1. Genel Bakış
İlk kod laboratuvarında, bir pakete resim yükleyeceksiniz. Bu işlem, bir işlev tarafından işlenecek bir dosya oluşturma etkinliği oluşturur. İşlev, görüntü analizi yapmak için Vision API'ye bir çağrı yapar ve sonuçları bir veri deposuna kaydeder.
Neler öğreneceksiniz?
- Cloud Storage
- Cloud Functions
- Cloud Vision API
- Cloud Firestore
2. Kurulum ve Gereksinimler
Yönlendirmesiz ortam kurulumu
- Google Cloud Console'da oturum açın ve yeni bir proje oluşturun veya mevcut bir projeyi yeniden kullanın. Gmail veya Google Workspace hesabınız yoksa hesap oluşturmanız gerekir.
- Proje adı, bu projenin katılımcıları için görünen addır. Google API'leri tarafından kullanılmayan bir karakter dizesidir. Dilediğiniz zaman bunu güncelleyebilirsiniz.
- Proje kimliği, tüm Google Cloud projelerinde benzersiz olmalı ve sabittir (ayarlandıktan sonra değiştirilemez). Cloud Console otomatik olarak benzersiz bir dize oluşturur. Genellikle bu dizenin ne olduğuyla ilgilenmezsiniz. Çoğu codelab'de proje kimliğine (genellikle
PROJECT_IDolarak tanımlanır) başvurmanız gerekir. Oluşturulan kimliği beğenmezseniz başka bir rastgele kimlik oluşturabilirsiniz. Dilerseniz kendi adınızı deneyerek kullanılabilir olup olmadığını kontrol edebilirsiniz. Bu adımdan sonra değiştirilemez ve proje süresince geçerli kalır. - Bazı API'lerin kullandığı üçüncü bir değer olan Proje Numarası da vardır. Bu üç değer hakkında daha fazla bilgiyi belgelerde bulabilirsiniz.
- Ardından, Cloud kaynaklarını/API'lerini kullanmak için Cloud Console'da faturalandırmayı etkinleştirmeniz gerekir. Bu codelab'i tamamlamak neredeyse hiç maliyetli değildir. Bu eğitimin ötesinde faturalandırma ücreti alınmaması için kaynakları kapatmak üzere oluşturduğunuz kaynakları veya projenin tamamını silebilirsiniz. Google Cloud'un yeni kullanıcıları 300 ABD doları değerinde ücretsiz deneme programından yararlanabilir.
Cloud Shell'i başlatma
Google Cloud, dizüstü bilgisayarınızdan uzaktan çalıştırılabilir ancak bu codelab'de Cloud'da çalışan bir komut satırı ortamı olan Google Cloud Shell'i kullanacaksınız.
Google Cloud Console'da sağ üstteki araç çubuğunda Cloud Shell simgesini tıklayın:
Ortamın temel hazırlığı ve bağlantı kurulması yalnızca birkaç dakikanızı alır. İşlem tamamlandığında aşağıdakine benzer bir sonuç görürsünüz:
Bu sanal makine, ihtiyaç duyacağınız tüm geliştirme araçlarıyla birlikte gelir. 5 GB boyutunda kalıcı bir ana dizin sunar ve Google Cloud üzerinde çalışır. Bu sayede ağ performansı ve kimlik doğrulama önemli ölçüde güçlenir. Bu codelab'deki tüm çalışmalarınızı tarayıcıda yapabilirsiniz. Herhangi bir şey yüklemeniz gerekmez.
3. API'leri etkinleştir
Bu laboratuvarda Cloud Functions ve Vision API'yi kullanacaksınız ancak önce bunların Cloud Console'da veya gcloud ile etkinleştirilmesi gerekir.
Cloud Console'da Vision API'yi etkinleştirmek için arama çubuğunda Cloud Vision API simgesini arayın:
Cloud Vision API sayfasına yönlendirilirsiniz:
ENABLE düğmesini tıklayın.
Alternatif olarak, gcloud komut satırı aracını kullanarak Cloud Shell'de de etkinleştirebilirsiniz.
