Analyser des images

Ce tutoriel explique comment obtenir des insights à partir de données d'image non structurées en intégrant BigQuery ML à Gemini. Dans ce tutoriel, vous allez créer un modèle distant basé sur gemini-2.5-flash et utiliser la fonction AI.GENERATE_TEXT pour extraire automatiquement des métadonnées, telles que les titres et les années de sortie, à partir d'une collection d'affiches de films.

Objectifs

  • Créer une table d'objets BigQuery sur des données d'image dans un bucket Cloud Storage.
  • Créer un modèle distant BigQuery ML qui cible le modèle gemini-2.5-flash de Gemini Enterprise Agent Platform.
  • Utiliser le modèle distant avec la fonction AI.GENERATE_TEXT pour identifier les films associés à un ensemble d'affiches de film.

Coûts

Ce tutoriel utilise les composants facturables suivants de Google Cloud:

Obtenez une estimation des coûts en fonction de votre utilisation prévue à l'aide du simulateur de coût.

Une fois que vous avez terminé les tâches décrites dans ce document, vous pouvez éviter de continuer à payer des frais en supprimant les ressources que vous avez créées. Pour en savoir plus, consultez la section Effectuer un nettoyage.

Avant de commencer

  1. Dans la Google Cloud console, sur la page de sélection du projet, sélectionnez ou créez un Google Cloud projet.

    Rôles requis pour sélectionner ou créer un projet

    • Sélectionner un projet : la sélection d'un projet ne nécessite pas de rôle IAM spécifique Vous pouvez sélectionner n'importe quel projet pour lequel un rôle vous a été attribué.
    • Créer un projet : pour créer un projet, vous avez besoin du rôle Créateur de projet (roles/resourcemanager.projectCreator), qui contient l'autorisation resourcemanager.projects.create. Découvrez comment attribuer des rôles.

    Accéder au sélecteur de projet

  2. Vérifiez que la facturation est activée pour votre Google Cloud projet.

  3. Activez les API BigQuery, BigQuery Connection et Agent Platform.

    Rôles requis pour activer les API

    Pour activer les API, vous avez besoin du rôle IAM Administrateur d'utilisation du service (roles/serviceusage.serviceUsageAdmin), qui contient l'autorisation serviceusage.services.enable. Découvrez comment attribuer des rôles.

    Activer les API

Rôles requis

Pour exécuter ce tutoriel, vous devez disposer des rôles IAM (Identity and Access Management) suivants :

  • Créer et utiliser des ensembles de données, des connexions et des modèles BigQuery : Administrateur BigQuery (roles/bigquery.admin).
  • Accorder des autorisations au compte de service de la connexion : Administrateur IAM du projet (roles/resourcemanager.projectIamAdmin).

Ces rôles prédéfinis contiennent les autorisations requises pour effectuer les tâches décrites dans ce document. Pour afficher les autorisations exactes requises, développez la section Autorisations requises :

Autorisations requises

  • Créer un ensemble de données : bigquery.datasets.create
  • Créer, déléguer et utiliser une connexion : bigquery.connections.*
  • Définir la connexion par défaut : bigquery.config.*
  • Définir les autorisations du compte de service : resourcemanager.projects.getIamPolicy et resourcemanager.projects.setIamPolicy
  • Créer une table d'objets : bigquery.tables.create et bigquery.tables.update
  • Créer un modèle et exécuter une inférence :
    • bigquery.jobs.create
    • bigquery.models.create
    • bigquery.models.getData
    • bigquery.models.updateData
    • bigquery.models.updateMetadata

Vous pouvez également obtenir ces autorisations avec des rôles personnalisés ou d'autres rôles prédéfinis.

Préparer l'environnement

Pour effectuer une inférence BigQuery ML sur des tables d'objets à l'aide de gemini-2.5-flash, vous devez attribuer une réservation BigQuery à votre projet. Si une réservation est déjà attribuée à votre projet, vous pouvez ignorer cette étape.

Créer une réservation

  1. Dans la Google Cloud console, accédez à la page BigQuery.

    Accéder à BigQuery

  2. Dans le menu de navigation, cliquez sur Gestion des charges de travail.

  3. Cliquez sur Créer une réservation.

  4. Sur la page Créer une réservation, procédez comme suit :

    1. Dans le champ Nom de la réservation, saisissez bqml-tutorial-reservation.
    2. Pour Emplacement, sélectionnez États-Unis (plusieurs régions aux États-Unis).
    3. Conservez les autres paramètres par défaut, puis cliquez sur Enregistrer.

