Analiza las imágenes

En este instructivo, se muestra cómo obtener estadísticas de datos de imágenes no estructurados mediante la integración de BigQuery ML con Gemini. En el instructivo, creas un modelo remoto basado en gemini-2.5-flash y usas la función para extraer automáticamente metadatos, como títulos y años de lanzamiento, de una colección de pósteres de películas.AI.GENERATE_TEXT

Objetivos

• Crear una tabla de objetos de BigQuery sobre datos de imágenes en un bucket de Cloud Storage.
• Crear un modelo remoto de BigQuery ML que se oriente al modelo gemini-2.5-flash de Vertex AI.
• Usar el modelo remoto con la función AI.GENERATE_TEXT para identificar las películas asociadas con un conjunto de pósteres de películas.

Costos

En este instructivo, se usan los siguientes componentes facturables de Google Cloud:

• BigQuery ML
• Vertex AI

Para generar una estimación de costos en función del uso previsto, usa la calculadora de precios.

Cuando completes las tareas que se describen en este documento, podrás borrar los recursos que creaste para evitar que se te siga facturando. Para obtener más información, consulta Realiza una limpieza.

Antes de comenzar

1. En la Google Cloud consola de, en la página del selector de proyectos, selecciona o crea un Google Cloud proyecto.

   Roles necesarios para seleccionar o crear un proyecto

   • Seleccionar un proyecto: Para seleccionar un proyecto, no se requiere un rol de IAM específico. Puedes seleccionar cualquier proyecto en el que se te haya otorgado un rol.
   • Crear un proyecto: Para crear un proyecto, necesitas el rol de creador de proyectos (roles/resourcemanager.projectCreator), que contiene el resourcemanager.projects.create permiso. Obtén más información para otorgar roles.
   Nota: Si no planeas conservar los recursos que creas en este procedimiento, crea un proyecto en lugar de seleccionar uno existente. Cuando termines, puedes borrar el proyecto y quitar todos los recursos asociados con él.

   Ir al selector de proyectos

2. Verifica que la facturación esté habilitada para tu Google Cloud proyecto.

3. Habilita las APIs de BigQuery, BigQuery Connection y Vertex AI.

   Roles necesarios para habilitar las APIs

   Para habilitar las APIs, necesitas el rol de IAM de administrador de Service Usage (roles/serviceusage.serviceUsageAdmin), que contiene el permiso serviceusage.services.enable. Obtén más información para otorgar roles.

   Habilitar las API

Roles obligatorios

Para ejecutar este instructivo, necesitas los siguientes roles de Identity and Access Management (IAM):

• Crear y usar conjuntos de datos, conexiones y modelos de BigQuery: Administrador de BigQuery (roles/bigquery.admin).
• Otorgar permisos a la cuenta de servicio de la conexión: Administrador de IAM del proyecto (roles/resourcemanager.projectIamAdmin).

Estos roles predefinidos contienen los permisos necesarios para realizar las tareas de este documento. Para ver los permisos exactos que son necesarios, expande la sección Permisos necesarios:

Permisos necesarios

• Crear un conjunto de datos: bigquery.datasets.create
• Crear, delegar y usar una conexión: bigquery.connections.*
• Establecer la conexión predeterminada: bigquery.config.*
• Establecer permisos de cuenta de servicio: resourcemanager.projects.getIamPolicy y resourcemanager.projects.setIamPolicy
• Crear una tabla de objetos: bigquery.tables.create y bigquery.tables.update
• Crear un modelo y ejecutar la inferencia:
  • bigquery.jobs.create
  • bigquery.models.create
  • bigquery.models.getData
  • bigquery.models.updateData
  • bigquery.models.updateMetadata

También puedes obtener estos permisos con roles personalizados o con otros roles predefinidos.

Prepare el entorno

Para realizar la inferencia de BigQuery ML en tablas de objetos con gemini-2.5-flash, debes asignar una reserva de BigQuery a tu proyecto. Si ya hay una reserva asignada a tu proyecto, puedes omitir este paso.

Crea una reserva

1. En la Google Cloud consola de, ve a la página BigQuery.

   Ir a BigQuery

2. En el menú de navegación, haz clic en Administración de la capacidad.

3. Haz clic en Crear reserva.

4. En la página Crear reserva, haz lo siguiente:

   1. En Nombre de reserva, ingresa bqml-tutorial-reservation.
   2. En Ubicación, selecciona US (múltiples regiones en Estados Unidos).
   3. Deja la configuración predeterminada restante como está y haz clic en Guardar.

Asigna la reserva

1. En la Google Cloud consola de, ve a la página BigQuery.

   Ir a BigQuery

2. En el menú de navegación, haz clic en Administración de la capacidad.

3. En la tabla Reservas de ranuras, busca la reserva que deseas asignar a tu proyecto.

4. Haz clic en Ver acciones > Crear asignación.

5. En Crear una asignación, haz clic en Explorar y selecciona tu proyecto.

6. En Tipo de trabajo, selecciona QUERY. Esta selección garantiza que tus consultas de SQL usen las ranuras de esta reserva.

7. Haz clic en Crear.

Crea un conjunto de datos

Crea un conjunto de datos de BigQuery para almacenar tu modelo de AA.

Console

1. En la Google Cloud consola de, ve a la página BigQuery.

   Ir a la página de BigQuery

2. En el panel Explorador, haz clic en el nombre de tu proyecto.

3. Haz clic en Ver acciones > Crear conjunto de datos.

4. En la página Crear conjunto de datos, haz lo siguiente:

   • En ID del conjunto de datos, ingresa bqml_tutorial.

   • En Tipo de ubicación, selecciona Multirregión y, luego, selecciona US.

