১. ভূমিকা
সংক্ষিপ্ত বিবরণ
এই কোডল্যাবে, আপনি Node.js-এ লেখা একটি ক্লাউড রান সার্ভিস তৈরি করবেন যা একটি ভিডিওর প্রতিটি দৃশ্যের ভিজ্যুয়াল বর্ণনা প্রদান করে। প্রথমে, আপনার সার্ভিসটি ভিডিও ইন্টেলিজেন্স এপিআই (Video Intelligence API) ব্যবহার করে যখনই কোনো দৃশ্য পরিবর্তন হয়, তার টাইমস্ট্যাম্প শনাক্ত করবে। এরপর, আপনার সার্ভিসটি ffmpeg নামক একটি থার্ড-পার্টি বাইনারি ব্যবহার করে প্রতিটি দৃশ্য-পরিবর্তনের টাইমস্ট্যাম্পের জন্য একটি স্ক্রিনশট ক্যাপচার করবে। সবশেষে, স্ক্রিনশটগুলোর ভিজ্যুয়াল বর্ণনা দেওয়ার জন্য ভার্টেক্স এআই ভিজ্যুয়াল ক্যাপশনিং (Vertex AI visual captioning) ব্যবহার করা হয়।
এই কোডল্যাবটি আরও দেখায় যে, কীভাবে আপনার ক্লাউড রান সার্ভিসের মধ্যে ffmpeg ব্যবহার করে একটি নির্দিষ্ট টাইমস্ট্যাম্পে ভিডিও থেকে ছবি ক্যাপচার করা যায়। যেহেতু ffmpeg আলাদাভাবে ইনস্টল করতে হয়, তাই এই কোডল্যাবটি আপনাকে দেখায় কীভাবে আপনার ক্লাউড রান সার্ভিসের অংশ হিসেবে ffmpeg ইনস্টল করার জন্য একটি ডকারফাইল তৈরি করতে হয়।
ক্লাউড রান পরিষেবাটি কীভাবে কাজ করে তার একটি চিত্র এখানে দেওয়া হলো:
আপনি যা শিখবেন
- ডকারফাইল ব্যবহার করে কীভাবে একটি থার্ড-পার্টি বাইনারি ইনস্টল করার জন্য কন্টেইনার ইমেজ তৈরি করতে হয়
- অন্যান্য গুগল ক্লাউড পরিষেবা কল করার জন্য ক্লাউড রান পরিষেবার জন্য একটি পরিষেবা অ্যাকাউন্ট তৈরি করে কীভাবে ন্যূনতম বিশেষাধিকারের নীতি অনুসরণ করবেন
- ক্লাউড রান পরিষেবা থেকে ভিডিও ইন্টেলিজেন্স ক্লায়েন্ট লাইব্রেরি কীভাবে ব্যবহার করবেন
- Vertex AI থেকে প্রতিটি দৃশ্যের ভিজ্যুয়াল বিবরণ পেতে Google API-তে কীভাবে কল করতে হয়
২. সেটআপ এবং প্রয়োজনীয়তা
পূর্বশর্ত
- আপনি ক্লাউড কনসোলে লগ ইন করেছেন।
- আপনি পূর্বে একটি ক্লাউড রান সার্ভিস ডেপ্লয় করেছেন। উদাহরণস্বরূপ, কাজ শুরু করার জন্য আপনি ‘ ডিপ্লয় এ ওয়েব সার্ভিস ফ্রম সোর্স কোড’ কুইকস্টার্টটি অনুসরণ করতে পারেন।
ক্লাউড শেল সক্রিয় করুন
- ক্লাউড কনসোল থেকে, অ্যাক্টিভেট ক্লাউড শেল-এ ক্লিক করুন।
.
