Creare un'app di analisi dell'occupazione con le previsioni di BigQuery

Vertex AI Vision è una piattaforma basata sull'AI che puoi utilizzare per importare, analizzare e archiviare i dati video . Vertex AI Vision ti consente di creare ed eseguire il deployment di applicazioni di AI. Puoi creare soluzioni Vertex AI Vision end-to-end sfruttando l'integrazione di Vertex AI Vision con altri componenti del prodotto.

Per iniziare a implementare soluzioni utilizzando la piattaforma Vertex AI Vision, esamina i seguenti concetti e componenti di Vertex AI Vision:

  • Stream: rappresentano un livello di streaming video della tua soluzione. La sorgente dello stream può essere un video live (ad esempio, una videocamera IP) o un file video (ad esempio, un file MP4).

  • Applicazioni: consente la connessione tra uno stream e un processore AI per eseguire un'operazione di machine learning sul video. Ad esempio, puoi collegare un flusso della videocamera a un modello di AI che conta le persone che passano davanti.

  • Destinazione dell'output dell'app: invia i dati analizzati a una destinazione di archiviazione (Media Warehouse di Vertex AI Vision o BigQuery) o ricevi dati in tempo reale. L'archiviazione in Media Warehouse di Vertex AI Vision ti consente di cercare l'output dell'analisi e i metadati dei processori AI utilizzati sui dati dei flussi inseriti. L'archiviazione in BigQuery ti consente di utilizzare le funzionalità di analisi offline del prodotto. Se ricevi direttamente l'output dell'app, puoi utilizzare gli approfondimenti per prendere decisioni aziendali immediatamente. Per saperne di più, consulta Panoramica: collegare l'output dell'app a una destinazione di dati.

Obiettivi

Questo tutorial mostra come:

  • Creare un set di dati e una tabella BigQuery.
  • Crea un'app di analisi dell'occupazione di Vertex AI Vision che si connette a BigQuery.
  • Crea un'istanza VM di Compute Engine e configura il relativo ambiente.
  • Trasmetti in streaming il video dall'istanza VM all'app.
  • Utilizza l'output dell'app archiviato per creare un modello di previsione con BigQuery ML.

Costi

In questo documento, utilizzi i seguenti componenti fatturabili di Google Cloud:

Per generare una stima dei costi in base all'utilizzo previsto, utilizza il calcolatore prezzi.

I nuovi Google Cloud utenti potrebbero avere diritto a una prova gratuita.

Al termine delle attività descritte in questo documento, puoi evitare l'addebito di ulteriori costi eliminando le risorse che hai creato. Per ulteriori informazioni, vedi Pulizia.

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, Compute Engine and Vision AI APIs.

    Enable the APIs

  5. Create a service account:

    1. In the Google Cloud console, go to the Create service account page.

      Go to Create service account
    2. Select your project.

    3. In the Service account name field, enter a name. The Google Cloud console fills in the Service account ID field based on this name.

      In the Service account description field, enter a description. For example, Service account for quickstart.

    4. Click Create and continue.

    5. Grant the following roles to the service account: Vision AI > Vision AI Editor, Compute Engine > Compute Instance Admin (beta), BigQuery > BigQuery Data Owner, Storage > Storage Object Viewer†.

      To grant a role, find the Select a role list, then select the role.

      To grant additional roles, click Add another role and add each additional role.

    6. Click Continue.

    7. Click Done to finish creating the service account.

      Do not close your browser window. You will use it in the next step.

  6. Create a service account key:

    1. In the Google Cloud console, click the email address for the service account that you created.
    2. Click Keys.
    3. Click Add key, and then click Create new key.
    4. Click Create. A JSON key file is downloaded to your computer.
    5. Click Close.

  7. Install the Google Cloud CLI.

  8. If you're using an external identity provider (IdP), you must first sign in to the gcloud CLI with your federated identity.

