1. Objetivos
Descripción general
En este codelab, nos enfocaremos en crear una aplicación de Vertex AI Vision de extremo a extremo para supervisar videos de tráfico en tiempo real. Usaremos las funciones integradas del modelo especializado previamente entrenado Análisis de ocupación para capturar lo siguiente:
- Contar la cantidad de vehículos y personas que cruzan una ruta en una línea determinada
- Contar la cantidad de vehículos o personas en cualquier región fija de la ruta
- Detectar congestión en cualquier parte de la ruta
Qué aprenderás
- Cómo configurar una VM para transferir videos para la transmisión
- Cómo crear una aplicación en Vertex AI Vision
- Las diferentes funciones disponibles en las estadísticas de ocupación y cómo usarlas
- Cómo implementar la app
- Cómo buscar videos en el almacén de medios de Vertex AI Vision
- Cómo conectar el resultado a BigQuery, escribir una consulta en SQL para extraer estadísticas del resultado JSON del modelo y visualizar el resultado en Looker Studio en tiempo real
2. Antes de comenzar
- En la página del selector de proyectos de la consola de Google Cloud, selecciona o crea un proyecto de Google Cloud. Nota: Si no planeas conservar los recursos que creaste durante 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
- Asegúrate de que la facturación esté habilitada para tu proyecto de Cloud. Obtén información sobre cómo verificar si la facturación está habilitada en un proyecto.
- Habilita las APIs de Compute Engine y Vision AI. Habilitar las API
Crea una cuenta de servicio:
- En la consola de Google Cloud, ve a la página Crear cuenta de servicio. Ve a Crear cuenta de servicio
- Elige tu proyecto.
- Escribe un nombre en el campo Nombre de cuenta de servicio. La consola de Google Cloud completa el campo ID de cuenta de servicio según este nombre. En el campo Descripción de la cuenta de servicio, ingresa una descripción. Por ejemplo, Cuenta de servicio para la guía de inicio rápido.
- Haz clic en Crear y continuar.
- Para proporcionar acceso a tu proyecto, otorga los siguientes roles a tu cuenta de servicio: Vision AI > Editor de Vision AI, Compute Engine > Administrador de instancias de Compute (beta), Storage > Visualizador de objetos de Storage † . En la lista Seleccionar un rol, elige uno. Para obtener roles adicionales, haz clic en Agregar otro rol y agrega cada rol adicional. Nota: El campo Rol afecta a qué recursos puede acceder tu cuenta de servicio en el proyecto. Puedes revocar estas funciones o asignar otras más adelante. En entornos de producción, no otorgues los roles de propietario, editor o visualizador. En su lugar, otorga un rol predefinido o un rol personalizado que satisfaga tus necesidades.
- Haz clic en Continuar.
- Haz clic en Listo para terminar de crear la cuenta de servicio. No cierres la ventana del navegador, ya que La usarás en la próxima tarea.
Crea una clave de cuenta de servicio:
- En la consola de Google Cloud, haz clic en la dirección de correo electrónico de la cuenta de servicio que creaste.
- Haga clic en Claves.
- Haz clic en Agregar clave y, luego, en Crear clave nueva.
- Haga clic en Crear. Se descargará un archivo de claves JSON en tu computadora.
- Haz clic en Cerrar.
- Instala y, luego, inicializa Google Cloud CLI.
† El rol solo es necesario si copias un archivo de video de muestra de un bucket de Cloud Storage.
3. Configura una VM para transmitir video
Antes de crear una app en Occupancy Analytics, debes registrar una transmisión que la app pueda usar más adelante.
En este instructivo, crearás una instancia de VM de Compute Engine que aloja un video y enviarás los datos de transmisión de video desde la VM.
Crea una VM de Linux
El primer paso para enviar video desde una instancia de VM de Compute Engine es crear la instancia de VM.
- En la consola ve a la página Instancias de VM. Ir a Instancias de VM
- Selecciona el proyecto y haz clic en Continuar.
- Haz clic en Crear instancia.
- Especifica un Nombre para la VM. Para obtener más información, consulta Convención de asignación de nombres de recursos.
- Opcional: Cambia la Zona para esta VM. Compute Engine aleatoriza la lista de zonas dentro de cada región para fomentar el uso en varias zonas.
- Acepta las opciones predeterminadas restantes. Para obtener más información sobre estas opciones, consulta Crea y, luego, inicia una VM.
- Para crear y, también, iniciar la VM, haz clic en Crear.
Configura el entorno de la VM
Una vez que se inicie la VM, puedes usar la consola para conectarte a ella a través de SSH desde tu navegador. Luego, puedes descargar la herramienta de línea de comandos vaictl para transferir el video a tu transmisión.
