Tutorial: esegui l'inferenza su una tabella degli oggetti utilizzando un modello di vettori di caratteristiche

Questo tutorial mostra come creare una tabella degli oggetti basata sulle immagini dal set di dati dei fiori, e poi eseguire l'inferenza su questa tabella degli oggetti utilizzando il modello MobileNet V3.

Il modello MobileNet V3

Il modello MobileNet V3 analizza i file immagine e restituisce un array di vettori di caratteristiche. L'array di vettori di caratteristiche è un elenco di elementi numerici che descrivono le caratteristiche delle immagini analizzate. Ogni vettore di caratteristiche descrive uno spazio di caratteristiche multidimensionale e fornisce le coordinate dell'immagine in questo spazio. Puoi utilizzare le informazioni sui vettori di caratteristiche di un'immagine per classificarla ulteriormente, ad esempio utilizzando la similarità del coseno per raggruppare immagini simili.

L'input del modello MobileNet V3 accetta un tensore di DType tf.float32 nella forma [-1, 224, 224, 3]. L'output è un array di tensori di tf.float32 nella forma [-1, 1024].

Autorizzazioni obbligatorie

• Per creare il set di dati, devi disporre dell'autorizzazione bigquery.datasets.create.

• Per creare la risorsa di connessione, devi disporre delle seguenti autorizzazioni:

  • bigquery.connections.create
  • bigquery.connections.get

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

  • resourcemanager.projects.setIamPolicy

• Per creare la tabella degli oggetti, devi disporre delle seguenti autorizzazioni:

  • bigquery.tables.create
  • bigquery.tables.update
  • bigquery.connections.delegate

• Per creare il bucket, devi disporre dell'autorizzazione storage.buckets.create.

• Per caricare il set di dati e il modello in Cloud Storage, devi disporre delle autorizzazioni storage.objects.create e storage.objects.get.

• Per caricare il modello in BigQuery ML, devi disporre delle seguenti autorizzazioni:

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

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

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

Costi

In questo documento vengono utilizzati i seguenti componenti fatturabili di Google Cloud:

• BigQuery: You incur storage costs for the object table you create in BigQuery.
• BigQuery ML: You incur costs for the model you create and the inference you perform in BigQuery ML.
• Cloud Storage: You incur costs for the objects you store in Cloud Storage.

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 senza costi.

Per ulteriori informazioni sui prezzi di archiviazione di BigQuery, consulta la sezione Prezzi di archiviazione nella documentazione di BigQuery.

Per ulteriori informazioni sui prezzi di BigQuery ML, consulta la sezione Prezzi di BigQuery ML in nella documentazione di BigQuery.

Per maggiori informazioni sui prezzi di Cloud Storage, consulta la pagina dei prezzi di Cloud Storage.

Prima di iniziare

Accedi al tuo Google Cloud account. Se non conosci Google Cloud, crea un account per valutare le prestazioni dei nostri prodotti in scenari reali. I nuovi clienti ricevono anche 300 $di crediti senza costi per l'esecuzione, il test e il deployment dei workload.

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

Roles required to select or create a project

• Select a project: Selecting a project doesn't require a specific IAM role—you can select any project that you've been granted a role on.
• Create a project: To create a project, you need the Project Creator role (roles/resourcemanager.projectCreator), which contains the resourcemanager.projects.create permission. Learn how to grant roles.

Note: If you don't plan to keep the resources that you create in this procedure, create a project instead of selecting an existing project. After you finish these steps, you can delete the project, removing all resources associated with the project.

Go to project selector

Verify that billing is enabled for your Google Cloud project.

Enable the BigQuery and BigQuery Connection API APIs.

Roles required to enable APIs

To enable APIs, you need the Service Usage Admin IAM role (roles/serviceusage.serviceUsageAdmin), which contains the serviceusage.services.enable permission. Learn how to grant roles.

Enable the APIs

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

Roles required to select or create a project

• Select a project: Selecting a project doesn't require a specific IAM role—you can select any project that you've been granted a role on.
• Create a project: To create a project, you need the Project Creator role (roles/resourcemanager.projectCreator), which contains the resourcemanager.projects.create permission. Learn how to grant roles.

Note: If you don't plan to keep the resources that you create in this procedure, create a project instead of selecting an existing project. After you finish these steps, you can delete the project, removing all resources associated with the project.

Go to project selector

Verify that billing is enabled for your Google Cloud project.

Enable the BigQuery and BigQuery Connection API APIs.

Roles required to enable APIs

To enable APIs, you need the Service Usage Admin IAM role (roles/serviceusage.serviceUsageAdmin), which contains the serviceusage.services.enable permission. Learn how to grant roles.