  9. To initialize the gcloud CLI, run the following command: 

    gcloud init

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

    Go to project selector

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

  12. Enable the BigQuery, Compute Engine and Vision AI APIs.

    Enable the APIs

  13. Create a service account:

    1. In the Google Cloud console, go to the Create service account page.

      Go to Create service account
    2. Select your project.

    3. In the Service account name field, enter a name. The Google Cloud console fills in the Service account ID field based on this name.

      In the Service account description field, enter a description. For example, Service account for quickstart.

    4. Click Create and continue.

    5. Grant the following roles to the service account: Vision AI > Vision AI Editor, Compute Engine > Compute Instance Admin (beta), BigQuery > BigQuery Data Owner, Storage > Storage Object Viewer†.

      To grant a role, find the Select a role list, then select the role.

      To grant additional roles, click Add another role and add each additional role.

    6. Click Continue.

    7. Click Done to finish creating the service account.

      Do not close your browser window. You will use it in the next step.

  14. Create a service account key:

    1. In the Google Cloud console, click the email address for the service account that you created.
    2. Click Keys.
    3. Click Add key, and then click Create new key.
    4. Click Create. A JSON key file is downloaded to your computer.
    5. Click Close.

  15. Install the Google Cloud CLI.

  16. If you're using an external identity provider (IdP), you must first sign in to the gcloud CLI with your federated identity.

  17. To initialize the gcloud CLI, run the following command: 

    gcloud init

    18. † Ruolo necessario solo se copi un file video di esempio da un bucket Cloud Storage.

Configurare BigQuery per ricevere i dati

Per poter ricevere dati ed effettuare previsioni dai dati dell'app di analisi, devi creare un set di dati e una tabella BigQuery che corrispondano alle informazioni elaborate.

Crea un set di dati

Prima di poter creare una tabella BigQuery, devi prima creare un set di dati per ricevere le informazioni analizzate dalla tua app.

Console

  1. Apri la pagina BigQuery nella console Google Cloud .

    Vai alla pagina BigQuery

  2. Nel riquadro Explorer, seleziona il progetto in cui vuoi creare il set di dati.

  3. Espandi l'opzione Azioni e fai clic su Crea set di dati.

  4. Nella pagina Crea set di dati:

    • In ID set di dati, inserisci occupancy_dataset.

    • Per Posizione dei dati, scegli una posizione geografica per il set di dati. Una volta creato un set di dati, la posizione non può essere modificata.

    • Per Scadenza tabella predefinita, scegli una delle seguenti opzioni:

      • Mai: (impostazione predefinita) le tabelle create nel set di dati non vengono mai eliminate automaticamente. Devi eliminarli manualmente.

      • Numero di giorni dopo la creazione della tabella:questo valore determina quando viene eliminata una tabella appena creata nel set di dati. Questo valore viene applicato se non imposti una scadenza della tabella quando la tabella viene creata.

    • Fai clic su Crea set di dati.

Crea una tabella BigQuery

Console

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

    Vai a BigQuery

  2. Nel riquadro Explorer, espandi il progetto e seleziona il set di dati occupancy_dataset.
  3. Nella sezione Informazioni sul set di dati, fai clic su Crea tabella.
  4. Nel riquadro Crea tabella, specifica i seguenti dettagli:
    1. Nella sezione Origine, seleziona Tabella vuota nell'elenco Crea tabella da.
    2. Nella sezione Destinazione, specifica i seguenti dettagli:
      1. Verifica che nel campo Set di dati sia specificato occupancy_dataset.
      2. Nel campo Table (Tabella), inserisci occupancy_dataset_table.
      3. Verifica che il campo Tipo di tabella sia impostato su Tabella nativa.
    3. Nella sezione Schema, inserisci la definizione dello schema. Puoi inserire manualmente le informazioni sullo schema nel seguente modo:
      • Fai clic su Modifica come testo e incolla il seguente schema di array JSON. Quando utilizzi un array JSON, generi lo schema utilizzando lo stesso processo di creazione di un file di schema JSON. 
        [
    {
      "name": "ingestion_time",
      "type": "TIMESTAMP",
      "mode": "REQUIRED"
    },
    {
      "name": "application",
      "type": "STRING",
      "mode": "REQUIRED"
    },
    {
      "name": "instance",
      "type": "STRING",
      "mode": "REQUIRED"
    },
    {
      "name": "node",
      "type": "STRING",
      "mode": "REQUIRED"
    },
    {
      "name": "annotation",
      "type": "STRING"
    }
]
    4. Fai clic su Crea tabella.

