用到该应用。如果您的应用已部署，您必须取消部署并更新该应用，才能应用更改。如需了解详情，请参阅更新应用部分。

控制台

在 Google Cloud 控制台中向应用添加数据流。

打开 Vertex AI Vision 信息中心的应用标签页。

前往“应用”标签页
点击相应应用的查看应用。
在组件侧边列表中，从连接器列表中选择视频串流。系统会将数据流节点添加到应用图中，并打开侧边的“视频串流”菜单。
选择添加视频流。
如果您选择从现有视频流中选择，请选择现有视频流，然后选择添加视频流。

如果您选择注册新的视频流，请为新视频流添加名称，然后选择添加视频流。

REST

如需向应用添加数据流，请使用 projects.locations.applications.addStreamInput 方法发送 POST 请求。

在使用任何请求数据之前，请先进行以下替换：

PROJECT：您的 Google Cloud 项目 ID 或项目编号。
LOCATION_ID：您在其中使用 Vertex AI Vision 的区域。例如：us-central1、europe-west4。请参阅可用区域。
APPLICATION_ID：目标应用的 ID。
STREAM_ID：目标数据流的 ID。

HTTP 方法和网址：

POST https://visionai.googleapis.com/v1/projects/PROJECT/locations/LOCATION_ID/applications/APPLICATION_ID:addStreamInput

请求 JSON 正文：

{
  "applicationStreamInputs": [
     {
       "streamWithAnnotation": {
         "stream": "projects/PROJECT/locations/LOCATION_ID/clusters/application-cluster-0/streams/STREAM_ID"
       }
     },
     {
       "streamWithAnnotation": {
         "stream": "projects/PROJECT/locations/LOCATION_ID/clusters/application-cluster-0/streams/STREAM_ID"
       }
     }
   ]
}

如需发送请求，请选择以下方式之一：

curl

注意：以下命令假定您已使用您的用户账号通过运行 gcloud init 或 gcloud auth login 登录 gcloud CLI，或者使用了 Cloud Shell，这会使您自动登录 gcloud CLI。您可以运行 gcloud auth list 来检查当前活跃的账号。

将请求正文保存在名为 request.json 的文件中，然后执行以下命令：

curl -X POST \
     -H "Authorization: Bearer $(gcloud auth print-access-token)" \
     -H "Content-Type: application/json; charset=utf-8" \
     -d @request.json \
     "https://visionai.googleapis.com/v1/projects/PROJECT/locations/LOCATION_ID/applications/APPLICATION_ID:addStreamInput"

PowerShell

注意：以下命令假定您已使用您的用户账号通过运行 gcloud init 或 gcloud auth login 登录 gcloud CLI。您可以运行 gcloud auth list 来检查当前活跃的账号。

将请求正文保存在名为 request.json 的文件中，然后执行以下命令：

$cred = gcloud auth print-access-token
$headers = @{ "Authorization" = "Bearer $cred" }

Invoke-WebRequest `
    -Method POST `
    -Headers $headers `
    -ContentType: "application/json; charset=utf-8" `
    -InFile request.json `
    -Uri "https://visionai.googleapis.com/v1/projects/PROJECT/locations/LOCATION_ID/applications/APPLICATION_ID:addStreamInput" | Select-Object -Expand Content

您应该会收到一个成功的状态代码 (2xx) 和一个空响应。

添加包含节点注解的串流输入

创建应用输入流时，您可以使用 Vertex AI Vision API 向流添加注释。您还可以在 Google Cloud 控制台中为节点添加注释。

控制台

以下示例将可用注解 (STREAM_ANNOTATION_TYPE_ACTIVE_ZONE 和 STREAM_ANNOTATION_TYPE_CROSSING_LINE) 添加到入住人数模型。

打开 Vertex AI Vision 信息中心的应用标签页。

前往“应用”标签页
从列表中选择应用名称旁边的查看应用。
在应用构建器页面上，选择您要为其添加注释的带有数据流输入的模型。
在侧边的模型设置面板中，展开“高级设置”部分。展开该部分后，点击创建活跃区域/线条按钮。
在数据流图库视图中，选择一个输入数据流以绘制活跃区域或线条。
在编辑器视图中，选择添加多点线或添加简单多边形以添加注释。您可以使用侧边栏重命名区域或线条名称、删除现有区域/线条，或切换线条方向。