আপনি যদি প্রথমবারের মতো ক্লাউড শেল চালু করেন, তাহলে এটি কী তা বর্ণনা করে একটি মধ্যবর্তী স্ক্রিন আপনার সামনে আসবে। যদি একটি মধ্যবর্তী স্ক্রিন আসে, তাহলে 'চালিয়ে যান' (Continue) এ ক্লিক করুন।
ক্লাউড শেল প্রস্তুত করতে এবং এর সাথে সংযোগ স্থাপন করতে মাত্র কয়েক মুহূর্ত সময় লাগা উচিত।
এই ভার্চুয়াল মেশিনটিতে প্রয়োজনীয় সমস্ত ডেভেলপমেন্ট টুলস লোড করা আছে। এটি একটি স্থায়ী ৫ জিবি হোম ডিরেক্টরি প্রদান করে এবং গুগল ক্লাউডে চলে, যা নেটওয়ার্ক পারফরম্যান্স ও অথেনটিকেশনকে ব্যাপকভাবে উন্নত করে। এই কোডল্যাবে আপনার প্রায় সমস্ত কাজই একটি ব্রাউজার দিয়ে করা সম্ভব।
ক্লাউড শেলে সংযুক্ত হওয়ার পর, আপনি দেখতে পাবেন যে আপনাকে প্রমাণীকৃত করা হয়েছে এবং প্রজেক্টটি আপনার প্রজেক্ট আইডিতে সেট করা আছে।
- আপনি প্রমাণীকৃত কিনা তা নিশ্চিত করতে ক্লাউড শেলে নিম্নলিখিত কমান্ডটি চালান:
gcloud auth list
কমান্ড আউটপুট
Credentialed Accounts
ACTIVE ACCOUNT
* <my_account>@<my_domain.com>
To set the active account, run:
$ gcloud config set account `ACCOUNT`
- gcloud কমান্ডটি আপনার প্রজেক্ট সম্পর্কে জানে কিনা তা নিশ্চিত করতে ক্লাউড শেলে নিম্নলিখিত কমান্ডটি চালান:
gcloud config list project
কমান্ড আউটপুট
[core] project = <PROJECT_ID>
যদি তা না থাকে, তবে আপনি এই কমান্ডটি দিয়ে এটি সেট করতে পারেন:
gcloud config set project <PROJECT_ID>
কমান্ড আউটপুট
Updated property [core/project].
৩. এপিআই সক্রিয় করুন এবং এনভায়রনমেন্ট ভেরিয়েবল সেট করুন
এই কোডল্যাবটি ব্যবহার শুরু করার আগে, আপনাকে কয়েকটি এপিআই (API) সক্রিয় করতে হবে। এই কোডল্যাবটির জন্য নিম্নলিখিত এপিআইগুলো ব্যবহার করা প্রয়োজন। আপনি নিম্নলিখিত কমান্ডটি চালিয়ে সেই এপিআইগুলো সক্রিয় করতে পারেন:
gcloud services enable run.googleapis.com \
storage.googleapis.com \
cloudbuild.googleapis.com \
videointelligence.googleapis.com \
aiplatform.googleapis.com
তারপর আপনি এনভায়রনমেন্ট ভেরিয়েবল সেট করতে পারবেন, যেগুলো এই কোডল্যাব জুড়ে ব্যবহৃত হবে।
REGION=<YOUR-REGION> PROJECT_ID=<YOUR-PROJECT-ID> PROJECT_NUMBER=$(gcloud projects describe $PROJECT_ID --format='value(projectNumber)') SERVICE_NAME=video-describer export BUCKET_ID=$PROJECT_ID-video-describer
৪. একটি ক্লাউড স্টোরেজ বাকেট তৈরি করুন
নিম্নলিখিত কমান্ড ব্যবহার করে একটি ক্লাউড স্টোরেজ বাকেট তৈরি করুন যেখানে আপনি ক্লাউড রান পরিষেবা দ্বারা প্রক্রিয়াকরণের জন্য ভিডিও আপলোড করতে পারবেন:
gsutil mb -l us-central1 gs://$BUCKET_ID/
[ঐচ্ছিক] আপনি এই নমুনা ভিডিওটি আপনার ডিভাইসে ডাউনলোড করে ব্যবহার করতে পারেন।
gsutil cp gs://cloud-samples-data/video/visionapi.mp4 testvideo.mp4
এখন আপনার ভিডিও ফাইলটি আপনার স্টোরেজ বাকেটে আপলোড করুন।
FILENAME=<YOUR-VIDEO-FILENAME> gsutil cp $FILENAME gs://$BUCKET_ID
৫. Node.js অ্যাপটি তৈরি করুন।
প্রথমে, সোর্স কোডের জন্য একটি ডিরেক্টরি তৈরি করুন এবং সেই ডিরেক্টরিতে প্রবেশ করুন।
mkdir video-describer && cd $_
এরপর, নিম্নলিখিত বিষয়বস্তু সহ একটি package.json ফাইল তৈরি করুন:
{
"name": "video-describer",
"version": "1.0.0",
"private": true,
"description": "describes the image in every scene for a given video",
"main": "index.js",
"author": "Google LLC",
"license": "Apache-2.0",
"scripts": {
"start": "node index.js"
},
"dependencies": {
"@google-cloud/storage": "^7.7.0",
"@google-cloud/video-intelligence": "^5.0.1",
"axios": "^1.6.2",
"express": "^4.18.2",
"fluent-ffmpeg": "^2.1.2",
"google-auth-library": "^9.4.1"
}
}
এই অ্যাপটিতে উন্নত পাঠযোগ্যতার জন্য বেশ কয়েকটি সোর্স ফাইল রয়েছে। প্রথমে, নিচের বিষয়বস্তু দিয়ে একটি index.js সোর্স ফাইল তৈরি করুন। এই ফাইলে সার্ভিসের এন্ট্রি পয়েন্ট এবং অ্যাপটির মূল লজিক রয়েছে।
const { captureImages } = require('./imageCapture.js');
const { detectSceneChanges } = require('./sceneDetector.js');