Attribuer la réservation

  1. Dans la Google Cloud console, accédez à la page BigQuery.

    Accéder à BigQuery

  2. Dans le menu de navigation, cliquez sur Gestion des charges de travail.

  3. Dans le tableau Réservations d'emplacements, recherchez la réservation que vous souhaitez attribuer à votre projet.

  4. Cliquez sur Afficher les actions > Créer une attribution.

  5. Dans Créer une attribution , cliquez sur Parcourir , puis sélectionnez votre projet.

  6. Dans le champ Type de job, sélectionnez QUERY. Cette sélection garantit que vos requêtes SQL utilisent les emplacements de cette réservation.

  7. Cliquez sur Créer.

Créer un ensemble de données

Créez un ensemble de données BigQuery pour stocker votre modèle de ML.

Console

  1. Dans la Google Cloud console, accédez à la page BigQuery.

    Accéder à la page "BigQuery"

  2. Dans le volet Explorateur, cliquez sur le nom de votre projet.

  3. Cliquez sur Afficher les actions > Créer un ensemble de données

  4. Sur la page Créer un ensemble de données, procédez comme suit :

    • Dans le champ ID de l'ensemble de données, saisissez bqml_tutorial.

    • Pour Type d'emplacement, sélectionnez Multirégional, puis sélectionnez US.

    • Conservez les autres paramètres par défaut, puis cliquez sur Créer un ensemble de données.

bq

Pour créer un ensemble de données, utilisez la bq mk --dataset commande.

  1. Créez un ensemble de données nommé bqml_tutorial avec l'emplacement des données défini sur US.

    bq mk --dataset \
  --location=US \
  --description "BigQuery ML tutorial dataset." \
  bqml_tutorial

  2. Vérifiez que l'ensemble de données a été créé :

    bq ls

API

Appelez la datasets.insert méthode avec une ressource d'ensemble de données définie.

{
  "datasetReference": {
     "datasetId": "bqml_tutorial"
  }
}

Créer la table d'objets

Créez une table d'objets sur les images de l'affiche de film dans le bucket public Cloud Storage bucket. La table d'objets vous permet d'analyser les images sans les déplacer depuis Cloud Storage.

  1. Dans la Google Cloud console, accédez à la page BigQuery.

    Accéder à BigQuery

  2. Dans l'éditeur de requêtes, exécutez la requête suivante pour créer la table d'objets :

    CREATE OR REPLACE EXTERNAL TABLE `bqml_tutorial.movie_posters`
  WITH CONNECTION DEFAULT
  OPTIONS (
    object_metadata = 'SIMPLE',
    uris =
      ['gs://cloud-samples-data/vertex-ai/dataset-management/datasets/classic-movie-posters/*']);

Créer le modèle distant

Créez un modèle distant représentant un modèle gemini-2.5-flash d'Agent Platform :

  1. Dans la Google Cloud console, accédez à la page BigQuery.

    Accéder à BigQuery

  2. Dans l'éditeur de requête, exécutez la requête suivante pour créer un modèle distant :

    CREATE OR REPLACE MODEL `bqml_tutorial.gemini-vision`
  REMOTE WITH CONNECTION DEFAULT
  OPTIONS (ENDPOINT = 'gemini-2.5-flash');

    L'exécution de la requête peut prendre quelques minutes. Le modèle gemini-vision apparaît ensuite dans l'ensemble de données bqml_tutorial du volet Explorateur. Étant donné que la requête utilise une instruction CREATE MODEL pour créer un modèle, il n'y a aucun résultat de requête.

Analyser les affiches de films

Utilisez le modèle distant pour analyser les affiches de film et déterminer le film qu'elles représentent, puis écrivez ces données dans un tableau.

  1. Dans la Google Cloud console, accédez à la page BigQuery.

    Accéder à BigQuery

  2. Dans l'éditeur de requêtes, exécutez la requête suivante pour analyser les images d'affiches de films :

    CREATE OR REPLACE TABLE
  `bqml_tutorial.movie_posters_results` AS (
  SELECT
    uri,
   result
  FROM
    AI.GENERATE_TEXT( MODEL `bqml_tutorial.gemini-vision`,
      TABLE `bqml_tutorial.movie_posters`,
      STRUCT( 0.2 AS temperature,
        'For the movie represented by this poster, what is the movie title and year of release? Answer in JSON format with two keys: title, year. title should be string, year should be integer.' AS PROMPT)));

  3. Dans l'éditeur de requêtes, exécutez l'instruction suivante pour afficher les données de la table :

    SELECT * FROM `bqml_tutorial.movie_posters_results`;

    Le résultat ressemble à ce qui suit : 