Cloud Shell'de aşağıdaki komutu çalıştırın:
gcloud services enable vision.googleapis.com
İşlemin başarıyla tamamlandığını görmeniz gerekir:
Operation "operations/acf.12dba18b-106f-4fd2-942d-fea80ecc5c1c" finished successfully.
Cloud Functions'ı da etkinleştirin:
gcloud services enable cloudfunctions.googleapis.com
4. Paketi oluşturma (konsol)
Resimler için bir depolama paketi oluşturun. Bu işlemi Google Cloud Platform Console'dan ( console.cloud.google.com) veya Cloud Shell ya da yerel geliştirme ortamınızdan gsutil komut satırı aracıyla yapabilirsiniz.
Depolama alanına gitme
"Hamburger" (☰) menüsünden Storage sayfasına gidin.
Paketinizi adlandırma
CREATE BUCKET düğmesini tıklayın.
CONTINUE simgesini tıklayın.
Konum seçme
Seçtiğiniz bölgede (burada Europe) çok bölgeli bir paket oluşturun.
CONTINUE simgesini tıklayın.
Varsayılan depolama sınıfını seçme
Verileriniz için Standard depolama sınıfını seçin.
CONTINUE simgesini tıklayın.
Erişim denetimini ayarlama
Herkese açık olarak erişilebilen resimlerle çalışacağınız için bu pakette depolanan tüm resimlerinizin aynı tek tip erişim denetimine sahip olmasını istiyorsunuz.
Uniform erişim denetimi seçeneğini belirleyin.
CONTINUE simgesini tıklayın.
Koruma/Şifreleme Ayarlama
Kendi şifreleme anahtarlarınızı kullanmayacağınız için varsayılanı (Google-managed key)) koruyun.
Paket oluşturma işlemini tamamlamak için CREATE simgesini tıklayın.
allUsers'ı depolama görüntüleyeni olarak ekleme
Permissions sekmesine gidin:
Kovaya allUsers rolüyle bir Storage > Storage Object Viewer üyesi ekleyin:
SAVE simgesini tıklayın.
5. Paketi oluşturma (gsutil)
Paket oluşturmak için Cloud Shell'deki gsutil komut satırı aracını da kullanabilirsiniz.
Cloud Shell'de benzersiz paket adı için bir değişken ayarlayın. Cloud Shell'de GOOGLE_CLOUD_PROJECT, benzersiz proje kimliğinize ayarlanmıştır. Bunu paket adına ekleyebilirsiniz.
Örneğin:
export BUCKET_PICTURES=uploaded-pictures-${GOOGLE_CLOUD_PROJECT}
Avrupa'da standart bir çok bölgeli bölge oluşturun:
gsutil mb -l EU gs://${BUCKET_PICTURES}
Tek tip paket düzeyinde erişim sağlama:
gsutil uniformbucketlevelaccess set on gs://${BUCKET_PICTURES}
Paketi herkese açık hale getirin:
gsutil iam ch allUsers:objectViewer gs://${BUCKET_PICTURES}
Konsolun Cloud Storage bölümüne giderseniz herkese açık bir uploaded-pictures paketi görmeniz gerekir:
Önceki adımda açıklandığı gibi, pakete resim yükleyebildiğinizi ve yüklenen resimlerin herkese açık olduğunu test edin.
6. Pakete herkese açık erişimi test etme
Depolama tarayıcısına geri döndüğünüzde, listenizde "Herkese açık" erişim izniyle (herkesin bu paketin içeriğine erişebileceğini hatırlatan bir uyarı işaretiyle birlikte) paketinizi görürsünüz.
Paketiniz artık resim almaya hazır.
Paket adını tıkladığınızda paket ayrıntılarını görürsünüz.
Burada, kovaya resim ekleyebildiğinizi test etmek için Upload files düğmesini deneyebilirsiniz. Dosya seçici pop-up penceresinde bir dosya seçmeniz istenir. Seçilen dosya, paketinizde yüklendikten sonra bu yeni dosyaya otomatik olarak atanan public erişimini tekrar görürsünüz.
