Annotare le immagini con la funzione ML.ANNOTATE_IMAGE

Questo documento descrive come utilizzare la funzione ML.ANNOTATE_IMAGE con un modello remoto per annotare le immagini di una tabella di oggetti.

Autorizzazioni obbligatorie

  • Per creare una connessione, devi disporre del seguente ruolo:

    • roles/bigquery.connectionAdmin

  • Per concedere le autorizzazioni all'account di servizio della connessione, devi disporre della seguente autorizzazione:

    • resourcemanager.projects.setIamPolicy

  • Per creare il modello utilizzando BigQuery ML, sono necessarie le seguenti autorizzazioni:

    • bigquery.jobs.create
    • bigquery.models.create
    • bigquery.models.getData
    • bigquery.models.updateData
    • bigquery.models.updateMetadata

  • Per eseguire l'inferenza, devi disporre delle seguenti autorizzazioni:

    • bigquery.tables.getData nella tabella degli oggetti
    • bigquery.models.getData sul modello
    • bigquery.jobs.create

Prima di iniziare

  1. 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.

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

    Go to project selector

  3. Make sure that billing is enabled for your Google Cloud project.

  4. Enable the BigQuery, BigQuery Connection API, and Cloud Vision API APIs.

    Enable the APIs

    5.

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

    Go to project selector

  6. Make sure that billing is enabled for your Google Cloud project.

  7. Enable the BigQuery, BigQuery Connection API, and Cloud Vision API APIs.

    Enable the APIs

    8.

    Crea un set di dati

    Crea un set di dati BigQuery per contenere le risorse:

    Console

    1. Nella console Google Cloud , vai alla pagina BigQuery.

      Vai alla pagina BigQuery

    2. Nel riquadro Explorer, fai clic sul nome del progetto.

    3. Fai clic su Visualizza azioni > Crea set di dati.

    4. Nella pagina Crea set di dati:

      • In ID set di dati, digita un nome per il set di dati.

      • Per Tipo di località, seleziona una località per il set di dati.

      • Fai clic su Crea set di dati.

    bq

    1. Per creare un nuovo set di dati, utilizza il comando bq mk con il flag --location:

      bq --location=LOCATION mk -d DATASET_ID

      Sostituisci quanto segue:

      • LOCATION: la posizione del set di dati.
      • DATASET_ID è l'ID del set di dati che stai creando.

    2. Verifica che il set di dati sia stato creato:

      bq ls

    Crea una connessione

    Puoi saltare questo passaggio se hai configurato una connessione predefinita con le autorizzazioni appropriate.

    Crea una connessione a una risorsa Cloud da utilizzare per il modello remoto e recupera l'account di servizio della connessione. Crea la connessione nella stessa posizione del set di dati che hai creato nel passaggio precedente.

    Seleziona una delle seguenti opzioni:

    Console

    1. Vai alla pagina BigQuery.

      Vai a BigQuery

    2. Nel riquadro Explorer, fai clic su Aggiungi dati:

      L'elemento dell'interfaccia utente Aggiungi dati.

      Viene visualizzata la finestra di dialogo Aggiungi dati.

    3. Nel riquadro Filtra per, seleziona Applicazioni aziendali nella sezione Tipo di origine dati.

      In alternativa, nel campo Cerca origini dati, puoi inserire Vertex AI.

    4. Nella sezione Origini dati in primo piano, fai clic su Vertex AI.

    5. Fai clic sulla scheda della soluzione Modelli Vertex AI: federazione BigQuery.

    6. Nell'elenco Tipo di connessione, seleziona Modelli remoti di Vertex AI, funzioni remote e BigLake (risorsa Cloud).

    7. Nel campo ID connessione, inserisci un nome per la connessione.

    8. Fai clic su Crea connessione.

    9. Fai clic su Vai alla connessione.

    10. Nel riquadro Informazioni sulla connessione, copia l'ID account di servizio da utilizzare in un passaggio successivo.

    bq

    1. In un ambiente a riga di comando, crea una connessione:

      bq mk --connection --location=REGION --project_id=PROJECT_ID \
    --connection_type=CLOUD_RESOURCE CONNECTION_ID

      Il parametro --project_id sostituisce il progetto predefinito.