Establece una conexión SSH a tu VM
- En la consola ve a la página Instancias de VM. Ir a Instancias de VM
- En la sección Conectar de la línea de la instancia que creaste, haz clic en SSH. Se abrirá una conexión SSH en una nueva ventana del navegador.
Descarga la herramienta de línea de comandos de vaictl
- En la ventana SSH en el navegador, descarga la herramienta de línea de comandos de Vertex AI Vision (vaictl) con el siguiente comando:
wget https://github.com/google/visionai/releases/download/v0.0.4/visionai_0.0-4_amd64.deb
- Para instalar la herramienta de línea de comandos, ejecuta el siguiente comando:
sudo apt install ./visionai_0.0-4_amd64.deb
- Para probar la instalación, ejecuta el siguiente comando:
vaictl --help
4. Transfiere un archivo de video para la transmisión
Después de configurar tu entorno de VM, puedes copiar un archivo de video de muestra y, luego, usar vaictl para transmitir los datos de video a tu app de análisis de ocupación.
Comienza por activar la API de Vision AI en Cloud Console
Registra una nueva transmisión
- Haz clic en la pestaña Click streams en el panel izquierdo de Vertex AI Vision.
- Haz clic en Registrarse.
- En el campo Nombre del flujo, ingresa “traffic-stream”.
- En la región, ingresa "us-central1".
- Haz clic en Registrar.
El registro de la transmisión tardará unos minutos.
Copia un video de muestra en tu VM
- En la ventana SSH en el navegador de tu VM, copia un video de muestra con el siguiente comando gsutil cp. Reemplaza la siguiente variable:
- FUENTE: Es la ubicación de un archivo de video que se usará. Puedes usar tu propio archivo de video fuente (por ejemplo, gs://BUCKET_NAME/FILENAME.mp4) o el video de muestra (gs://cloud-samples-data/vertex-ai-vision/street_vehicles_people.mp4)(video con personas y vehículos, fuente).
export SOURCE=gs://cloud-samples-data/vertex-ai-vision/street_vehicles_people.mp4 gsutil cp $SOURCE .
Transmite video desde la VM y transfiere datos a tu transmisión
- Para enviar este archivo de video local al flujo de entrada de la app, usa el siguiente comando. Debes realizar las siguientes sustituciones de variables:
- PROJECT_ID: Es el ID de tu proyecto de Google Cloud.
- LOCATION_ID: Es tu ID de ubicación. Por ejemplo, us-central1. Para obtener más información, consulta Ubicaciones de Cloud.
- LOCAL_FILE: Es el nombre de un archivo de video local. Por ejemplo, street_vehicles_people.mp4.
- Marca -loop: Opcional. Realiza un bucle con los datos del archivo para simular la transmisión.
export PROJECT_ID=<Your Google Cloud project ID> export LOCATION_ID=us-central1 export LOCAL_FILE=street_vehicles_people.mp4
- Este comando transmite un archivo de video a una transmisión. Si usas la marca –loop, el video se reproducirá en bucle en la transmisión hasta que detengas el comando. Ejecutaremos este comando como un trabajo en segundo plano para que siga transmitiendo incluso después de que se desconecte la VM.
- ( agrega nohup al principio y "&" al final para que se ejecute en segundo plano).
nohup vaictl -p $PROJECT_ID \
-l $LOCATION_ID \
-c application-cluster-0 \
--service-endpoint visionai.googleapis.com \
send video-file to streams 'traffic-stream' --file-path $LOCAL_FILE --loop &
Es posible que transcurran alrededor de 100 segundos entre el inicio de la operación de transferencia de vaictl y la aparición del video en el panel.
Una vez que la transferencia de la transmisión esté disponible, podrás ver el feed de video en la pestaña Transmisiones del panel de Vertex AI Vision. Para ello, selecciona la transmisión de tráfico.
Vista en vivo del video que se transmite en la consola de Google Cloud. Crédito del video: Elizabeth Mavor en Pixabay (se agregó pixelación).
5. Crea una aplicación
El primer paso es crear una app que procese tus datos. Una app se puede considerar como una canalización automatizada que conecta los siguientes elementos:
- Transferencia de datos: Se transfiere un feed de video a una transmisión.
- Análisis de datos: Se puede agregar un modelo de IA(visión por computadora) después de la transferencia.
- Almacenamiento de datos: Las dos versiones del feed de video (la transmisión original y la transmisión procesada por el modelo de IA) se pueden almacenar en un almacén de contenido multimedia.
En la consola de Google Cloud, una app se representa como un grafo.
Crea una app vacía
Antes de completar el gráfico de la app, primero debes crear una app vacía.
Crea una app en la consola de Google Cloud.
- Ve a la consola de Google Cloud.
- Abre la pestaña Aplicaciones del panel de Vertex AI Vision.
- Haz clic en el botón de agregar Crear.