警告：对于每个数据流，请绘制交叉线或活跃区域。如果线条和区域都带有注释，Vertex AI Vision API 只会注册线条数，并忽略区域。

REST 和命令行

以下代码会添加数据流注释。

在使用任何请求数据之前，请先进行以下替换：

PROJECT：您的 Google Cloud 项目 ID 或项目编号。
LOCATION_ID：您在其中使用 Vertex AI Vision 的区域。例如：us-central1、europe-west4。请参阅可用区域。
APPLICATION_ID：目标应用的 ID。
STREAM_ID：目标数据流的 ID。
NODE_NAME：应用图中的目标节点的名称。例如：builtin-occupancy-count。
ANNOTATION_ID：目标注释的 ID。
ANNOTATION_DISPLAYNAME：目标注释的用户指定显示名称。
ANNOTATION_TYPE：可用的枚举值之一。此类型必须与 annotation_payload 对象（activeZone 或 crossingLine）一致。可用的值包括：
- STREAM_ANNOTATION_TYPE_UNSPECIFIED
- STREAM_ANNOTATION_TYPE_ACTIVE_ZONE
- STREAM_ANNOTATION_TYPE_CROSSING_LINE
normalizedVertices：每个顶点由 x、y 坐标值指定。坐标是相对于原始图片的标准化浮点值 [0,1]；0.0 表示 X_MIN 或 Y_MIN，1.0 表示 X_MAX 或 Y_MAX。

HTTP 方法和网址：

POST https://visionai.googleapis.com/v1/projects/PROJECT/locations/LOCATION_ID/applications/APPLICATION_ID:addStreamInput

请求 JSON 正文：

{
  "applicationStreamInputs": [
    {
      "streamWithAnnotation": {
        "stream": "projects/PROJECT/locations/LOCATION_ID/clusters/application-cluster-0/streams/STREAM_ID",
        "nodeAnnotations": [
          {
            "node": "NODE_NAME",
            "annotations": [
              {
                "id": "ANNOTATION_ID",
                "displayName": "ANNOTATION_DISPLAYNAME",
                "sourceStream": "projects/PROJECT/locations/LOCATION_ID/clusters/application-cluster-0/streams/STREAM_ID",
                "type": ANNOTATION_TYPE,
                "activeZone": {
                  "normalizedVertices": {
                    "x": 0.07434944,
                    "y": 0.18061674
                  },
                  "normalizedVertices": {
                    "x": 0.64684016,
                    "y": 0.16079295
                  },
                  "normalizedVertices": {
                    "x": 0.6047088,
                    "y": 0.92070484
                  },
                  "normalizedVertices": {
                    "x": 0.1251549,
                    "y": 0.76651984
                  }
                }
              }
            ]
          }
        ]
      }
    }
  ]
}

如需发送请求，请选择以下方式之一：

curl

将请求正文保存在名为 request.json 的文件中，然后执行以下命令：

curl -X POST \
     -H "Authorization: Bearer $(gcloud auth print-access-token)" \
     -H "Content-Type: application/json; charset=utf-8" \
     -d @request.json \
     "https://visionai.googleapis.com/v1/projects/PROJECT/locations/LOCATION_ID/applications/APPLICATION_ID:addStreamInput"

PowerShell

注意：以下命令假定您已使用您的用户账号通过运行 gcloud init 或 gcloud auth login 登录 gcloud CLI。您可以运行 gcloud auth list 来检查当前活跃的账号。

将请求正文保存在名为 request.json 的文件中，然后执行以下命令：

$cred = gcloud auth print-access-token
$headers = @{ "Authorization" = "Bearer $cred" }

Invoke-WebRequest `
    -Method POST `
    -Headers $headers `
    -ContentType: "application/json; charset=utf-8" `
    -InFile request.json `
    -Uri "https://visionai.googleapis.com/v1/projects/PROJECT/locations/LOCATION_ID/applications/APPLICATION_ID:addStreamInput" | Select-Object -Expand Content