Public erişim etiketinin yanında küçük bir bağlantı simgesi de görürsünüz. Bu URL tıklandığında tarayıcınız, söz konusu resmin herkese açık URL'sine yönlendirilir. Bu URL şu biçimde olur:
https://storage.googleapis.com/BUCKET_NAME/PICTURE_FILE.png
BUCKET_NAME, paketiniz için seçtiğiniz global olarak benzersiz ad, ardından resminizin dosya adı olmalıdır.
Resim adının yanındaki onay kutusunu tıkladığınızda DELETE düğmesi etkinleştirilir ve bu ilk resmi silebilirsiniz.
7. İşlevi oluşturma
Bu adımda, resim yükleme etkinliklerine tepki veren bir işlev oluşturacaksınız.
Google Cloud Console'un Cloud Functions bölümünü ziyaret edin. Bu sayfayı ziyaret ettiğinizde Cloud Functions hizmeti otomatik olarak etkinleştirilir.
Create function simgesini tıklayın.
Bir ad seçin (ör. picture-uploaded) ve Bölge (paket için bölge seçiminde tutarlı olmayı unutmayın):
İki tür işlev vardır:
- URL (ör. web API'si) üzerinden başlatılabilen HTTP işlevleri,
- Bazı etkinlikler tarafından tetiklenebilen arka plan işlevleri.
Cloud Storage paketimize yeni bir dosya yüklendiğinde tetiklenen bir arka plan işlevi oluşturmak istiyorsunuz:
Bir dosya, pakette oluşturulduğunda veya güncellendiğinde tetiklenen etkinlik olan Finalize/Create etkinlik türüyle ilgileniyorsunuz:
Cloud Functions'a bu pakette bir dosya oluşturulduğunda / güncellendiğinde bildirim göndermesini söylemek için daha önce oluşturulan paketi seçin:
Daha önce oluşturduğunuz paketi seçmek için Select, ardından Save simgesini tıklayın.
Sonraki'yi tıklamadan önce Çalışma zamanı, derleme, bağlantılar ve güvenlik ayarları bölümünde varsayılanları (256 MB bellek) genişletebilir ve değiştirebilir, 1 GB'a güncelleyebilirsiniz.
Next simgesini tıkladıktan sonra çalışma zamanı, kaynak kodu ve giriş noktası ayarlarını yapabilirsiniz.
Bu işlev için Inline editor değerini koruyun:
Node.js çalışma zamanlarından birini seçin:
Kaynak kodu, index.js JavaScript dosyasından ve çeşitli meta veriler ile bağımlılıklar sağlayan bir package.json dosyasından oluşur.
Varsayılan kod snippet'ini bırakın: Bu snippet, yüklenen resmin dosya adını günlüğe kaydeder:
Şimdilik test amacıyla yürütülecek işlevin adını helloGCS olarak tutun.
İşlevi oluşturup dağıtmak için Deploy simgesini tıklayın. Dağıtım başarılı olduğunda işlevler listesinde yeşil daire içinde bir onay işareti görürsünüz:
8. İşlevi test etme
Bu adımda, işlevin depolama etkinliklerine yanıt verdiğini test edin.
"Hamburger" (☰) menüsünden Storage sayfasına geri gidin.
Resimler grubunu ve ardından Upload files simgesini tıklayarak resim yükleyin.
Cloud Console'da tekrar gezinerek Logging > Logs Explorer sayfasına gidin.
İşlevlerinize ayrılmış günlükleri görmek için Log Fields seçicide Cloud Function simgesini seçin. Günlük Alanları'nda aşağı kaydırın. İşlevlerle ilgili günlükleri daha ayrıntılı şekilde görmek için belirli bir işlevi de seçebilirsiniz. picture-uploaded işlevini seçin.
İşlevin oluşturulmasından, başlangıç ve bitiş zamanlarından ve gerçek günlük ifademizden bahseden günlük öğelerini görmeniz gerekir:
Günlük ifademiz Processing file: pic-a-daily-architecture-events.png şeklindedir. Bu, bu resmin oluşturulması ve depolanmasıyla ilgili etkinliğin gerçekten beklendiği gibi tetiklendiği anlamına gelir.
