1। সংক্ষিপ্ত বিবরণ
এই ল্যাবে, আপনি একটি কাস্টম প্রশিক্ষণের কাজ চালানোর জন্য Vertex AI ব্যবহার করবেন।
এই ল্যাব প্রোটোটাইপ থেকে প্রোডাকশন ভিডিও সিরিজের অংশ। আপনি Flowers ডেটাসেট ব্যবহার করে একটি ইমেজ ক্লাসিফিকেশন মডেল তৈরি করবেন। আরও জানতে আপনি সহগামী ভিডিওটি দেখতে পারেন:
.
তুমি কি শিখেছ
আপনি কিভাবে শিখবেন:
- একটি Vertex AI Workbench পরিচালিত নোটবুক তৈরি করুন
- Vertex AI UI থেকে একটি কাস্টম প্রশিক্ষণ কাজ কনফিগার করুন এবং চালু করুন
- Vertex AI Python SDK এর সাথে একটি কাস্টম প্রশিক্ষণ কাজ কনফিগার করুন এবং চালু করুন
Google ক্লাউডে এই ল্যাবটি চালানোর জন্য মোট খরচ প্রায় $1 ।
2. ভার্টেক্স এআই-এর ভূমিকা
এই ল্যাবটি Google ক্লাউডে উপলব্ধ নতুন AI পণ্য অফার ব্যবহার করে। Vertex AI Google ক্লাউড জুড়ে ML অফারগুলিকে একটি নিরবচ্ছিন্ন বিকাশের অভিজ্ঞতায় সংহত করে৷ পূর্বে, অটোএমএল এবং কাস্টম মডেলগুলির সাথে প্রশিক্ষিত মডেলগুলি পৃথক পরিষেবার মাধ্যমে অ্যাক্সেসযোগ্য ছিল। নতুন অফারটি অন্যান্য নতুন পণ্যের সাথে একটি একক API-এ উভয়কে একত্রিত করে। আপনি বিদ্যমান প্রকল্পগুলিকে Vertex AI-তে স্থানান্তর করতে পারেন।
Vertex AI এন্ড-টু-এন্ড ML ওয়ার্কফ্লো সমর্থন করার জন্য বিভিন্ন পণ্য অন্তর্ভুক্ত করে। এই ল্যাবটি নীচে হাইলাইট করা পণ্যগুলিতে ফোকাস করবে: প্রশিক্ষণ এবং ওয়ার্কবেঞ্চ৷
3. আপনার পরিবেশ সেট আপ করুন
এই কোডল্যাব চালানোর জন্য আপনার একটি Google ক্লাউড প্ল্যাটফর্ম প্রকল্পের প্রয়োজন হবে যাতে বিলিং সক্ষম থাকে৷ একটি প্রকল্প তৈরি করতে, এখানে নির্দেশাবলী অনুসরণ করুন।
ধাপ 1: Compute Engine API সক্ষম করুন
কম্পিউট ইঞ্জিনে নেভিগেট করুন এবং সক্ষম নির্বাচন করুন যদি এটি ইতিমধ্যে সক্ষম না থাকে।
ধাপ 2: আর্টিফ্যাক্ট রেজিস্ট্রি API সক্ষম করুন
আর্টিফ্যাক্ট রেজিস্ট্রিতে নেভিগেট করুন এবং সক্ষম নির্বাচন করুন যদি এটি ইতিমধ্যে না থাকে। আপনি আপনার কাস্টম প্রশিক্ষণ কাজের জন্য একটি ধারক তৈরি করতে এটি ব্যবহার করবেন।
ধাপ 3: Vertex AI API সক্ষম করুন
আপনার ক্লাউড কনসোলের Vertex AI বিভাগে নেভিগেট করুন এবং Vertex AI API সক্ষম করুন ক্লিক করুন।
ধাপ 4: একটি ভার্টেক্স এআই ওয়ার্কবেঞ্চ উদাহরণ তৈরি করুন
আপনার ক্লাউড কনসোলের ভার্টেক্স এআই বিভাগ থেকে, ওয়ার্কবেঞ্চে ক্লিক করুন:
নোটবুক API সক্রিয় করুন যদি এটি ইতিমধ্যে না থাকে।