您应该会收到一个成功的状态代码 (2xx) 和一个空响应。

移除数据流输入

REST

如需从应用中移除数据流，请使用 projects.locations.applications.removeStreamInput 方法发送 POST 请求。

在使用任何请求数据之前，请先进行以下替换：

PROJECT：您的 Google Cloud 项目 ID 或项目编号。
LOCATION_ID：您在其中使用 Vertex AI Vision 的区域。例如：us-central1、europe-west4。请参阅可用区域。
APPLICATION_ID：目标应用的 ID。
STREAM_ID：目标数据流的 ID。

HTTP 方法和网址：

POST https://visionai.googleapis.com/v1/projects/PROJECT/locations/LOCATION_ID/applications/APPLICATION_ID:removeStreamInput

请求 JSON 正文：

{
  "targetStreamInputs": [
     {
       "stream": "projects/PROJECT/locations/LOCATION_ID/clusters/application-cluster-0/streams/STREAM_ID"
     },
     {
       "stream": "projects/PROJECT/locations/LOCATION_ID/clusters/application-cluster-0/streams/STREAM_ID"
     }
   ]
}

如需发送请求，请选择以下方式之一：

curl

将请求正文保存在名为 request.json 的文件中，然后执行以下命令：

curl -X POST \
     -H "Authorization: Bearer $(gcloud auth print-access-token)" \
     -H "Content-Type: application/json; charset=utf-8" \
     -d @request.json \
     "https://visionai.googleapis.com/v1/projects/PROJECT/locations/LOCATION_ID/applications/APPLICATION_ID:removeStreamInput"

PowerShell

注意：以下命令假定您已使用您的用户账号通过运行 gcloud init 或 gcloud auth login 登录 gcloud CLI。您可以运行 gcloud auth list 来检查当前活跃的账号。

将请求正文保存在名为 request.json 的文件中，然后执行以下命令：

$cred = gcloud auth print-access-token
$headers = @{ "Authorization" = "Bearer $cred" }

Invoke-WebRequest `
    -Method POST `
    -Headers $headers `
    -ContentType: "application/json; charset=utf-8" `
    -InFile request.json `
    -Uri "https://visionai.googleapis.com/v1/projects/PROJECT/locations/LOCATION_ID/applications/APPLICATION_ID:removeStreamInput" | Select-Object -Expand Content

您应该会收到一个成功的状态代码 (2xx) 和一个空响应。

添加预训练的 Vertex AI Vision 模型

创建应用后，您可以添加模型并将其关联到数据流、其他模型或媒体仓库。

模型分为两种：预训练模型或用户训练的模型。同样，用户训练的模型也分为两种：AutoML 或自定义训练：

预训练模型可实现特定目标，基于通用数据进行训练，并且可以直接使用。
用户训练的 AutoML 模型或自定义训练的模型需要您识别和提供示例数据，然后训练更适合您的独特用例的模型。您可以使用 Vertex AI 训练这些模型。该产品提供两种训练选项：AutoML 训练的模型和自定义训练的模型。如需了解详情，请参阅选择训练方法。

请按照以下说明将预训练的 Vertex AI Vision 模型添加到您的应用图。

控制台

打开 Vertex AI Vision 信息中心的应用标签页。

前往“应用”标签页
从列表中选择应用名称旁边的查看应用。
在应用构建器页面上，从 AI 模型列表中选择要添加的模型。每种型号都有各自的配置设置。
如需将此模型连接到输入源节点，请选择该源节点，然后选择 Add output（添加输出）。
从可用节点列表中选择新创建的 AI 模型节点。

添加用户训练的 Vertex AI 模型

创建应用后，您可以添加模型并将其关联到数据流、其他模型或媒体仓库。

模型分为两种：预训练模型或用户训练的模型。同样，用户训练的模型也分为两种：AutoML 或自定义训练：

预训练模型可实现特定目标，基于通用数据进行训练，并且可以直接使用。
用户训练的 AutoML 模型或自定义训练的模型需要您识别和提供示例数据，然后训练更适合您的独特用例的模型。您可以使用 Vertex AI 训练这些模型。该产品提供两种训练选项：AutoML 训练的模型和自定义训练的模型。如需了解详情，请参阅选择训练方法。