Crea un'applicazione di conteggio dell'occupazione

Dopo aver configurato il set di dati e la tabella BigQuery, puoi creare l'app che elabora i dati inviati a queste risorse BigQuery.

Crea un'app vuota

Prima di poter compilare il grafico dell'app, devi creare un'app vuota.

Console

Crea un'app nella Google Cloud console.

  1. Apri la scheda Applicazioni della dashboard di Vertex AI Vision.

    Vai alla scheda Applicazioni

  2. Fai clic sul pulsante Crea.

  3. Inserisci occupancy-bq-app come nome dell'app e scegli la tua regione.

  4. Fai clic su Crea.

Aggiungi nodi dei componenti dell'app

Dopo aver creato l'applicazione vuota, puoi aggiungere i tre nodi al grafico dell'app:

  1. Nodo di importazione: la risorsa di flusso che importa i dati inviati da un'istanza VM di Compute Engine che crei.
  2. Nodo di elaborazione: il modello di analisi dell'occupazione che agisce sui dati importati.
  3. Nodo BigQuery: il nodo connettore che consente all'app di archiviare i metadati nella tabella BigQuery.

Console

Aggiungi nodi dei componenti all'app nella console.

  1. Apri la scheda Applicazioni della dashboard di Vertex AI Vision.

    Vai alla scheda Applicazioni

  2. Nella riga occupancy-bq-app, seleziona Visualizza grafico. Viene visualizzata la visualizzazione del grafico della pipeline di elaborazione.

Aggiungere un nodo di importazione dati

  1. Per aggiungere un nodo di flusso di input, seleziona l'opzione Flussi nella sezione Connettori del menu laterale.

  2. Nella sezione Origine del menu Stream che si apre, seleziona Aggiungi stream.

  3. Nel menu Aggiungi flussi, scegli Registra nuovi flussi e aggiungi occupancy-bq-stream come nome del flusso.

  4. Per aggiungere lo stream al grafico dell'app, fai clic su Aggiungi stream.

Aggiungere un nodo di elaborazione dei dati

  1. Per aggiungere il nodo del modello di conteggio dell'occupazione, seleziona l'opzione Analisi dell'occupazione nella sezione Modelli specializzati del menu laterale.

  2. Lascia selezionate le opzioni predefinite Persone e Veicoli.

Aggiungere un nodo BigQuery

  1. Per aggiungere il nodo di destinazione di output (spazio di archiviazione), seleziona l'opzione BigQuery nella sezione Connettori del menu laterale.

  2. Nel menu BigQuery, cerca occupancy_dataset_table e seleziona la tua tabella.

  3. Nella sezione Archivia metadati da:, seleziona sia Stream sia Analisi delle presenze.

Esegui il deployment dell'app per utilizzarla

Dopo aver creato l'app end-to-end con tutti i componenti necessari, l'ultimo passaggio per utilizzarla è il deployment.

Console

  1. Apri la scheda Applicazioni della dashboard di Vertex AI Vision.

    Vai alla scheda Applicazioni

  2. Seleziona Visualizza grafico accanto all'app occupancy-bq-app nell'elenco.

  3. Nella pagina del builder del grafico delle applicazioni, fai clic sul pulsante Deploy (Esegui il deployment).

  4. Nella finestra di dialogo di conferma successiva, seleziona Implementa.

    Il completamento dell'operazione di deployment potrebbe richiedere diversi minuti. Al termine del deployment, accanto ai nodi vengono visualizzati segni di spunta verdi.