      Sostituisci quanto segue:

      • REGION: la regione di connessione
      • PROJECT_ID: il tuo ID progetto Google Cloud
      • CONNECTION_ID: un ID per la connessione

      Quando crei una risorsa di connessione, BigQuery crea un account di servizio di sistema unico e lo associa alla connessione.

      Risoluzione dei problemi: se ricevi il seguente errore di connessione, aggiorna Google Cloud SDK:

      Flags parsing error: flag --connection_type=CLOUD_RESOURCE: value should be one of...

    2. Recupera e copia l'ID del account di servizio per utilizzarlo in un passaggio successivo:

      bq show --connection PROJECT_ID.REGION.CONNECTION_ID

      L'output è simile al seguente:

      name                          properties
1234.REGION.CONNECTION_ID     {"serviceAccountId": "connection-1234-9u56h9@gcp-sa-bigquery-condel.iam.gserviceaccount.com"}

    Terraform

    Utilizza la risorsa google_bigquery_connection.

    Per effettuare l'autenticazione in BigQuery, configura le Credenziali predefinite dell'applicazione. Per ulteriori informazioni, consulta Configurare l'autenticazione per le librerie client.

    Il seguente esempio crea una connessione a una risorsa Cloud denominata my_cloud_resource_connection nella regione US:

    
# This queries the provider for project information.
data "google_project" "default" {}

# This creates a cloud resource connection in the US region named my_cloud_resource_connection.
# Note: The cloud resource nested object has only one output field - serviceAccountId.
resource "google_bigquery_connection" "default" {
  connection_id = "my_cloud_resource_connection"
  project       = data.google_project.default.project_id
  location      = "US"
  cloud_resource {}
}

    Per applicare la configurazione di Terraform in un Google Cloud progetto, completa i passaggi nelle sezioni seguenti.

    Prepara Cloud Shell

    1. Avvia Cloud Shell.

    2. Imposta il Google Cloud project predefinito in cui vuoi applicare le configurazioni Terraform.

      Devi eseguire questo comando una sola volta per progetto e puoi farlo in qualsiasi directory.

      export GOOGLE_CLOUD_PROJECT=PROJECT_ID

      Le variabili di ambiente vengono sostituite se imposti valori espliciti nel file di configurazione Terraform.

    Prepara la directory

    Ogni file di configurazione di Terraform deve avere una propria directory (chiamata anche modulo principale).

    1. In Cloud Shell, crea una directory e un nuovo file al suo interno. Il nome file deve avere l'estensione .tf, ad esempio main.tf. In questo tutorial, il file è denominato main.tf. 
      mkdir DIRECTORY && cd DIRECTORY && touch main.tf

    2. Se stai seguendo un tutorial, puoi copiare il codice campione in ogni sezione o passaggio.

      Copia il codice campione nel main.tf appena creato.

      Se vuoi, copia il codice da GitHub. Questa opzione è consigliata quando lo snippet Terraform fa parte di una soluzione end-to-end.

    3. Esamina e modifica i parametri di esempio da applicare al tuo ambiente.
    4. Salva le modifiche.
    5. Inizializza Terraform. Devi eseguire questa operazione una sola volta per directory. 
      terraform init

      Se vuoi, per utilizzare la versione più recente del provider Google, includi l'opzione -upgrade: 

      terraform init -upgrade

    Applica le modifiche

    1. Rivedi la configurazione e verifica che le risorse che Terraform sta per creare o aggiornare corrispondano alle tue aspettative: 
      terraform plan

      Apporta le correzioni necessarie alla configurazione.

    2. Applica la configurazione di Terraform eseguendo il seguente comando e inserendo yes al prompt: 
      terraform apply

      Attendi che Terraform mostri il messaggio "Applicazione completata".

    3. Apri il tuo Google Cloud progetto per visualizzare i risultati. Nella Google Cloud console, vai alle risorse nell'interfaccia utente per assicurarti che Terraform le abbia create o aggiornate.

    Concedi l'accesso al service account

    Seleziona una delle seguenti opzioni:

    Console

    1. Vai alla pagina IAM e amministrazione.

      Vai a IAM e amministrazione

    2. Fai clic su Aggiungi.

      Viene visualizzata la finestra di dialogo Aggiungi entità.