添加 Vertex AI AutoML 对象检测流式传输模型

按照以下说明将您训练的 Vertex AI AutoML 对象检测流式传输模型添加到应用图中。

在训练 Vertex AI AutoML 模型之前，您必须准备好对象检测数据并创建数据集。

训练要在 Vertex AI Vision 中使用的模型

在 Vertex AI 中创建包含代表性数据集合的数据集后，您可以训练一个模型以在 Vertex AI Vision 中使用。

控制台

在 Google Cloud 控制台的 Vertex AI 信息中心中，前往数据集页面。

转到“数据集”页面
点击要用于训练模型的数据集的名称，以打开其详情页面。
如果您的数据类型使用注释集，请选择要用于此模型的注释集。
点击训练新模型。
在训练新模型页面中，根据您的 AutoML 图片对象检测模型完成以下步骤：
1. 在模型训练方法部分中，选择 AutoML。
2. 在选择模型使用位置部分中，选择 Vertex AI Vision。
3. 点击继续。
4. 填写模型详细信息、训练选项和计算和价格部分的值。如需了解详情，请参阅训练 AutoML 模型（Google Cloud 控制台）。
5. 点击开始训练。
  模型训练可能需要几个小时，具体取决于数据的大小和复杂性，以及训练预算（如果指定）。您可以关闭此标签页，稍后再返回。模型完成训练后，您会收到电子邮件。

将训练好的模型添加到您的应用中

模型训练完成后，您可以将其添加到 Vertex AI Vision 应用。

控制台

打开 Vertex AI Vision 信息中心的应用标签页。

前往“应用”标签页
从列表中选择应用名称旁边的查看应用。
在应用构建器页面上，从侧边组件列表中选择 Add Vertex AI Model（添加 Vertex AI 模型）。选择此选项会打开侧边菜单。
在“添加 Vertex AI 模型”菜单中，选择并保持从 Vertex AI 导入训练好的模型 选项，然后从现有 Vertex AI AutoML 模型列表中选择模型。
选择要导入的模型后，选择添加模型。

点击添加模型按钮后，图表构建器页面侧边会显示一个待处理的模型。几秒钟后，模型即可使用。

注意：如需查看模型状态的最新动态，请刷新页面。

添加 Vertex AI 自定义模型

您还可以将 Vertex AI 自定义训练的模型导入 Vertex AI Vision，以用于数据分析。这些自定义训练的模型必须具有以下属性：

该模型必须是无状态的，因为模型输入是来自不同应用实例（数据流）的图片，并且可能无序。如果您需要有状态的流式处理，则可能需要在自己的容器中保留状态。
模型的输入大小上限为 1.5MB。因此，Vertex AI Vision 必须将原始 RGB 图片压缩为有损格式，例如 JPG。

限制：Vertex AI 自定义训练模型的 maxPredictionFps 不得超过 10。自定义训练模型的处理 FPS 由模型本身和分配给模型的资源决定。您必须优化自定义训练的模型并分配足够的资源，还应将 maxPredictionFps 设置为低于模型的处理 FPS。例如，如果您自定义训练的模型只能处理 5 FPS，则必须将 maxPredictionFps 设置为小于 5。您可以通过从 Google Cloud 控制台的应用视图中选择自定义训练的模型来设置此值。

按照以下说明将您训练的现有 Vertex AI 自定义训练视频模型添加到应用图中。

如需了解如何使用自定义容器创建 Vertex AI 自定义训练的模型，请参阅使用自定义容器进行预测。

指定实例 YAML 文件

添加 Vertex AI 自定义训练的模型时，您必须指定存储在 Cloud Storage 中的实例 YAML 文件 (instances.yaml)。此文件指定了模型容器的预期输入。

Vertex AI 以以下格式发送预测请求：

{
  "instances": [
    <value>|<simple/nested list>|<object>,
    ...
  ]
}

在这里，instances.yaml 定义了载荷的架构。如需了解详情，请参阅通过自定义训练模型进行在线预测。

Vertex AI Vision 仅支持具有恰好一个命名预测输入的自定义训练模型。此输入类型必须是编码的 JPEG 字符串。必须使用实例架构 YAML 文件指定预测输入的架构。此架构 YAML 文件必须采用 OpenAPI 架构对象格式。