9. Veritabanını hazırlama
Vision API tarafından verilen resimle ilgili bilgileri hızlı, tümüyle yönetilen, sunucusuz ve bulutta yerel bir NoSQL belge veritabanı olan Cloud Firestore veritabanında saklayacaksınız. Cloud Console'un Firestore bölümüne giderek veritabanınızı hazırlayın:
İki seçenek sunulur: Native mode veya Datastore mode. Çevrimdışı destek ve gerçek zamanlı senkronizasyon gibi ek özellikler sunan yerel modu kullanın.
SELECT NATIVE MODE simgesini tıklayın.
Çok bölgeli bir konum seçin (burada Avrupa'da, ancak ideal olarak işleviniz ve depolama paketinizle aynı bölge olmalıdır).
CREATE DATABASE düğmesini tıklayın.
Veritabanı oluşturulduktan sonra aşağıdakileri görürsünüz:
+ START COLLECTION düğmesini tıklayarak yeni bir koleksiyon oluşturun.
pictures adlı koleksiyonu adlandırın.
Doküman oluşturmanız gerekmez. Yeni resimler Cloud Storage'da depolanıp Vision API tarafından analiz edildikçe bunları programatik olarak ekleyeceksiniz.
Save simgesini tıklayın.
Firestore, yeni oluşturulan koleksiyonda ilk varsayılan dokümanı oluşturur. Bu doküman herhangi bir faydalı bilgi içermediğinden güvenle silebilirsiniz:
Koleksiyonumuzda programatik olarak oluşturulacak dokümanlar 4 alan içerir:
- name (dize): Yüklenen resmin dosya adı. Bu ad, belgenin anahtarıdır.
- labels (dize dizisi): Vision API tarafından tanınan öğelerin etiketleri
- color (dize): Baskın rengin onaltılık renk kodu (ör. #ab12ef)
- created (tarih): Bu resmin meta verilerinin depolandığı zaman damgası
- thumbnail (boolean): Bu resim için küçük resim oluşturulmuşsa mevcut olacak ve doğru olacak isteğe bağlı bir alan
Küçük resimleri olan fotoğrafları bulmak için Firestore'da arama yapacağımız ve oluşturulma tarihine göre sıralama yapacağımız için bir arama dizini oluşturmamız gerekir.
Cloud Shell'de aşağıdaki komutla dizini oluşturabilirsiniz:
gcloud firestore indexes composite create \
--collection-group=pictures \
--field-config field-path=thumbnail,order=descending \
--field-config field-path=created,order=descending
Alternatif olarak, sol taraftaki gezinme sütununda Indexes simgesini tıklayıp aşağıda gösterildiği gibi birleşik dizin oluşturarak da Cloud Console'dan yapabilirsiniz:
Create simgesini tıklayın. Dizin oluşturma işlemi birkaç dakika sürebilir.
10. İşlevi güncelleme
Resimlerimizi analiz etmek için Vision API'yi çağıran işlevi güncellemek ve meta verileri Firestore'da depolamak üzere Functions sayfasına geri dönün.
"Hamburger" (☰) menüsünden Cloud Functions bölümüne gidin, işlev adını tıklayın, Source sekmesini seçin ve ardından EDIT düğmesini tıklayın.
İlk olarak, Node.JS işlevimizin bağımlılıklarını listeleyen package.json dosyasını düzenleyin. Cloud Vision API NPM bağımlılığını eklemek için kodu güncelleyin:
{
"name": "picture-analysis-function",
"version": "0.0.1",
"dependencies": {
"@google-cloud/storage": "^1.6.0",
"@google-cloud/vision": "^1.8.0",
"@google-cloud/firestore": "^3.4.1"
}
}
Bağımlılıklar güncellendiğine göre, index.js dosyasını güncelleyerek işlevimizin kodu üzerinde çalışacaksınız.
index.js içindeki kodu aşağıdaki kodla değiştirin. Bu konu sonraki adımda açıklanacaktır.