- Ingresa traffic-app como el nombre de la app y elige tu región.
- Haz clic en Crear.
Agrega nodos componentes de la app
Después de crear la aplicación vacía, puedes agregar los tres nodos al gráfico de la app:
- Nodo de transferencia: Es el recurso de transmisión que transfiere los datos enviados desde una instancia de VM de Compute Engine que creas.
- Nodo de procesamiento: Es el modelo de análisis de ocupación que actúa sobre los datos ingeridos.
- Nodo de almacenamiento: Es el almacén de contenido multimedia que almacena los videos procesados y funciona como almacén de metadatos. Los almacenes de metadatos incluyen información de análisis sobre los datos de video transferidos y la información inferida por los modelos de IA.
Agrega nodos de componentes a tu app en la consola.
- Abre la pestaña Aplicaciones del panel de Vertex AI Vision. Ir a la pestaña Aplicaciones
- En la línea de la app de tráfico, selecciona Ver gráfico. Esta acción te llevará a la visualización del gráfico de la canalización de procesamiento.
Agrega un nodo de transferencia de datos
- Para agregar un nodo de flujo de entrada, selecciona la opción Flujos en la sección Conectores del menú lateral.
- En la sección Fuente del menú Transmisión que se abre, selecciona Agregar transmisiones.
- En el menú Agregar transmisiones, elige Registrar transmisiones nuevas y agrega traffic-stream como nombre de la transmisión.
- Para agregar el flujo al gráfico de la app, haz clic en Agregar flujos.
Agrega un nodo de procesamiento de datos
- Para agregar el nodo del modelo de recuento de ocupación, selecciona la opción Análisis de ocupación en la sección Modelos especializados del menú lateral.
- Deja las selecciones predeterminadas Personas y Vehículos.
- Agrega líneas en Cruce de línea. Usa la herramienta de línea de varios puntos para dibujar las líneas en las que necesitas detectar automóviles o personas que entran o salen.
- Dibuja las zonas activas para contar personas o vehículos en esa zona.
- Se agregó la configuración del tiempo de permanencia para detectar la congestión si se dibuja una zona activa.
- (Actualmente, no se admite el cruce de zonas y líneas de forma simultánea. Usa solo una función a la vez.
Cómo agregar un nodo de almacenamiento de datos
- Para agregar el nodo de destino de salida (almacenamiento), selecciona la opción Almacén de medios de Vertex AI Vision en la sección Conectores del menú lateral.
- En el menú Vertex AI Vision's Media Warehouse, haz clic en Connect warehouse.
- En el menú Connect warehouse, selecciona Create new warehouse. Asigna el nombre traffic-warehouse al almacén y deja la duración del TTL en 14 días.
- Haz clic en el botón Crear para agregar el almacén.
6. Conecta la salida a la tabla de BigQuery
Cuando agregues un conector de BigQuery a tu app de Vertex AI Vision, todos los resultados del modelo de la app conectada se transferirán a la tabla de destino.
Puedes crear tu propia tabla de BigQuery y especificarla cuando agregues un conector de BigQuery a la app, o bien permitir que la plataforma de apps de Vertex AI Vision cree la tabla automáticamente.
Creación automática de tablas
Si permites que la plataforma de apps de Vertex AI Vision cree la tabla automáticamente, puedes especificar esta opción cuando agregues el nodo del conector de BigQuery.
Si deseas usar la creación automática de tablas, se aplican las siguientes condiciones del conjunto de datos y la tabla:
- Conjunto de datos: El nombre del conjunto de datos creado automáticamente es visionai_dataset.
- Tabla: El nombre de la tabla creada automáticamente es visionai_dataset.APPLICATION_ID.
- Manejo de errores:
- Si existe la tabla con el mismo nombre en el mismo conjunto de datos, no se produce la creación automática.
- Abre la pestaña Aplicaciones del panel de Vertex AI Vision. Ir a la pestaña Aplicaciones
- Selecciona Ver app junto al nombre de tu aplicación en la lista.
- En la página del creador de aplicaciones, selecciona BigQuery en la sección Conectores.
- Deja el campo Ruta de BigQuery vacío.
- En Almacenar metadatos de:, selecciona solo "Estadísticas de ocupación" y desmarca los flujos.
El gráfico final de la app debería verse de la siguiente manera:
7. Implementar tu app para usarla
Después de compilar tu app integral con todos los componentes necesarios, el último paso para usarla es implementarla.
- Abre la pestaña Aplicaciones del panel de Vertex AI Vision. Ir a la pestaña Aplicaciones
- Selecciona View graph junto a la app de tráfico en la lista.
- En la página del compilador de gráficos de la aplicación, haz clic en el botón Implementar.
- En el siguiente diálogo de confirmación, selecciona Implementar. La operación de implementación puede tardar varios minutos en completarse. Cuando finaliza la implementación, aparecen marcas de verificación verdes junto a los nodos.