例如，以下架构将接收将图片编码到调用 image_bytes 的字段中的请求：

properties:
  image_bytes:
    type: string

您的自定义模型会以以下格式接收预测输入：

{
  "instances": [
    {
      "image_bytes" : {
        "b64": "BASE64_ENCODED_IMAGE_BYTES"
      }
    }
  ]
}

在将模型导入 Vertex AI Vision 之前，请验证您的模型是否能正确处理此输入。

指定预测 YAML 文件

添加 Vertex AI 自定义训练的模型时，您可以指定存储在 Cloud Storage 中的预测 YAML 文件 (predictions.yaml)。此文件指定模型容器的输出。

此文件是可选的，但建议您提供此文件，以便告知 Vertex AI Vision 模型的输出结构。例如，以下 classification_1.0.0.yaml 文件描述了图片分类模型的模型输出信息：

title: Classification
type: object
description: >
  The predicted AnnotationSpecs.
properties:
  ids:
    type: array
    description: >
      The resource IDs of the AnnotationSpecs that had been identified.
    items:
      type: integer
      format: int64
      enum: [0]  # As values of this enum all AnnotationSpec IDs the Model
      # was trained on will be populated.
  displayNames:
    type: array
    description: >
      The display names of the AnnotationSpecs that had been identified,
      order matches the IDs.
    items:
      type: string
      enum: [""]  # As values of this enum all AnnotationSpec display_names
      # the Model was trained on will be populated.
  confidences:
    type: array
    description: >
      The Model's confidences in correctness of the predicted IDs, higher
      value means higher confidence. Order matches the Ids.
    items:
      type: number
      format: float
      minimum: 0.0
      maximum: 1.0

添加自定义训练的模型

使用以下示例将 Vertex AI 自定义训练的模型添加到您的应用。

控制台

打开 Vertex AI Vision 信息中心的应用标签页。

前往“应用”标签页
从列表中选择应用名称旁边的查看应用。
在应用构建器页面上，从侧边组件列表中选择 Add Vertex AI Model（添加 Vertex AI 模型）。选择此选项会打开侧边菜单。
在“添加 Vertex AI 模型”菜单中，选择并保持从 Vertex AI 导入训练好的模型 选项，然后从现有 Vertex AI AutoML 模型列表中选择模型。
为模型提供名称。
在 Cloud Storage 中指定实例 YAML 文件，该文件用于定义预测和说明请求中使用的单个实例的格式。
可选：在 Cloud Storage 中指定用于定义单个预测或说明格式的预测架构 YAML 文件。
提供模型名称、实例和预测信息后，选择添加模型。
点击添加模型按钮后，图表构建器页面侧边会显示一个待处理的模型。几秒钟后，模型即可使用。

注意：如需查看模型状态的最新动态，请刷新页面。

可选。附加应用元数据

除了图片字节之外，您还可以选择设置 attach_application_metadata，以要求 Vertex AI Vision 应用平台包含要随自定义容器一起发送的应用的元数据。

元数据具有以下架构：

'appPlatformMetadata': {
     'application': STRING;
     'instanceId': STRING;
     'node': STRING;
     'processor': STRING;
   }

可选。添加动态配置 Pub/Sub 主题

如需动态控制 Vertex 自定义运算符向 Vertex 自定义容器发送视频帧的帧速率，您可以创建一个 Pub/Sub 主题。将其添加到节点设置的 Dynamic Configuration 部分。

动态配置

如果配置了 Pub/Sub 主题，初始帧速率为 0。在视频处理期间，您可以使用以下格式实时向 Pub/Sub 主题发送 Pub/Sub 消息，以更改帧速率：

{
  "stream_id": "input-stream-id",
  "fps": 5,
}

stream_id 字段应与应用的输入流的 ID 一致。

服务账号和权限

自定义容器的默认服务凭据已配置为 Vertex AI Vision 应用平台的 Google 自有服务账号。如需从容器访问其他 Google Cloud服务，请向以下实体授予适当权限： service-<var>PROJECT_NUMBER</var>@gcp-sa-visionai.iam.gserviceaccount.com

可选。使用 Cloud Run 函数和 Pub/Sub 对事件通知进行建模

在 Vertex AI Vision 中，模型会从摄像头等设备接收媒体数据，对数据运行 AI 预测，并持续生成注释。通常，您会将这些处理后的数据发送到数据目的地（“数据接收器”），例如媒体仓库或 BigQuery，以便执行进一步的分析作业。不过，在某些情况下，您可能必须以不同的方式处理某些注释，或者注释需求具有时效性。与 Cloud Run 函数和 Pub/Sub 的集成可帮助您满足这些需求。