    3. Nel campo Nuove entità, inserisci l'ID account di servizio che hai copiato in precedenza.

    4. Nel campo Seleziona un ruolo, seleziona Utilizzo servizio, quindi Consumatore di utilizzo servizio.

    5. Fai clic su Aggiungi un altro ruolo.

    6. Nel campo Seleziona un ruolo, seleziona BigQuery e poi Utente connessione BigQuery.

    7. Fai clic su Salva.

    gcloud

    Utilizza il comando gcloud projects add-iam-policy-binding:

    gcloud projects add-iam-policy-binding 'PROJECT_NUMBER' --member='serviceAccount:MEMBER' --role='roles/serviceusage.serviceUsageConsumer' --condition=None
gcloud projects add-iam-policy-binding 'PROJECT_NUMBER' --member='serviceAccount:MEMBER' --role='roles/bigquery.connectionUser' --condition=None

    Sostituisci quanto segue:

    • PROJECT_NUMBER: il numero del progetto.
    • MEMBER: l'ID account di servizio che hai copiato in precedenza.

    La mancata concessione dell'autorizzazione comporta un errore.

    Crea una tabella di oggetti

    Crea una tabella di oggetti con contenuti di immagini. La tabella degli oggetti consente di analizzare le immagini senza spostarle da Cloud Storage.

    Il bucket Cloud Storage utilizzato dalla tabella di oggetti deve trovarsi nello stesso progetto in cui prevedi di creare il modello e chiamare la funzione ML.ANNOTATE_IMAGE. Se vuoi chiamare la funzione ML.ANNOTATE_IMAGE in un progetto diverso da quello che contiene il bucket Cloud Storage utilizzato dalla tabella di oggetti, devi concedere il ruolo Amministratore Storage a livello di bucket.

    crea un modello

    Crea un modello remoto con un REMOTE_SERVICE_TYPE di CLOUD_AI_VISION_V1:

    CREATE OR REPLACE MODEL
`PROJECT_ID.DATASET_ID.MODEL_NAME`
REMOTE WITH CONNECTION {DEFAULT | `PROJECT_ID.REGION.CONNECTION_ID`}
OPTIONS (REMOTE_SERVICE_TYPE = 'CLOUD_AI_VISION_V1');

    Sostituisci quanto segue:

    • PROJECT_ID: il tuo ID progetto.
    • DATASET_ID: l'ID del set di dati che deve contenere il modello. Questo set di dati deve trovarsi nella stessa posizione della connessione che stai utilizzando.
    • MODEL_NAME: il nome del modello.
    • REGION: la regione utilizzata dalla connessione.
    • CONNECTION_ID: l'ID connessione, ad esempio myconnection.

      Quando visualizzi i dettagli della connessione nella Google Cloud console, l'ID connessione è il valore nell'ultima sezione dell'ID connessione completo visualizzato in ID connessione, ad esempio projects/myproject/locations/connection_location/connections/myconnection.

    Annotare le immagini

    Aggiungi annotazioni alle immagini con la funzione ML.ANNOTATE_IMAGE:

    SELECT *
FROM ML.ANNOTATE_IMAGE(
  MODEL `PROJECT_ID.DATASET_ID.MODEL_NAME`,
  TABLE PROJECT_ID.DATASET_ID.OBJECT_TABLE_NAME,
  STRUCT(['FEATURE_NAME' [,...]] AS vision_features)
);

    Sostituisci quanto segue:

    • PROJECT_ID: il tuo ID progetto.
    • DATASET_ID: l'ID del set di dati che contiene il modello.
    • MODEL_NAME: il nome del modello.
    • OBJECT_TABLE_NAME: il nome della tabella degli oggetti che contiene gli URI delle immagini da annotare.
    • FEATURE_NAME: il nome di una funzionalità dell'API Cloud Vision supportata.

    Esempio 1

    L'esempio seguente etichetta gli elementi mostrati nelle immagini:

    SELECT *
FROM ML.ANNOTATE_IMAGE(
  MODEL `myproject.mydataset.myvisionmodel`,
  TABLE myproject.mydataset.image_table,
  STRUCT(['label_detection'] AS vision_features)
);

    Esempio 2

    L'esempio seguente rileva tutti i volti mostrati nelle immagini e restituisce anche gli attributi delle immagini, come i colori dominanti:

    SELECT *
FROM ML.ANNOTATE_IMAGE(
  MODEL `myproject.mydataset.myvisionmodel`,
  TABLE myproject.mydataset.image_table,
  STRUCT(['face_detection', 'image_properties'] AS vision_features)
);

    Passaggi successivi