Enable the APIs

Crea una prenotazione

Per utilizzare un modello importato con una tabella degli oggetti, devi creare una prenotazione che utilizzi l'edizione BigQuery Enterprise o Enterprise Plus, quindi creare un'assegnazione di prenotazione che utilizzi il tipo di prestazione QUERY.

Crea un set di dati

Crea un set di dati denominato mobilenet_inference_test:

SQL

1. Vai alla pagina BigQuery.

   Vai a BigQuery

2. Nel riquadro Editor, esegui la seguente istruzione SQL:

   CREATE SCHEMA `PROJECT_ID.mobilenet_inference_test`;

   Sostituisci PROJECT_ID con l'ID progetto.

bq

1. Nella Google Cloud console, attiva Cloud Shell.

   Attiva Cloud Shell

2. Esegui il bq mk comando per creare il set di dati:

   bq mk --dataset --location=us PROJECT_ID:resnet_inference_test

   Sostituisci PROJECT_ID con l'ID progetto.

Crea una connessione

Crea una connessione denominata lake-connection:

Console

1. Vai alla pagina BigQuery.

   Vai a BigQuery

2. Nel riquadro a sinistra, fai clic su Spazio di esplorazione:

   

   Se non vedi il riquadro a sinistra, fai clic su Espandi riquadro a sinistra per aprirlo.

3. Nel riquadro Spazio di esplorazione, fai clic su Aggiungi dati.

   Si apre la finestra di dialogo Aggiungi dati.

4. Nel riquadro Filtra per, nella sezione Tipo di origine dati, seleziona Database.

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

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

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

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

8. Nel campo ID connessione, digita lake-connection.

9. Fai clic su Crea connessione.`

10. Nel riquadro Spazio di esplorazione , espandi il progetto, fai clic su Connessioni e seleziona la us.lake-connection connessione.

11. Nel riquadro Informazioni sulla connessione, copia il valore dal campo ID account di servizio. Queste informazioni sono necessarie per concedere l'autorizzazione al account di servizio della connessione nel bucket Cloud Storage che crei nel passaggio successivo.

bq

1. In Cloud Shell, esegui il bq mk comando per creare la connessione:

   bq mk --connection --location=us --connection_type=CLOUD_RESOURCE \
   lake-connection
   

2. Esegui il bq show comando per recuperare le informazioni sulla connessione:

   bq show --connection us.lake-connection
   

3. Dalla colonna properties, copia il valore della proprietà serviceAccountId e salvalo da qualche parte. Queste informazioni sono necessarie per concedere le autorizzazioni al account di servizio della connessione.

Crea un bucket Cloud Storage

1. Crea un bucket Cloud Storage.
2. Crea due cartelle nel bucket, una denominata mobilenet per i file del modello e una denominata flowers per il set di dati.

Concedi le autorizzazioni al account di servizio della connessione

Console

1. Vai alla pagina IAM e amministrazione.

   Vai a IAM e amministrazione

2. Fai clic su Concedi l'accesso.

   Si apre 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 Cloud Storage e poi seleziona Visualizzatore oggetti Storage.

5. Fai clic su Salva.

gcloud

In Cloud Shell, esegui il gcloud storage buckets add-iam-policy-binding comando:

gcloud storage buckets add-iam-policy-binding gs://BUCKET_NAME \
--member=serviceAccount:MEMBER \
--role=roles/storage.objectViewer

Sostituisci MEMBER con l'ID del account di servizio che hai copiato in precedenza. Sostituisci BUCKET_NAME con il nome del bucket che hai creato in precedenza.

Per maggiori informazioni, consulta Aggiungere un'entità a un criterio a livello di bucket.

Nota: potrebbe essere necessario attendere fino a un minuto prima che le nuove autorizzazioni diventino effettive.

Carica il set di dati in Cloud Storage

Recupera i file del set di dati e rendili disponibili in Cloud Storage:

1. Scarica il set di dati dei fiori sulla tua macchina locale.
2. Decomprimi il file flower_photos.tgz.
3. Carica la cartella flower_photos nella cartella flowers del bucket che hai creato in precedenza.
4. Al termine del caricamento, elimina il file LICENSE.txt nella cartella flower_photos.

Crea una tabella degli oggetti

Crea una tabella degli oggetti denominata sample_images basata sul set di dati dei fiori che hai caricato:

SQL

1. Vai alla pagina BigQuery.

   Vai a BigQuery

2. Nel riquadro Editor, esegui la seguente istruzione SQL:

   CREATE EXTERNAL TABLE mobilenet_inference_test.sample_images
   WITH CONNECTION `us.lake-connection`
   OPTIONS(
     object_metadata = 'SIMPLE',
     uris = ['gs://BUCKET_NAME/flowers/*']);

   Sostituisci BUCKET_NAME con il nome del bucket che hai creato in precedenza.

bq

In Cloud Shell, esegui il bq mk comando per creare la connessione:

bq mk --table \
--external_table_definition='gs://BUCKET_NAME/flowers/*@us.lake-connection' \
--object_metadata=SIMPLE \
mobilenet_inference_test.sample_images

Sostituisci BUCKET_NAME con il nome del bucket che hai creato in precedenza.