Configurare una macchina remota per lo streaming video

Ora che hai un'app per il conteggio dell'occupazione di persone pronta a ricevere, elaborare e archiviare i dati di streaming in una tabella BigQuery, devi effettivamente trasmettere in streaming i dati video nell'app.

In questo tutorial creerai un'istanza VM di Compute Engine che ospita un video e invierai i dati di streaming video dalla VM.

Crea una VM Linux

Il primo passaggio per inviare video da un'istanza VM di Compute Engine consiste nel creare l'istanza VM.

Console

  1. Nella console, vai alla pagina Istanze VM.

    Vai a Istanze VM

  2. Seleziona il progetto e fai clic su Continua.

  3. Fai clic su Crea istanza.

  4. Specifica un Nome per la VM. Per ulteriori informazioni, consulta le convenzioni per la denominazione delle risorse.

  5. (Facoltativo) Modifica la zona per questa VM. Compute Engine randomizza l'elenco delle zone all'interno di ogni regione per incoraggiare l'utilizzo in più zone.

  6. Accetta le opzioni predefinite rimanenti. Per saperne di più su queste opzioni, consulta Crea e avvia una VM.

  7. Per creare e avviare la VM, fai clic su Crea.

Configura l'ambiente VM

Dopo l'avvio della VM, puoi utilizzare la console per stabilire una connessione SSH nel browser. Dopo aver stabilito questa connessione, puoi scaricare lo strumento a riga di comando vaictl per importare video nella tua app.

Console

Stabilisci una connessione SSH alla tua VM

  1. Nella console, vai alla pagina Istanze VM.

    Vai a Istanze VM

  2. Nella sezione Connetti della riga dell'istanza che hai creato, fai clic su SSH. Viene aperta una connessione SSH in una nuova finestra del browser.

    L'opzione SSH nell'interfaccia utente

Scaricare lo strumento a riga di comando vaictl

  1. Nella finestra SSH nel browser, scarica lo strumento a riga di comando Vertex AI Vision (vaictl) utilizzando il seguente comando:

    wget https://github.com/google/visionai/releases/download/v0.0.5/visionai_0.0-5_amd64.deb

  2. Installa lo strumento a riga di comando eseguendo il seguente comando:

    sudo apt install ./visionai_0.0-5_amd64.deb

  3. Puoi testare l'installazione eseguendo questo comando:

    vaictl --help

Importare un file video nell'app

Dopo aver configurato l'ambiente VM, puoi copiare un file video di esempio e poi utilizzare vaictl per trasmettere in streaming i dati video all'app di conteggio dell'occupazione.

Dopo aver inviato questo comando, devi attendere diverse ore prima che i dati vengano trasmessi in streaming prima di passare al passaggio successivo.

SSH nel browser

Copia un video di esempio nella VM

  1. Nella finestra SSH nel browser per la tua VM, copia un video di esempio con il seguente comando gcloud storage cp. Sostituisci la seguente variabile:
    • SOURCE: la posizione di un file video da utilizzare. Puoi utilizzare la tua origine file video (ad esempio, gs://BUCKET_NAME/FILENAME.mp4) o uno dei video di esempio:
      • gs://cloud-samples-data/vertex-ai-vision/street_vehicles_people.mp4 (video con persone e veicoli, origine video)
      • gs://cloud-samples-data/vertex-ai-vision/highway_vehicles.mp4 (video con soli veicoli, fonte video) 
    gcloud storage cp SOURCE .