    +--------------------------------------------+----------------------------------+
| uri                                        | result                           |
+--------------------------------------------+----------------------------------+
| gs://cloud-samples-data/vertex-ai/dataset- | json                          |
| management/datasets/classic-movie-         | {                                |
| posters/little_annie_rooney.jpg            |  "title": "Little Annie Rooney", |
|                                            |  "year": 1912                    |
|                                            | }                                |
|                                            |                              |
+--------------------------------------------+----------------------------------+
| gs://cloud-samples-data/vertex-ai/dataset- | json                          |
| management/datasets/classic-movie-         | {                                |
| posters/mighty_like_a_mouse.jpg            |  "title": "Mighty Like a Moose", |
|                                            |  "year": 1926                    |
|                                            | }                                |
|                                            |                              |
+--------------------------------------------+----------------------------------+
| gs://cloud-samples-data/vertex-ai/dataset- | json                          |
| management/datasets/classic-movie-         | {                                |
| posters/brown_of_harvard.jpeg              |  "title": "Brown of Harvard",    |
|                                            |  "year": 1926                    |
|                                            | }                                |
|                                            |                              |
+--------------------------------------------+----------------------------------+

Mettre en forme la sortie du modèle

Pour faciliter la lecture des données de titre et d'année du film, mettez en forme les données renvoyées par le modèle.

  1. Dans la Google Cloud console, accédez à la page BigQuery.

    Accéder à BigQuery

  2. Dans l'éditeur de requêtes, exécutez la requête suivante pour mettre en forme les données :

    CREATE OR REPLACE TABLE
  `bqml_tutorial.movie_posters_results_formatted` AS (
  SELECT
    uri,
    JSON_QUERY(RTRIM(LTRIM(results.result, " ```json"), "```"), "$.title") AS title,
    JSON_QUERY(RTRIM(LTRIM(results.result, " ```json"), "```"), "$.year") AS year
  FROM
    `bqml_tutorial.movie_posters_results` results );

  3. Dans l'éditeur de requêtes, exécutez l'instruction suivante pour afficher les données de la table :

    SELECT * FROM `bqml_tutorial.movie_posters_results_formatted`;

    Le résultat ressemble à ce qui suit :

    +--------------------------------------------+----------------------------+------+
| uri                                        | title                      | year |
+--------------------------------------------+----------------------------+------+
| gs://cloud-samples-data/vertex-ai/dataset- | "Barque sortant du port"   | 1895 |
| management/datasets/classic-movie-         |                            |      |
| posters/barque_sortant_du_port.jpeg        |                            |      |
+--------------------------------------------+----------------------------+------+
| gs://cloud-samples-data/vertex-ai/dataset- | "The Great Train Robbery"  | 1903 |
| management/datasets/classic-movie-         |                            |      |
| posters/the_great_train_robbery.jpg        |                            |      |
+--------------------------------------------+----------------------------+------+
| gs://cloud-samples-data/vertex-ai/dataset- | "Little Annie Rooney"      | 1912 |
| management/datasets/classic-movie-         |                            |      |
| posters/little_annie_rooney.jpg            |                            |      |
+--------------------------------------------+----------------------------+------+

Supprimer le projet

  1. Dans la Google Cloud console, accédez à la page Gérer les ressources.

    Accéder à la page "Gérer les ressources"

  2. Dans la liste des projets, sélectionnez celui que vous souhaitez supprimer, puis cliquez sur Supprimer.
  3. Dans la boîte de dialogue, saisissez l'ID du projet, puis cliquez Arrêter pour supprimer le projet.

Supprimer des ressources individuelles

Si vous souhaitez réutiliser le projet, supprimez les ressources que vous avez créées pour le tutoriel.

Supprimer l'ensemble de données

Console

Supprimez l'ensemble de données bqml_tutorial et tout son contenu en exécutant la commande SQL suivante :

DROP SCHEMA IF EXISTS `bqml_tutorial` CASCADE;

bq

Supprimez l'ensemble de données bqml_tutorial et tout son contenu :

bq rm -r bqml_tutorial

Supprimer la réservation

Console

Si vous avez créé une réservation BigQuery dans le cadre de ce tutoriel, vous devez la supprimer pour éviter de continuer à payer des frais d'emplacements.

  1. Dans la Google Cloud console, accédez à la page BigQuery.

    Accéder à BigQuery

  2. Dans le menu de navigation, cliquez sur Gestion des charges de travail.

  3. Dans le tableau Réservations d'emplacements, recherchez bqml-tutorial-reservation.

  4. Cliquez sur Afficher les actions > Supprimer.

bq

Si vous avez créé une réservation BigQuery nommée bqml-tutorial-reservation dans l'emplacement us, utilisez la commande suivante pour la supprimer :

bq rm --reservation --location=us bqml-tutorial-reservation

Supprimer la connexion

Console

  1. Dans la Google Cloud console, accédez à la page BigQuery.

    Accéder à BigQuery

  2. Dans le volet de gauche, cliquez sur Explorateur, recherchez votre projet, puis cliquez sur Connexions.

  3. Dans le tableau, recherchez votre connexion.

  4. Cliquez sur Afficher les actions > Supprimer.

bq

Supprimez la connexion :

bq rm --connection --location=us CONNECTION_ID

Remplacez CONNECTION_ID par l'ID réel de votre connexion.

Étape suivante