Carica il modello in Cloud Storage

Recupera i file del modello e rendili disponibili in Cloud Storage:

1. Scarica il modello MobileNet V3 sulla tua macchina locale. Verranno creati un file saved_model.pb e una cartella variables per il modello.
2. Carica il file saved_model.pb e la cartella variables nella cartella mobilenet del bucket che hai creato in precedenza.

Carica il modello in BigQuery ML

1. Vai alla pagina BigQuery.

   Vai a BigQuery

2. Nel riquadro Editor, esegui la seguente istruzione SQL:

   CREATE MODEL `mobilenet_inference_test.mobilenet`
   OPTIONS(
     model_type = 'TENSORFLOW',
     model_path = 'gs://BUCKET_NAME/mobilenet/*');

   Sostituisci BUCKET_NAME con il nome del bucket che hai creato in precedenza.

Ispeziona il modello

Ispeziona il modello caricato per vedere quali sono i campi di input e output:

1. Vai alla pagina BigQuery.

   Vai a BigQuery

2. Nel riquadro a sinistra, fai clic su Spazio di esplorazione:

   

3. Nel riquadro Spazio di esplorazione, espandi il progetto, fai clic su Set di dati e poi sul set di dati mobilenet_inference_test.

4. Vai alla scheda Modelli.

5. Fai clic sul modello mobilenet.

6. Nel riquadro del modello che si apre, fai clic sulla scheda Schema.

7. Esamina la sezione Etichette. Questa sezione identifica i campi di output del modello. In questo caso, il valore del nome del campo è feature_vector.

8. Esamina la sezione Caratteristiche. Questa sezione identifica i campi che devono essere inseriti nel modello. Fai riferimento a questi campi nell'istruzione SELECT per la funzione ML.DECODE_IMAGE. In questo caso, il valore del nome del campo è inputs.

Esegui l'inferenza

Esegui l'inferenza sulla tabella degli oggetti sample_images utilizzando il modello mobilenet:

1. Vai alla pagina BigQuery.

   Vai a BigQuery

2. Nel riquadro Editor, esegui la seguente istruzione SQL:

   SELECT *
   FROM ML.PREDICT(
     MODEL `mobilenet_inference_test.mobilenet`,
     (SELECT uri, ML.RESIZE_IMAGE(ML.DECODE_IMAGE(data), 224, 224, FALSE) AS inputs
     FROM mobilenet_inference_test.sample_images)
   );

   I risultati dovrebbero essere simili ai seguenti:

   --------------------------------------------------------------------------------------------------------------
   | feature_vector         | uri                                                        | inputs               |
   —-------------------------------------------------------------------------------------------------------------
   | 0.850297749042511      | gs://mybucket/flowers/dandelion/3844111216_742ea491a0.jpg  | 0.29019609093666077  |
   —-------------------------------------------------------------------------------------------------------------
   | -0.27427938580513      |                                                            | 0.31372550129890442  |
   —-------------------------                                                            ------------------------
   | -0.23189745843410492   |                                                            | 0.039215687662363052 |
   —-------------------------                                                            ------------------------
   | -0.058292809873819351  |                                                            | 0.29985997080802917  |
   —-------------------------------------------------------------------------------------------------------------
   

Libera spazio

Attenzione: l'eliminazione di un progetto ha i seguenti effetti:

• L'intero contenuto del progetto viene eliminato. Se hai utilizzato un progetto esistente per, le attività descritte in questo documento, eliminerai anche tutto il lavoro che hai svolto nel progetto.
• Gli ID progetto personalizzati non sono più disponibili. Quando hai creato questo progetto, potresti aver creato un ID progetto personalizzato che vuoi utilizzare in futuro. Per conservare gli URL che utilizzano l'ID progetto, ad esempio un URL appspot.com, elimina le risorse selezionate all'interno del progetto anziché eliminare l'intero progetto.

Se intendi esplorare più architetture, tutorial o guide rapide, puoi riutilizzare i progetti ed evitare così di superare i limiti di quota.

1. Nella Google Cloud console, vai alla pagina Gestisci risorse.

   Vai a Gestisci risorse

2. Nell'elenco dei progetti, seleziona il progetto che vuoi eliminare, quindi fai clic su Elimina.
3. Nella finestra di dialogo, digita l'ID progetto e fai clic su Chiudi per eliminare il progetto.