const vision = require('@google-cloud/vision');
const Storage = require('@google-cloud/storage');
const Firestore = require('@google-cloud/firestore');
const client = new vision.ImageAnnotatorClient();
exports.vision_analysis = async (event, context) => {
console.log(`Event: ${JSON.stringify(event)}`);
const filename = event.name;
const filebucket = event.bucket;
console.log(`New picture uploaded ${filename} in ${filebucket}`);
const request = {
image: { source: { imageUri: `gs://${filebucket}/${filename}` } },
features: [
{ type: 'LABEL_DETECTION' },
{ type: 'IMAGE_PROPERTIES' },
{ type: 'SAFE_SEARCH_DETECTION' }
]
};
// invoking the Vision API
const [response] = await client.annotateImage(request);
console.log(`Raw vision output for: ${filename}: ${JSON.stringify(response)}`);
if (response.error === null) {
// listing the labels found in the picture
const labels = response.labelAnnotations
.sort((ann1, ann2) => ann2.score - ann1.score)
.map(ann => ann.description)
console.log(`Labels: ${labels.join(', ')}`);
// retrieving the dominant color of the picture
const color = response.imagePropertiesAnnotation.dominantColors.colors
.sort((c1, c2) => c2.score - c1.score)[0].color;
const colorHex = decColorToHex(color.red, color.green, color.blue);
console.log(`Colors: ${colorHex}`);
// determining if the picture is safe to show
const safeSearch = response.safeSearchAnnotation;
const isSafe = ["adult", "spoof", "medical", "violence", "racy"].every(k =>
!['LIKELY', 'VERY_LIKELY'].includes(safeSearch[k]));
console.log(`Safe? ${isSafe}`);
// if the picture is safe to display, store it in Firestore
if (isSafe) {
const pictureStore = new Firestore().collection('pictures');
const doc = pictureStore.doc(filename);
await doc.set({
labels: labels,
color: colorHex,
created: Firestore.Timestamp.now()
}, {merge: true});
console.log("Stored metadata in Firestore");
}
} else {
throw new Error(`Vision API error: code ${response.error.code}, message: "${response.error.message}"`);
}
};
function decColorToHex(r, g, b) {
return '#' + Number(r).toString(16).padStart(2, '0') +
Number(g).toString(16).padStart(2, '0') +
Number(b).toString(16).padStart(2, '0');
}
11. İşlevi keşfetme
Şimdi çeşitli ilginç bölümlere daha yakından bakalım.
İlk olarak, Vision, Storage ve Firestore için gereken modülleri istiyoruz:
const vision = require('@google-cloud/vision');
const Storage = require('@google-cloud/storage');
const Firestore = require('@google-cloud/firestore');
Ardından, Vision API için bir istemci hazırlıyoruz:
const client = new vision.ImageAnnotatorClient();
Şimdi de işlevimizin yapısını ele alalım. Node.js 8'de kullanıma sunulan async / await özelliklerini kullandığımız için işlevi eşzamansız hale getiriyoruz:
exports.vision_analysis = async (event, context) => {
...
const filename = event.name;
const filebucket = event.bucket;
...
}
İmzaya dikkat edin. Ayrıca, Cloud Function'ı tetikleyen dosyanın ve paketin adını nasıl aldığımıza da dikkat edin.