8. Buscar contenido de video en el almacén de almacenamiento
Después de transferir los datos de video a tu app de procesamiento, puedes ver los datos de video analizados y realizar búsquedas en ellos según la información de análisis de ocupación.
- Abre la pestaña Almacenes del panel de Vertex AI Vision. Ir a la pestaña Almacenes
- Busca el almacén de datos de tráfico en la lista y haz clic en Ver recursos.
- En la sección Recuento de personas o Recuento de vehículos, establece el valor Mín. en 1 y el valor Máx. en 5.
- Para filtrar los datos de video procesados almacenados en el almacén de contenido multimedia de Vertex AI Vision, haz clic en Buscar.
Una vista de los datos de video almacenados que coinciden con los criterios de búsqueda en la consola de Google Cloud. Crédito del video: Elizabeth Mavor en Pixabay (se aplicaron criterios de búsqueda).
9. Analiza la salida en la tabla de BigQuery
Ir a BigQuery
Selecciona el conjunto de datos: visionai_dataset
Selecciona la tabla: tu APPLICATION_ID (en este caso, traffic-app)
Haz clic en los tres puntos a la derecha del nombre de la tabla y, luego, en Consulta.
Escribe la siguiente consulta
Consulta 1: Consulta para verificar la cantidad de vehículos que cruzan cada línea por minuto
abc.sql
—- Get list of active marked lines for each timeframe
WITH line_array AS (
SELECT
t.ingestion_time AS ingestion_time,
JSON_QUERY_ARRAY(t.annotation.stats["crossingLineCounts"]) AS lines
FROM
`PROJ_ID.visionai_dataset.APP_ID` AS t
),
—- Flatten active lines to get individual entities details
flattened AS (
SELECT
line_array.ingestion_time,
JSON_VALUE(line.annotation.id) as line_id,
JSON_QUERY_ARRAY(line["positiveDirectionCounts"]) AS entities
FROM line_array, unnest(line_array.lines) as line
)
—- Generate aggregate vehicle count per zone w.r.t time
SELECT
STRING(TIMESTAMP_TRUNC(ingestion_time, MINUTE) ) AS time, line_id,
SUM(INT64(entity["count"])) as vehicle_count
FROM
flattened, UNNEST(flattened.entities) AS entity
WHERE JSON_VALUE(entity['entity']['labelString']) = 'Vehicle'
GROUP BY time, line_id
Consulta 2: Consulta para verificar el recuento de vehículos por minuto en cada zona
—- Get list of active zones for each timeframe
WITH zone_array AS (
SELECT
t.ingestion_time AS ingestion_time,
JSON_QUERY_ARRAY(t.annotation.stats["activeZoneCounts"]) AS zones
FROM
`PROJ_ID.visionai_dataset.APP_ID` AS t
),
—- Flatten active zones to get individual entities details
flattened AS (
SELECT zone_array.ingestion_time, JSON_VALUE(zone.annotation.id) as zone_id,
JSON_QUERY_ARRAY(zone["counts"]) AS entities
FROM zone_array, unnest(zone_array.zones) as zone
)
—- Generate aggregate vehicle count per zone w.r.t time
SELECT
STRING(TIMESTAMP_TRUNC(ingestion_time, MINUTE) ) AS time,
zone_id,
SUM(INT64(entity["count"])) as vehicle_count
FROM flattened, UNNEST(flattened.entities) AS entity
WHERE JSON_VALUE(entity['entity']['labelString']) = 'Vehicle'
GROUP BY time, zone_id
En las consultas anteriores, puedes cambiar "Vehicle" por "Person" para contar personas.
En este codelab, se mostrarán los datos de muestra y la visualización solo para la consulta 1. Puedes seguir un proceso similar para Query2.
Haz clic en Explorar datos en el menú del lado derecho y selecciona Explorar con Looker Studio.
En el panel "Dimensión", agrega tiempo y cambia la configuración de tiempo a fecha y hora. En "Dimensión de desglose", agrega line_id. 
En el gráfico anterior, se muestra la cantidad de vehículos o personas que cruzan cada línea por minuto.
Las barras azul oscuro y azul claro indican los dos IDs de línea diferentes.
10. Felicitaciones
¡Felicitaciones! Completaste el lab.
Realiza una limpieza
Para evitar que se apliquen cargos a tu cuenta de Google Cloud por los recursos usados en este instructivo, borra el proyecto que contiene los recursos o conserva el proyecto y borra los recursos individuales.
Borra el proyecto
Borra los recursos individuales
Recursos
https://cloud.google.com/vision-ai/docs/overview
https://cloud.google.com/vision-ai/docs/occupancy-count-tutorial
Comentarios
Haz clic aquí para enviar comentarios