const transcribeScene = require('./imageDescriber.js');
const { Storage } = require('@google-cloud/storage');
const fs = require('fs').promises;
const path = require('path');
const express = require('express');
const app = express();
const bucketName = process.env.BUCKET_ID;
const port = parseInt(process.env.PORT) || 8080;
app.listen(port, () => {
console.log(`video describer service ready: listening on port ${port}`);
});
// entry point for the service
app.get('/', async (req, res) => {
try {
// download the requested video from Cloud Storage
let videoFilename = req.query.filename;
console.log("processing file: " + videoFilename);
// download the file to locally to the Cloud Run instance
let localFilename = await downloadVideoFile(videoFilename);
// detect all the scenes in the video & save timestamps to an array
let timestamps = await detectSceneChanges(localFilename);
console.log("Detected scene changes at the following timestamps: ", timestamps);
// create an image of each scene change
// and save to a local directory called "output"
await captureImages(localFilename, timestamps);
// get an access token for the Service Account to call the Google APIs
let accessToken = await transcribeScene.getAccessToken();
console.log("got an access token");
let imageBaseName = path.parse(localFilename).name;
// the data structure for storing the scene description and timestamp
// e.g. an array of json objects {timestamp: 1, description: "..."}, etc.
let scenes = []
// for each timestamp, send the image to Vertex AI
console.log("getting Vertex AI description all the timestamps");
scenes = await Promise.all(
timestamps.map(async (timestamp) => {
let filepath = path.join("./output", imageBaseName + "-" + timestamp + ".png");
// get the base64 encoded image
const encodedFile = await fs.readFile(filepath, 'base64');
// send each screenshot to Vertex AI for description
let description = await transcribeScene.transcribeScene(accessToken, encodedFile)
return { timestamp: timestamp, description: description };
}));
console.log("finished collecting all the scenes");
//console.log(scenes);
return res.json(scenes);
} catch (error) {
//return an error
console.log("received error: ", error);
return res.status(500).json("an internal error occurred");
}
});
async function downloadVideoFile(videoFilename) {
// Creates a client
const storage = new Storage();
// keep same name locally
let localFilename = videoFilename;
const options = {
destination: localFilename
};
// Download the file
await storage.bucket(bucketName).file(videoFilename).download(options);
console.log(
`gs://${bucketName}/${videoFilename} downloaded locally to ${localFilename}.`
);
return localFilename;
}
এরপরে, নিম্নলিখিত বিষয়বস্তু সহ একটি sceneDetector.js ফাইল তৈরি করুন। এই ফাইলটি ভিডিওতে কখন দৃশ্য পরিবর্তন হয় তা শনাক্ত করতে ভিডিও ইন্টেলিজেন্স এপিআই (Video Intelligence API) ব্যবহার করে।
const fs = require('fs');
const util = require('util');
const readFile = util.promisify(fs.readFile);
const ffmpeg = require('fluent-ffmpeg');
const Video = require('@google-cloud/video-intelligence');
const client = new Video.VideoIntelligenceServiceClient();
module.exports = {
detectSceneChanges: async function (downloadedFile) {
// Reads a local video file and converts it to base64
const file = await readFile(downloadedFile);
const inputContent = file.toString('base64');
// setup request for shot change detection
const videoContext = {
speechTranscriptionConfig: {
languageCode: 'en-US',