   • Deja la configuración predeterminada restante como está y haz clic en Crear conjunto de datos.

bq

Para crear un conjunto de datos nuevo, usa el bq mk --dataset comando.

1. Crea un conjunto de datos llamado bqml_tutorial con la ubicación de datos establecida en US.

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

2. Confirma que se creó el conjunto de datos:

   bq ls

API

Llama al datasets.insert método con un recurso de conjunto de datos definido.

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

Crea la tabla de objetos

Crea una tabla de objetos sobre las imágenes de pósteres de películas en el bucket público de Cloud Storage . La tabla de objetos te permite analizar las imágenes sin transferirlas desde Cloud Storage.

1. En la Google Cloud consola de, ve a la página BigQuery.

   Ir a BigQuery

2. En el editor de consultas, ejecuta la siguiente consulta para crear la tabla de objetos:

   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/*']);

Crea el modelo remoto

Crea un modelo remoto que represente un modelo gemini-2.5-flash de Vertex AI:

1. En la Google Cloud consola de, ve a la página BigQuery.

   Ir a BigQuery

2. En el editor de consultas, ejecuta la siguiente consulta para crear el modelo remoto:

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

   La consulta puede tardar unos minutos en completarse. Después de eso, el modelo gemini-vision aparecerá en el conjunto de datos bqml_tutorial en el panel Explorador. Debido a que la consulta usa una declaración CREATE MODEL para crear un modelo, no hay resultados de consultas.

Analiza los pósteres de películas

Usa el modelo remoto para analizar los pósteres de películas y determinar qué película representa cada uno de ellos. Luego, escribe estos datos en una tabla.

1. En la Google Cloud consola de, ve a la página BigQuery.

   Ir a BigQuery

2. En el editor de consultas, ejecuta la siguiente consulta para analizar las imágenes de pósteres de películas:

   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. En el editor de consultas, ejecuta la siguiente declaración para ver los datos de la tabla:

   SELECT * FROM `bqml_tutorial.movie_posters_results`;

   El resultado es similar al siguiente:

   +--------------------------------------------+----------------------------------+
   | 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                    |
   |                                            | }                                |
   |                                            |                              |
   +--------------------------------------------+----------------------------------+
   

Da formato al resultado del modelo

Para que el título de la película y los datos de años sean más fáciles de leer, da formato a los datos que muestra el modelo.

1. En la Google Cloud consola de, ve a la página BigQuery.

   Ir a BigQuery

2. En el editor de consultas, ejecuta la siguiente consulta para dar formato a los datos:

   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. En el editor de consultas, ejecuta la siguiente declaración para ver los datos de la tabla:

   SELECT * FROM `bqml_tutorial.movie_posters_results_formatted`;

   El resultado es similar al siguiente:

   +--------------------------------------------+----------------------------+------+
   | 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            |                            |      |
   +--------------------------------------------+----------------------------+------+
   

Borra el proyecto

Precaución: Borrar un proyecto tiene estas consecuencias:

• Se borra todo su contenido. Si usaste un proyecto existente para las tareas de este documento, cuando lo borres, también se borrará cualquier otro trabajo que hayas realizado en el proyecto.
• Se pierden los IDs personalizados de los proyectos. Cuando creaste este proyecto, es posible que hayas creado un ID personalizado del proyecto que desees utilizar en el futuro. Para conservar las URLs que usan el ID del proyecto, como una URL appspot.com, borra los recursos seleccionados dentro del proyecto, en lugar de todo el proyecto.

Si planeas explorar varios instructivos, arquitecturas o guías de inicio rápido, reutilizar proyectos puede ser útil para no exceder los límites de cuota de los proyectos.

1. En la Google Cloud consola, ve a la página Administrar recursos.

   Ir a Administrar recursos

2. En la lista de proyectos, elige el proyecto que tú quieres borrar y haz clic en Borrar.
3. En el diálogo, escribe el ID del proyecto y, luego, haz clic en Cerrar para borrar el proyecto.

Borra los recursos individuales

Si deseas volver a usar el proyecto, borra los recursos que creaste para el instructivo.

Borra el conjunto de datos

Console

Para borrar todo el conjunto de datos bqml_tutorial y todo su contenido, ejecuta el siguiente comando SQL:

DROP SCHEMA IF EXISTS `bqml_tutorial` CASCADE;

bq

Borra todo el conjunto de datos bqml_tutorial y todo su contenido:

bq rm -r bqml_tutorial

Borra la reserva

Console

Si creaste una reserva de BigQuery como parte de este instructivo, debes quitarla para evitar cargos continuos por ranuras.

1. En la Google Cloud consola de, ve a la página BigQuery.

   Ir a BigQuery

2. En el menú de navegación, haz clic en Administración de la capacidad.

3. En la tabla Reservas de ranuras, busca bqml-tutorial-reservation.

4. Haz clic en Ver acciones > Borrar.

bq

Si creaste una reserva de BigQuery llamada bqml-tutorial-reservation en la ubicación us, usa el siguiente comando para quitarla:

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

Borra la conexión

Console

1. En la Google Cloud consola de, ve a la página BigQuery.

   Ir a BigQuery

2. En el panel izquierdo, haz clic en Explorador, busca tu proyecto y, luego, haz clic en Conexiones.

3. En la tabla, busca tu conexión.

4. Haz clic en Ver acciones > Borrar.

bq

Borra la conexión:

bq rm --connection --location=us CONNECTION_ID

Reemplaza CONNECTION_ID por el ID real de tu conexión.

¿Qué sigue?

• Obtén más información sobre las funciones de IA generativa en BigQuery.
• Aprende a ajustar un modelo con tus datos.
• Explora arquitecturas de referencia, diagramas y prácticas recomendadas sobre Google Cloud. Consulta nuestro Cloud Architecture Center.