Trasmettere in streaming video dalla VM e importare i dati nell'app

  1. Per inviare questo file video locale al flusso di input dell'app, utilizza il comando seguente. Devi eseguire le seguenti sostituzioni di variabili:
    • PROJECT_ID: il tuo ID progetto Google Cloud .
    • LOCATION_ID: il tuo ID posizione. Ad esempio, us-central1. Ulteriori informazioni.
    • LOCAL_FILE.EXT: il nome file di un file video locale. Ad esempio, my-video.mp4.
    • Flag --loop: facoltativo. Esegue il loop dei dati dei file per simulare lo streaming.

    Questo comando trasmette in streaming un file video a uno stream. Se utilizzi il flag --loop, il video viene riprodotto in loop nello stream finché non interrompi il comando: 

    vaictl -p PROJECT_ID \
    -l LOCATION_ID \
    -c application-cluster-0 \
    --service-endpoint visionai.googleapis.com \
send video-file to streams 'occupancy-bq-stream' --file-path LOCAL_FILE.EXT --loop

Potrebbero essere necessari circa 100 secondi tra l'avvio dell'operazione di importazione vaictl e la visualizzazione del video nella dashboard.

Una volta disponibile l'importazione dello stream, puoi visualizzare il feed video nella scheda Stream della dashboard di Vertex AI Vision selezionando lo stream occupancy-bq-stream.

Vai alla scheda Stream

Creare un modello di previsione con BigQuery ML

Ora hai un'app funzionante che archivia i metadati in BigQuery. Dopo aver eseguito lo streaming di un paio d'ore di dati nella tua app, puoi iniziare a creare un modello di previsione con BigQuery ML.

(Facoltativo) Eseguire una query sull'occupazione

Puoi visualizzare i dati prodotti dall'app memorizzati nella tabella eseguendo una semplice query.

Console

  1. Nella console Google Cloud , apri la pagina BigQuery.

    Vai a BigQuery

  2. Seleziona Espandi accanto a occupancy_dataset e seleziona occupancy_dataset_table.

  3. Nella visualizzazione dei dettagli della tabella, fai clic su Crea nuova query.

    Crea nuova query

  4. Inserisci la seguente query Google Standard SQL nell'area di testo Editor query:

    SELECT
 *
FROM (
 SELECT
   TIMESTAMP_TRUNC(PARSE_TIMESTAMP('"%Y-%m-%dT%H:%M:%E*SZ"', JSON_QUERY(annotation,
         "$.currentTime")), MINUTE) currentTime,
   CAST(JSON_QUERY(annotation,
       '$.stats.fullFrameCount[0].count') AS INT64) AS count,
   JSON_QUERY(annotation,
     '$.stats.fullFrameCount[0].entity.labelString') AS type
 FROM
   `PROJECT_ID.occupancy_dataset.occupancy_dataset_table` )
WHERE
 count IS NOT NULL

  5. (Facoltativo) Per modificare la località di trattamento dei dati, fai clic su Altro e poi su Impostazioni query. Nella sezione Località di elaborazione, fai clic su Selezione automatica e scegli la località dei dati. Infine, fai clic su Salva per aggiornare le impostazioni della query.

  6. Fai clic su Esegui.

In questo modo viene creato un job query che scrive l'output in una tabella temporanea.

L'esecuzione di questa query produce una tabella con informazioni su ora e conteggio quando le persone sono presenti nel video.

currentTime conteggio tipo
2022-08-10 16:17:00 UTC 2 "Persona"
2022-08-10 16:17:00 UTC 2 "Persona"
2022-08-10 16:17:00 UTC 4 "Persona"
2022-08-10 16:17:00 UTC 1 "Persona"
2022-08-10 16:17:00 UTC 5 "Persona"
2022-08-10 16:17:00 UTC 2 "Persona"

Creare una visualizzazione per l'addestramento

Dopo aver visualizzato i dati archiviati nella tabella, puoi creare una vista e poi esaminare i contenuti della tabella risultante. Utilizzi questi dati sulle visualizzazioni per addestrare il modello di previsione.