enableAutomaticPunctuation: true,
},
};
const request = {
inputContent: inputContent,
features: ['SHOT_CHANGE_DETECTION'],
};
// Detects camera shot changes
const [operation] = await client.annotateVideo(request);
console.log('Shot (scene) detection in progress...');
const [operationResult] = await operation.promise();
// Gets shot changes
const shotChanges = operationResult.annotationResults[0].shotAnnotations;
console.log("Shot (scene) changes detected: " + shotChanges.length);
// data structure to be returned
let sceneChanges = [];
// for the initial scene
sceneChanges.push(1);
// if only one scene, keep at 1 second
if (shotChanges.length === 1) {
return sceneChanges;
}
// get length of video
const videoLength = await getVideoLength(downloadedFile);
shotChanges.forEach((shot, shotIndex) => {
if (shot.endTimeOffset === undefined) {
shot.endTimeOffset = {};
}
if (shot.endTimeOffset.seconds === undefined) {
shot.endTimeOffset.seconds = 0;
}
if (shot.endTimeOffset.nanos === undefined) {
shot.endTimeOffset.nanos = 0;
}
// convert to a number
let currentTimestampSecond = Number(shot.endTimeOffset.seconds);
let sceneChangeTime = 0;
// double-check no scenes were detected within the last second
if (currentTimestampSecond + 1 > videoLength) {
sceneChangeTime = currentTimestampSecond;
} else {
// otherwise, for simplicity, just round up to the next second
sceneChangeTime = currentTimestampSecond + 1;
}
sceneChanges.push(sceneChangeTime);
});
return sceneChanges;
}
}
async function getVideoLength(localFile) {
let getLength = util.promisify(ffmpeg.ffprobe);
let length = await getLength(localFile);
console.log("video length: ", length.format.duration);
return length.format.duration;
}
এখন imageCapture.js নামে একটি ফাইল তৈরি করুন এবং তাতে নিম্নলিখিত বিষয়বস্তু রাখুন। এই ফাইলটি একটি নোড অ্যাপের ভেতর থেকে ffmpeg কমান্ড চালানোর জন্য fluent-ffmpeg নোড প্যাকেজটি ব্যবহার করে।
const ffmpeg = require('fluent-ffmpeg');
const path = require('path');
const util = require('util');
module.exports = {
captureImages: async function (localFile, scenes) {
let imageBaseName = path.parse(localFile).name;
try {
for (scene of scenes) {
console.log("creating screenshot for scene: ", + scene);
await createScreenshot(localFile, imageBaseName, scene);
}
} catch (error) {
console.log("error gathering screenshots: ", error);
}
console.log("finished gathering the screenshots");
}
}
async function createScreenshot(localFile, imageBaseName, scene) {
return new Promise((resolve, reject) => {
ffmpeg(localFile)
.screenshots({
timestamps: [scene],
filename: `${imageBaseName}-${scene}.png`,
folder: 'output',
size: '320x240'
}).on("error", () => {
console.log("Failed to create scene for timestamp: " + scene);
return reject('Failed to create scene for timestamp: ' + scene);
})
.on("end", () => {
return resolve();
});
})
}
সবশেষে, `imageDescriber.js` নামে একটি ফাইল তৈরি করুন এবং তাতে নিম্নলিখিত বিষয়বস্তু যোগ করুন। এই ফাইলটি প্রতিটি সিন ইমেজের ভিজ্যুয়াল বর্ণনা পেতে Vertex AI ব্যবহার করে।
const axios = require("axios");
const { GoogleAuth } = require('google-auth-library');
const auth = new GoogleAuth({
scopes: 'https://www.googleapis.com/auth/cloud-platform'
});
module.exports = {
getAccessToken: async function () {
return await auth.getAccessToken();
},
transcribeScene: async function(token, encodedFile) {
let projectId = await auth.getProjectId();
let config = {
headers: {
'Authorization': 'Bearer ' + token,
'Content-Type': 'application/json; charset=utf-8'