支持的模型

以下模型提供 Cloud Run functions 事件生成和 Pub/Sub 事件通知集成：

人员和车辆数量分析模型
Vertex AI 自定义训练的模型

配置 Cloud Run 函数以处理模型输出

如需触发基于事件的通知，您必须先设置 Cloud Run 函数来处理模型输出并生成事件。

您的 Cloud Run 函数会连接到模型，并监听其输出作为后处理操作。您应让 Cloud Run 函数返回 AppPlatformCloudFunctionResponse。系统会将事件 (appplatformeventbody) 发送到您在下一步中配置的 Pub/Sub 主题。

如需查看 Cloud Run 函数示例，请参阅使用 Cloud Functions 和 Pub/Sub 启用模型事件通知。

请按照以下说明将模型输出流发送到 Cloud Run 函数：

控制台

打开 Vertex AI Vision 信息中心的应用标签页。

前往“应用”标签页
从列表中选择应用名称旁边的 查看应用。
点击受支持的模型以打开模型详情侧边栏。
在事件通知部分的后处理列表中，选择现有的 Cloud Run 函数或创建一个新函数。

使用 Pub/Sub 启用模型事件通知

设置 Cloud Run 函数来处理模型输出并生成事件后，您可以使用 Pub/Sub 设置事件通知。如需读取主题中的消息，您还需要选择并创建 Pub/Sub 订阅。

控制台

打开 Vertex AI Vision 信息中心的应用标签页。

前往“应用”标签页
从列表中选择应用名称旁边的 查看应用。
点击受支持的模型以打开模型详情侧边栏。
在活动通知部分，选择设置活动通知。
在随即打开的为事件通知设置 Pub/Sub 选项窗口中，选择现有的 Pub/Sub 主题或创建新主题。
在频率字段中，为频率值设置一个整数值（以秒为单位），表示系统可以发送同一类型事件的通知的间隔时间。
点击设置。

将模型输出与下游节点相关联

创建模型节点后，您可以将其输出连接到另一个节点。

控制台

打开 Vertex AI Vision 信息中心的应用标签页。

前往“应用”标签页
从列表中选择应用名称旁边的查看应用。
点击应用图表构建器中输出数据的模型节点（例如 Occupancy Count 模型节点）。
在侧边设置面板中，点击添加输出按钮。
添加新输出并选择要添加的新输出节点，或选择要将输出发送到的现有可用节点。

将输出连接到数据目的地

创建数据提取流并将处理节点添加到应用后，您必须选择要将处理后的数据发送到何处。此数据目的地是应用图的端点，它会接受数据流数据，但不会生成任何数据流数据。您选择的目的地取决于您使用应用输出数据的方式。

连接器节点图片 — *在 Google Cloud 控制台中，数据目的地位于应用图页的**连接器**部分。*

您可以将应用输出数据连接到以下数据目的地：

视觉仓库：存储可供您查看和查询的原始或分析视频数据。

如需详细了解如何将应用输出数据发送到 Vision 仓库，请参阅连接到仓库并将数据存储到仓库。
BigQuery：在 BigQuery 中存储数据，以使用其离线分析功能。

如需详细了解如何将应用输出数据发送到 BigQuery，请参阅连接到 BigQuery 并将数据存储到 BigQuery。
直播数据：如果您希望更精细地控制以便根据实时分析采取行动，可以从应用接收实时输出。

如需详细了解如何直接流式传输应用输出数据，请参阅启用直播输出。

更新应用

未部署的应用

对应用进行任何修改（例如添加或移除组件节点）；Vertex AI Vision 会自动存储更改。

后续步骤

如需了解如何部署应用以提取和分析数据，请参阅部署应用。
如需了解如何开始从应用的输入数据流中提取数据，请参阅创建和管理数据流。
如需了解如何在管理应用中列出应用和查看已部署应用的实例，请参阅相关文档。
如需了解如何从提取流或分析后的模型输出数据中读取应用输入数据，请参阅读取流数据。