Referans olarak, etkinlik yükünün görünümü aşağıda verilmiştir:
{
"bucket":"uploaded-pictures",
"contentType":"image/png",
"crc32c":"efhgyA==",
"etag":"CKqB956MmucCEAE=",
"generation":"1579795336773802",
"id":"uploaded-pictures/Screenshot.png/1579795336773802",
"kind":"storage#object",
"md5Hash":"PN8Hukfrt6C7IyhZ8d3gfQ==",
"mediaLink":"https://www.googleapis.com/download/storage/v1/b/uploaded-pictures/o/Screenshot.png?generation=1579795336773802&alt=media",
"metageneration":"1",
"name":"Screenshot.png",
"selfLink":"https://www.googleapis.com/storage/v1/b/uploaded-pictures/o/Screenshot.png",
"size":"173557",
"storageClass":"STANDARD",
"timeCreated":"2020-01-23T16:02:16.773Z",
"timeStorageClassUpdated":"2020-01-23T16:02:16.773Z",
"updated":"2020-01-23T16:02:16.773Z"
}
Vision istemcisi üzerinden gönderilecek bir istek hazırlıyoruz:
const request = {
image: { source: { imageUri: `gs://${filebucket}/${filename}` } },
features: [
{ type: 'LABEL_DETECTION' },
{ type: 'IMAGE_PROPERTIES' },
{ type: 'SAFE_SEARCH_DETECTION' }
]
};
Vision API'nin 3 temel özelliğini istiyoruz:
- Etiket algılama: Bu resimlerde ne olduğunu anlamak için
- Resim özellikleri: Resmin ilgi çekici özelliklerini vermek için (Resmin baskın rengiyle ilgileniyoruz)
- Güvenli Arama: Resmin gösterilmesinin güvenli olup olmadığını öğrenmek için (yetişkinlere uygun, tıbbi, müstehcen veya şiddet barındıran içerik barındırmamalıdır)
Bu noktada, Vision API'yi çağırabiliriz:
const [response] = await client.annotateImage(request);
Referans olarak, Vision API'den gelen yanıtın nasıl göründüğünü aşağıda bulabilirsiniz:
{
"faceAnnotations": [],
"landmarkAnnotations": [],
"logoAnnotations": [],
"labelAnnotations": [
{
"locations": [],
"properties": [],
"mid": "/m/01yrx",
"locale": "",
"description": "Cat",
"score": 0.9959855675697327,
"confidence": 0,
"topicality": 0.9959855675697327,
"boundingPoly": null
},
✄ - - - ✄
],
"textAnnotations": [],
"localizedObjectAnnotations": [],
"safeSearchAnnotation": {
"adult": "VERY_UNLIKELY",
"spoof": "UNLIKELY",
"medical": "VERY_UNLIKELY",
"violence": "VERY_UNLIKELY",
"racy": "VERY_UNLIKELY",
"adultConfidence": 0,
"spoofConfidence": 0,
"medicalConfidence": 0,
"violenceConfidence": 0,
"racyConfidence": 0,
"nsfwConfidence": 0
},
"imagePropertiesAnnotation": {
"dominantColors": {
"colors": [
{
"color": {
"red": 203,
"green": 201,
"blue": 201,
"alpha": null
},
"score": 0.4175916016101837,
"pixelFraction": 0.44456374645233154
},
✄ - - - ✄
]
}
},
"error": null,
"cropHintsAnnotation": {
"cropHints": [
{
"boundingPoly": {
"vertices": [
{ "x": 0, "y": 118 },
{ "x": 1177, "y": 118 },
{ "x": 1177, "y": 783 },
{ "x": 0, "y": 783 }
],
"normalizedVertices": []
},
"confidence": 0.41695669293403625,
"importanceFraction": 1
}
]
},
"fullTextAnnotation": null,
"webDetection": null,
"productSearchResults": null,
"context": null
}
Hata döndürülmüyorsa devam edebiliriz. Bu nedenle, aşağıdaki if bloğunu kullanırız:
if (response.error === null) {
...
} else {
throw new Error(`Vision API error: code ${response.error.code},
message: "${response.error.message}"`);
}
Resimde tanınan nesnelerin, kategorilerin veya temaların etiketlerini alacağız:
const labels = response.labelAnnotations
.sort((ann1, ann2) => ann2.score - ann1.score)
.map(ann => ann.description)
Etiketleri önce en yüksek puana göre sıralıyoruz.
Resmin baskın rengini öğrenmek istiyoruz:
const color = response.imagePropertiesAnnotation.dominantColors.colors
.sort((c1, c2) => c2.score - c1.score)[0].color;
const colorHex = decColorToHex(color.red, color.green, color.blue);
Renkleri tekrar puana göre sıralayıp ilk rengi alıyoruz.
Ayrıca, kırmızı / yeşil / mavi değerlerini CSS stil sayfalarında kullanabileceğimiz onaltılık renk koduna dönüştürmek için bir yardımcı işlev kullanıyoruz.