}
}
const json = {
"instances": [
{
"image": {
"bytesBase64Encoded": encodedFile
}
}
],
"parameters": {
"sampleCount": 1,
"language": "en"
}
}
let response = await axios.post('https://us-central1-aiplatform.googleapis.com/v1/projects/' + projectId + '/locations/us-central1/publishers/google/models/imagetext:predict', json, config);
return response.data.predictions[0];
}
}
একটি Dockerfile এবং একটি .dockerignore ফাইল তৈরি করুন।
যেহেতু এই পরিষেবাটি ffmpeg ব্যবহার করে, তাই আপনাকে একটি Dockerfile তৈরি করতে হবে যা ffmpeg ইনস্টল করবে।
Dockerfile নামে একটি ফাইল তৈরি করুন এবং তাতে নিম্নলিখিত বিষয়বস্তু রাখুন:
# Copyright 2020 Google, LLC. # # Licensed under the Apache License, Version 2.0 (the "License"); # you may not use this file except in compliance with the License. # You may obtain a copy of the License at # # http://www.apache.org/licenses/LICENSE-2.0 # # Unless required by applicable law or agreed to in writing, software # distributed under the License is distributed on an "AS IS" BASIS, # WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied. # See the License for the specific language governing permissions and # limitations under the License. # Use the official lightweight Node.js image. # https://hub.docker.com/_/node FROM node:20.10.0-slim # Create and change to the app directory. WORKDIR /usr/src/app RUN apt-get update && apt-get install -y ffmpeg # Copy application dependency manifests to the container image. # A wildcard is used to ensure both package.json AND package-lock.json are copied. # Copying this separately prevents re-running npm install on every code change. COPY package*.json ./ # Install dependencies. # If you add a package-lock.json speed your build by switching to 'npm ci'. # RUN npm ci --only=production RUN npm install --production # Copy local code to the container image. COPY . . # Run the web service on container startup. CMD [ "npm", "start" ]
এবং নির্দিষ্ট কিছু ফাইলকে কন্টেইনারাইজ করা থেকে বিরত রাখতে .dockerignore নামে একটি ফাইল তৈরি করুন।
Dockerfile .dockerignore node_modules npm-debug.log
৬. একটি পরিষেবা অ্যাকাউন্ট তৈরি করুন
ক্লাউড স্টোরেজ, ভার্টেক্স এআই, এবং ভিডিও ইন্টেলিজেন্স এপিআই অ্যাক্সেস করার জন্য আপনাকে ক্লাউড রান পরিষেবার জন্য একটি পরিষেবা অ্যাকাউন্ট তৈরি করতে হবে।
SERVICE_ACCOUNT="cloud-run-video-description" SERVICE_ACCOUNT_ADDRESS=$SERVICE_ACCOUNT@$PROJECT_ID.iam.gserviceaccount.com gcloud iam service-accounts create $SERVICE_ACCOUNT \ --display-name="Cloud Run Video Scene Image Describer service account" # to view & download storage bucket objects gcloud projects add-iam-policy-binding $PROJECT_ID \ --member serviceAccount:$SERVICE_ACCOUNT_ADDRESS \ --role=roles/storage.objectViewer # to call the Vertex AI imagetext model gcloud projects add-iam-policy-binding $PROJECT_ID \ --member serviceAccount:$SERVICE_ACCOUNT_ADDRESS \ --role=roles/aiplatform.user
৭. ক্লাউড রান পরিষেবাটি স্থাপন করুন
এখন আপনি সোর্স-ভিত্তিক ডেপ্লয়মেন্ট ব্যবহার করে আপনার ক্লাউড রান সার্ভিসকে স্বয়ংক্রিয়ভাবে কন্টেইনারাইজ করতে পারবেন।
দ্রষ্টব্য: একটি ক্লাউড রান সার্ভিসের জন্য ডিফল্ট প্রসেসিং টাইম হলো ৬০ সেকেন্ড। এই কোডল্যাবে ৫ মিনিটের একটি টাইমআউট ব্যবহার করা হয়েছে, কারণ প্রস্তাবিত টেস্ট ভিডিওটি ২ মিনিট দীর্ঘ। আপনি যদি এর চেয়ে দীর্ঘ কোনো ভিডিও ব্যবহার করেন, তবে আপনাকে সময়টি পরিবর্তন করতে হতে পারে।
gcloud run deploy $SERVICE_NAME \ --region=$REGION \ --set-env-vars BUCKET_ID=$BUCKET_ID \ --no-allow-unauthenticated \ --service-account $SERVICE_ACCOUNT_ADDRESS \ --timeout=5m \ --source=.