একবার সক্রিয় হলে, ম্যানেজড নোটবুক ক্লিক করুন:
তারপর নতুন নোটবুক নির্বাচন করুন।
আপনার নোটবুকে একটি নাম দিন এবং অনুমতির অধীনে পরিষেবা অ্যাকাউন্ট নির্বাচন করুন৷
উন্নত সেটিংস নির্বাচন করুন।
নিরাপত্তার অধীনে "টার্মিনাল সক্ষম করুন" নির্বাচন করুন যদি এটি ইতিমধ্যে সক্ষম না থাকে।
আপনি অন্যান্য উন্নত সেটিংসের মতোই ছেড়ে যেতে পারেন।
পরবর্তী, তৈরি করুন ক্লিক করুন। দৃষ্টান্তের ব্যবস্থা করতে কয়েক মিনিট সময় লাগবে।
একবার ইন্সট্যান্স তৈরি হয়ে গেলে, OPEN JUPYTERLAB নির্বাচন করুন।
4. প্রশিক্ষণ অ্যাপ্লিকেশন কোড ধারণ করুন
আপনি একটি ডকার কন্টেইনারে আপনার প্রশিক্ষণ অ্যাপ্লিকেশন কোড রেখে এবং এই কন্টেইনারটিকে Google আর্টিফ্যাক্ট রেজিস্ট্রিতে পুশ করে ভার্টেক্স এআই-তে এই প্রশিক্ষণের কাজটি জমা দেবেন। এই পদ্ধতি ব্যবহার করে, আপনি যে কোনও কাঠামোর সাথে নির্মিত একটি মডেলকে প্রশিক্ষণ দিতে পারেন।
শুরু করতে, লঞ্চার মেনু থেকে, আপনার নোটবুকের উদাহরণে একটি টার্মিনাল উইন্ডো খুলুন:
ধাপ 1: একটি ক্লাউড স্টোরেজ বালতি তৈরি করুন
এই প্রশিক্ষণের কাজে, আপনি প্রশিক্ষিত টেনসরফ্লো মডেলটিকে একটি ক্লাউড স্টোরেজ বাকেটে রপ্তানি করবেন। আপনি একটি ক্লাউড স্টোরেজ বালতিতে প্রশিক্ষণের জন্য ডেটাও সংরক্ষণ করবেন।
আপনার টার্মিনাল থেকে, আপনার প্রকল্পের জন্য একটি env ভেরিয়েবল সংজ্ঞায়িত করতে নিম্নলিখিতটি চালান, আপনার প্রকল্পের আইডি দিয়ে your-cloud-project প্রতিস্থাপন নিশ্চিত করুন:
PROJECT_ID='your-cloud-project'
এরপরে, আপনার প্রকল্পে একটি নতুন বালতি তৈরি করতে আপনার টার্মিনালে নিম্নলিখিতটি চালান।
BUCKET="gs://${PROJECT_ID}-bucket"
gsutil mb -l us-central1 $BUCKET
ধাপ 2: ক্লাউড স্টোরেজ বালতিতে ডেটা কপি করুন
আমাদের ক্লাউড স্টোরেজে আমাদের ফুলের ডেটাসেট পেতে হবে। প্রদর্শনের উদ্দেশ্যে, আপনি প্রথমে এই ওয়ার্কবেঞ্চ ইনস্ট্যান্সে ডেটাসেটটি ডাউনলোড করবেন এবং তারপর এটি একটি বালতিতে অনুলিপি করবেন।
ডাটা ডাউনলোড করে আনটার করুন।
wget https://storage.googleapis.com/download.tensorflow.org/example_images/flower_photos.tgz
tar xvzf flower_photos.tgz
তারপর আপনার তৈরি করা বালতিতে এটি অনুলিপি করুন। আমরা -r যোগ করি কারণ আমরা পুরো ডিরেক্টরিটি কপি করতে চাই এবং -m একটি মাল্টি-প্রসেসিং কপি সম্পাদন করতে চাই, যা জিনিসগুলিকে গতি দেবে।