Puoi creare una vista componendo una query SQL utilizzata per definire i dati accessibili alla vista. La query SQL deve essere costituita da un'istruzione SELECT. Per ulteriori informazioni sulle viste BigQuery, consulta Introduzione alle viste.

Per creare una visualizzazione della tabella di addestramento:

Console

  1. Nella console Google Cloud , apri la pagina BigQuery.

    Vai a BigQuery

  2. Seleziona Espandi accanto a occupancy_dataset e seleziona occupancy_dataset_table.

  3. Nella visualizzazione dei dettagli della tabella, fai clic su Crea nuova query.

    Crea nuova query

  4. Inserisci la seguente query Google Standard SQL nell'area di testo Editor query:

    CREATE VIEW `PROJECT_ID.occupancy_dataset.forecast_training_data` AS (
  WITH
    raw_counts AS (
    SELECT
      *
    FROM (
      SELECT
        TIMESTAMP_TRUNC(
          PARSE_TIMESTAMP('"%Y-%m-%dT%H:%M:%E*SZ"',
                          JSON_QUERY(annotation,
                                      "$.currentTime")),
                        MINUTE) AS currentTime,
        CAST(JSON_QUERY(annotation,
            '$.stats.fullFrameCount[0].count') AS INT64) AS count,
        JSON_QUERY(annotation,
          '$.stats.fullFrameCount[0].entity.labelString') AS type
      FROM
        `PROJECT_ID.occupancy_dataset.occupancy_dataset_table` )
    WHERE
      count IS NOT NULL )
  SELECT
    currentTime,
    SUM(count) AS total_count,
    type
  FROM
    raw_counts
  GROUP BY
    currentTime, type)

  5. Fai clic su Esegui.

(Facoltativo) Esegui query sulla vista

Esegui la seguente query per visualizzare i risultati dei nuovi dati di addestramento della visualizzazione:

Console

  1. Nella visualizzazione dei dettagli della tabella occupancy_dataset_table, fai clic su Crea nuova query.

  2. Inserisci la seguente query Google Standard SQL nell'area di testo Editor query:

    SELECT
 *
FROM
  `PROJECT_ID.occupancy_dataset.forecast_training_data`
ORDER BY
 currentTime, type
LIMIT
 100

  3. Fai clic su Esegui.

Viene restituito un risultato ordinato per ora simile al seguente:

currentTime total_count tipo
2022-08-10 16:17:00 UTC 129 "Persona"
2022-08-10 16:18:00 UTC 150 "Persona"
2022-08-10 16:19:00 UTC 80 "Persona"
2022-08-10 16:20:00 UTC 129 "Persona"
2022-08-10 16:21:00 UTC 142 "Persona"
2022-08-10 16:22:00 UTC 71 "Persona"
2022-08-10 16:22:00 UTC 2 "Veicolo"

Addestra il modello di previsione con BigQuery ML

Ora che hai i dati in una vista da utilizzare come dati di addestramento, puoi addestrare il modello di previsione con BigQuery ML.

Console

  1. Nella visualizzazione dei dettagli della tabella occupancy_dataset_table, fai clic su Crea nuova query.

  2. Inserisci la seguente query Google Standard SQL nell'area di testo Editor query:

    CREATE OR REPLACE MODEL `PROJECT_ID.occupancy_dataset.occupancy_forecast_model`
  OPTIONS( MODEL_TYPE = "ARIMA_PLUS",
    TIME_SERIES_TIMESTAMP_COL = "currentTime",
    TIME_SERIES_DATA_COL = "total_count",
    TIME_SERIES_ID_COL = "type" ) AS
SELECT
  *
FROM
  `PROJECT_ID.occupancy_dataset.forecast_training_data`

  3. Fai clic su Esegui.

Il completamento della query richiede diversi minuti. Al termine della prima iterazione, il modello (occupancy_forecast_model) viene visualizzato nel pannello di navigazione. Poiché la query utilizza un'istruzione CREATE MODEL per creare un modello, non vengono visualizzati i risultati della query.