একবার স্থাপন করা হলে, পরিষেবাটির ইউআরএল একটি এনভায়রনমেন্ট ভেরিয়েবলে সংরক্ষণ করুন।
SERVICE_URL=$(gcloud run services describe $SERVICE_NAME --platform managed --region $REGION --format 'value(status.url)')
৮. ক্লাউড রান পরিষেবাটি চালু করুন
এখন আপনি ক্লাউড স্টোরেজে আপলোড করা ভিডিওটির নাম উল্লেখ করে আপনার পরিষেবাটি চালু করতে পারবেন।
curl -X GET -H "Authorization: Bearer $(gcloud auth print-identity-token)" ${SERVICE_URL}?filename=${FILENAME}
আপনার ফলাফল নীচের উদাহরণ আউটপুটের অনুরূপ হওয়া উচিত:
[{"timestamp":1,"description":"an aerial view of a city with a bridge in the background"},{"timestamp":7,"description":"a man in a blue shirt sits in front of shelves of donuts"},{"timestamp":11,"description":"a black and white photo of people working in a bakery"},{"timestamp":12,"description":"a black and white photo of a man and woman working in a bakery"}]
৯. অভিনন্দন!
কোডল্যাবটি সম্পন্ন করার জন্য অভিনন্দন!
আমরা ভিডিও ইন্টেলিজেন্স এপিআই , ক্লাউড রান এবং ভার্টেক্স এআই ভিজ্যুয়াল ক্যাপশনিং- এর ডকুমেন্টেশন পর্যালোচনা করার পরামর্শ দিই।
আমরা যা আলোচনা করেছি
- ডকারফাইল ব্যবহার করে কীভাবে একটি থার্ড-পার্টি বাইনারি ইনস্টল করার জন্য কন্টেইনার ইমেজ তৈরি করতে হয়
- অন্যান্য গুগল ক্লাউড পরিষেবা কল করার জন্য ক্লাউড রান পরিষেবার জন্য একটি পরিষেবা অ্যাকাউন্ট তৈরি করে কীভাবে ন্যূনতম বিশেষাধিকারের নীতি অনুসরণ করবেন
- ক্লাউড রান পরিষেবা থেকে ভিডিও ইন্টেলিজেন্স ক্লায়েন্ট লাইব্রেরি কীভাবে ব্যবহার করবেন
- Vertex AI থেকে প্রতিটি দৃশ্যের ভিজ্যুয়াল বিবরণ পেতে Google API-তে কীভাবে কল করতে হয়
১০. পরিষ্কার করুন
অনিচ্ছাকৃত চার্জ এড়াতে, (উদাহরণস্বরূপ, যদি এই ক্লাউড রান পরিষেবাটি ফ্রি টিয়ারে আপনার মাসিক ক্লাউড রান ব্যবহারের বরাদ্দের চেয়ে অনিচ্ছাকৃতভাবে বেশিবার চালু করা হয়), আপনি হয় ক্লাউড রান পরিষেবাটি অথবা ধাপ ২-এ তৈরি করা প্রজেক্টটি ডিলিট করে দিতে পারেন।
Cloud Run পরিষেবাটি মুছে ফেলার জন্য, https://console.cloud.google.com/run/ ঠিকানায় Cloud Run ক্লাউড কনসোলে যান এবং video-describer ফাংশনটি (অথবা $SERVICE_NAME, যদি আপনি অন্য কোনো নাম ব্যবহার করে থাকেন) মুছে ফেলুন।
আপনি যদি পুরো প্রজেক্টটি মুছে ফেলতে চান, তাহলে আপনি https://console.cloud.google.com/cloud-resource-manager -এ গিয়ে, ধাপ ২-এ তৈরি করা প্রজেক্টটি নির্বাচন করে 'ডিলিট' (Delete) বিকল্পটি বেছে নিতে পারেন। প্রজেক্টটি মুছে ফেললে, আপনাকে আপনার ক্লাউড এসডিকে (Cloud SDK)-তে প্রজেক্ট পরিবর্তন করতে হবে। আপনি gcloud projects list চালিয়ে সমস্ত উপলব্ধ প্রজেক্টের তালিকা দেখতে পারেন।