gsutil -m cp -r flower_photos $BUCKET
ধাপ 3: প্রশিক্ষণ কোড লিখুন
flowers এবং সিডি নামে একটি নতুন ডিরেক্টরি তৈরি করুন:
mkdir flowers
cd flowers
প্রশিক্ষণ কোডের জন্য একটি ডিরেক্টরি এবং একটি পাইথন ফাইল তৈরি করতে নিম্নলিখিতটি চালান যেখানে আপনি কোডটি যোগ করবেন।
mkdir trainer
touch trainer/task.py
আপনার flowers/ ডিরেক্টরিতে এখন আপনার নিম্নলিখিতগুলি থাকা উচিত:
+ trainer/
+ task.py
আপনার প্রশিক্ষণ অ্যাপ্লিকেশন কোড কীভাবে গঠন করবেন সে সম্পর্কে আরও বিশদ বিবরণের জন্য, ডক্স দেখুন।
এরপর, আপনি এইমাত্র তৈরি করা task.py ফাইলটি খুলুন এবং নীচের কোডটি অনুলিপি করুন৷
আপনার তৈরি করা ক্লাউড স্টোরেজ বাকেটের নামের সাথে আপনাকে {your-gcs-bucket} প্রতিস্থাপন করতে হবে।
ক্লাউড স্টোরেজ FUSE টুলের মাধ্যমে, ভার্টেক্স এআই ট্রেনিং-এর প্রশিক্ষণের কাজগুলি স্থানীয় ফাইল সিস্টেমের ফাইল হিসাবে ক্লাউড স্টোরেজের ডেটা অ্যাক্সেস করতে পারে। আপনি যখন একটি কাস্টম প্রশিক্ষণ কাজ শুরু করেন, তখন কাজটি একটি ডিরেক্টরি /gcs দেখতে পায় যাতে আপনার সমস্ত ক্লাউড স্টোরেজ বালতি সাব-ডিরেক্টরি হিসেবে থাকে। তাই ট্রেনিং কোডের ডেটা পাথগুলি /gcs দিয়ে শুরু হয়।
import tensorflow as tf
import numpy as np
import os
## Replace {your-gcs-bucket} !!
BUCKET_ROOT='/gcs/{your-gcs-bucket}'
# Define variables
NUM_CLASSES = 5
EPOCHS=10
BATCH_SIZE = 32
IMG_HEIGHT = 180
IMG_WIDTH = 180
DATA_DIR = f'{BUCKET_ROOT}/flower_photos'
def create_datasets(data_dir, batch_size):
'''Creates train and validation datasets.'''
train_dataset = tf.keras.utils.image_dataset_from_directory(
data_dir,
validation_split=0.2,
subset="training",
seed=123,
image_size=(IMG_HEIGHT, IMG_WIDTH),
batch_size=batch_size)
validation_dataset = tf.keras.utils.image_dataset_from_directory(
data_dir,
validation_split=0.2,
subset="validation",
seed=123,
image_size=(IMG_HEIGHT, IMG_WIDTH),
batch_size=batch_size)
train_dataset = train_dataset.cache().shuffle(1000).prefetch(buffer_size=tf.data.AUTOTUNE)
validation_dataset = validation_dataset.cache().prefetch(buffer_size=tf.data.AUTOTUNE)
return train_dataset, validation_dataset
def create_model():
'''Creates model.'''