Resmin gösterilmesinin güvenli olup olmadığını kontrol edelim:
const safeSearch = response.safeSearchAnnotation;
const isSafe = ["adult", "spoof", "medical", "violence", "racy"]
.every(k => !['LIKELY', 'VERY_LIKELY'].includes(safeSearch[k]));
Yetişkinlere uygun içerik, parodi, tıbbi içerik, şiddet ve müstehcenlik özelliklerinin olası veya çok olası olup olmadığını kontrol ediyoruz.
Güvenli arama sonucu uygunsa meta verileri Firestore'da saklayabiliriz:
if (isSafe) {
const pictureStore = new Firestore().collection('pictures');
const doc = pictureStore.doc(filename);
await doc.set({
labels: labels,
color: colorHex,
created: Firestore.Timestamp.now()
}, {merge: true});
}
12. İşlevi dağıtma
İşlevi dağıtma zamanı.
DEPLOY düğmesine basın. Yeni sürüm dağıtılır. İlerleme durumunu görebilirsiniz:
13. İşlevi tekrar test edin.
İşlev başarıyla dağıtıldıktan sonra Cloud Storage'a bir resim gönderecek, işlevimizin çağrılıp çağrılmadığını, Vision API'nin ne döndürdüğünü ve meta verilerin Firestore'da depolanıp depolanmadığını göreceksiniz.
Cloud Storage adresine geri gidin ve laboratuvarın başında oluşturduğumuz paketi tıklayın:
Paket ayrıntıları sayfasına girdikten sonra resim yüklemek için Upload files düğmesini tıklayın.
"Hamburger" (☰) menüsünden Logging > Logs Gezgini'ne gidin.
İşlevlerinize ayrılmış günlükleri görmek için Log Fields seçicide Cloud Function simgesini seçin. Günlük Alanları'nda aşağı kaydırın. İşlevlerle ilgili günlükleri daha ayrıntılı şekilde görmek için belirli bir işlevi de seçebilirsiniz. picture-uploaded işlevini seçin.
Günlükler listesinde, işlevimizin çağrıldığını görebiliyoruz:
Günlükler, işlev yürütülmesinin başlangıcını ve bitişini gösterir. Bu iki satır arasında, console.log() ifadeleriyle işlevimize yerleştirdiğimiz günlükleri görebiliriz. Gördüğümüz:
- İşlevimizi tetikleyen etkinliğin ayrıntıları,
- Vision API çağrısından alınan ham sonuçlar,
- Yüklediğimiz resimde bulunan etiketler,
- Baskın renkler bilgisi,
- Resmin gösterilmesinin güvenli olup olmadığı,
- Sonunda resimle ilgili bu meta veriler Firestore'da depolanır.
Yine "hamburger" (☰) menüsünden Firestore bölümüne gidin. Data alt bölümünde (varsayılan olarak gösterilir), yeni bir doküman eklenmiş pictures koleksiyonunu görmeniz gerekir. Bu doküman, az önce yüklediğiniz resme karşılık gelir:
14. Temizleme (isteğe bağlı)
Serideki diğer laboratuvarlarla devam etmeyi düşünmüyorsanız maliyetleri düşürmek ve genel olarak iyi bir bulut kullanıcısı olmak için kaynakları temizleyebilirsiniz. Kaynakları aşağıdaki şekilde tek tek temizleyebilirsiniz.
Paketi silme:
gsutil rb gs://${BUCKET_PICTURES}
İşlevi silme:
gcloud functions delete picture-uploaded --region europe-west1 -q
Koleksiyondan Koleksiyonu sil'i seçerek Firestore koleksiyonunu silin:
Alternatif olarak, projenin tamamını silebilirsiniz:
gcloud projects delete ${GOOGLE_CLOUD_PROJECT}
15. Tebrikler!
Tebrikler! Projenin ilk anahtar hizmetini başarıyla uyguladınız.
İşlediğimiz konular
- Cloud Storage
- Cloud Functions
- Cloud Vision API
- Cloud Firestore