Puoi osservare il modello durante l'addestramento visualizzando la scheda Statistiche modello. La scheda viene aggiornata non appena viene completata la prima iterazione. Le statistiche continuano ad aggiornarsi al termine di ogni iterazione.

Ottenere una previsione di occupazione con BigQuery

Una volta completato l'addestramento del modello, puoi ottenere una previsione dal modello sul conteggio dell'occupazione.

La seguente query ML.FORECAST utilizza l'input della funzione HORIZON per fare una previsione dei prossimi 60 minuti.

Console

  1. Nella visualizzazione dei dettagli della tabella occupancy_dataset_table, fai clic su Crea nuova query.

  2. Inserisci la seguente query Google Standard SQL nell'area di testo Editor query:

    SELECT
  *
FROM
  ML.FORECAST(MODEL `PROJECT_ID.occupancy_dataset.occupancy_forecast_model`,
  STRUCT(60 AS HORIZON))

  3. Fai clic su Esegui.

Il modello produce previsioni in forecast_value per i timestamp futuri in cui il tipo è "Person". Ad esempio, il giorno 2022-08-12 alle ore 11:06:00, il modello prevede che ci saranno circa 15,26 "Persone" in totale.

tipo forecast_timestamp forecast_value standard_error confidence_level prediction_interval_lower_bound prediction_interval_upper_bound
"Persona" 2022-08-12 11:06:00 UTC 15.2621986941298 2,56470066 0,95 10.2444693 20.2799280
"Persona" 2022-08-12 11:07:00 UTC 13,235260043001354 3,19379743 0,95 6,98672921 19,4837908
"Persona" 2022-08-12 11:08:00 UTC 16,257331475128712 3,87581375 0,95 8.67446430 23.8401986
"Persona" 2022-08-12 11:09:00 UTC 31.432229611853742 4.24905293 0,95 23.1191356 39.7453236
"Persona" 2022-08-12 11:10:00 UTC 26.199214148193725 4,26157413 0,95 17.8616229 34.5368053
"Persona" 2022-08-12 11:11:00 UTC 26.211573546307324 4,27962512 0,95 17,8386663 34.5844807

Esegui la pulizia

Per evitare che al tuo Account Google Cloud vengano addebitati costi relativi alle risorse utilizzate in questo tutorial, elimina il progetto che contiene le risorse oppure mantieni il progetto ed elimina le singole risorse.

Elimina il progetto

  1. In the Google Cloud console, go to the Manage resources page.

    Go to Manage resources

  2. In the project list, select the project that you want to delete, and then click Delete.
  3. In the dialog, type the project ID, and then click Shut down to delete the project.

Elimina singole risorse

Elimina l'istanza VM di Compute Engine

  1. In the Google Cloud console, go to the VM instances page.

    Go to VM instances

  2. Select the checkbox for the instance that you want to delete.
  3. To delete the instance, click More actions, click Delete, and then follow the instructions.

Elimina il set di dati BigQuery

  1. In the Google Cloud console, open the BigQuery page.

    Go to BigQuery

  2. Select expand next to your project and locate your occupancy_dataset dataset.
  3. To delete the dataset, click Actions, click Delete, and then follow the instructions.

Eliminazione di un flusso

  1. In the Google Cloud console, go to the Streams page.

    Go to the Streams tab

  2. Locate your occupancy-bq-stream stream.
  3. To delete the stream, click Actions, click Delete stream, and then follow the instructions.

Eliminare un'app

  1. In the Google Cloud console, go to the Applications page.

    Go to the Applications tab

  2. Locate your occupancy-bq-app app.
  3. To delete the app, click Actions, click Delete application, and then follow the instructions.

Passaggi successivi