model = tf.keras.Sequential([
tf.keras.layers.Resizing(IMG_HEIGHT, IMG_WIDTH),
tf.keras.layers.Rescaling(1./255, input_shape=(IMG_HEIGHT, IMG_WIDTH, 3)),
tf.keras.layers.Conv2D(16, 3, padding='same', activation='relu'),
tf.keras.layers.MaxPooling2D(),
tf.keras.layers.Conv2D(32, 3, padding='same', activation='relu'),
tf.keras.layers.MaxPooling2D(),
tf.keras.layers.Conv2D(64, 3, padding='same', activation='relu'),
tf.keras.layers.MaxPooling2D(),
tf.keras.layers.Flatten(),
tf.keras.layers.Dense(128, activation='relu'),
tf.keras.layers.Dense(NUM_CLASSES, activation='softmax')
])
return model
# CREATE DATASETS
train_dataset, validation_dataset = create_datasets(DATA_DIR, BATCH_SIZE)
# CREATE/COMPILE MODEL
model = create_model()
model.compile(optimizer=tf.keras.optimizers.Adam(),
loss=tf.keras.losses.SparseCategoricalCrossentropy(),
metrics=['accuracy'])
# TRAIN MODEL
history = model.fit(
train_dataset,
validation_data=validation_dataset,
epochs=EPOCHS
)
# SAVE MODEL
model.save(f'{BUCKET_ROOT}/model_output')
ধাপ 4: একটি ডকারফাইল তৈরি করুন
আপনার কোড কন্টেইনারাইজ করতে, আপনাকে একটি ডকারফাইল তৈরি করতে হবে। ডকারফাইলে আপনি চিত্রটি চালানোর জন্য প্রয়োজনীয় সমস্ত কমান্ড অন্তর্ভুক্ত করবেন। এটি সমস্ত প্রয়োজনীয় লাইব্রেরি ইনস্টল করবে এবং প্রশিক্ষণ কোডের জন্য এন্ট্রি পয়েন্ট সেট আপ করবে।
আপনার টার্মিনাল থেকে, আপনার ফুল ডিরেক্টরির মূলে একটি খালি ডকারফাইল তৈরি করুন:
touch Dockerfile
আপনার flowers/ ডিরেক্টরিতে এখন আপনার নিম্নলিখিতগুলি থাকা উচিত:
+ Dockerfile
+ trainer/
+ task.py
ডকারফাইল খুলুন এবং এতে নিম্নলিখিতগুলি অনুলিপি করুন:
FROM gcr.io/deeplearning-platform-release/tf2-gpu.2-8
WORKDIR /
# Copies the trainer code to the docker image.
COPY trainer /trainer
# Sets up the entry point to invoke the trainer.
ENTRYPOINT ["python", "-m", "trainer.task"]
এই ফাইলের কমান্ড পর্যালোচনা করা যাক.
FROM কমান্ডটি বেস ইমেজটি নির্দিষ্ট করে, যেটি প্যারেন্ট ইমেজ যা আপনি যে ইমেজটি তৈরি করবেন তাতে নির্মিত হবে। বেস ইমেজ হিসেবে, আপনি ডিপ লার্নিং কন্টেইনার টেনসরফ্লো এন্টারপ্রাইজ 2.8 GPU ডকার ইমেজ ব্যবহার করবেন। Google ক্লাউডে ডিপ লার্নিং কন্টেনারগুলি অনেক সাধারণ ML এবং ডেটা সায়েন্স ফ্রেমওয়ার্ক আগে থেকে ইনস্টল করা আছে।
WORKDIR কমান্ড ইমেজের নির্দেশিকা নির্দিষ্ট করে যেখানে পরবর্তী নির্দেশাবলী চালানো হয়।
কপি কমান্ড ডকার ইমেজে প্রশিক্ষক কোড কপি করে। মনে রাখবেন যে এই উদাহরণে আমাদের প্রশিক্ষক ডিরেক্টরিতে শুধুমাত্র একটি পাইথন ফাইল আছে, তবে আরও বাস্তবসম্মত উদাহরণের জন্য আপনার কাছে অতিরিক্ত ফাইল থাকতে পারে। হতে পারে একটি বলা হয় data.py , যা ডেটা প্রিপ্রসেসিং পরিচালনা করে এবং একটি model.py নামে পরিচিত, যার শুধু মডেল কোড ইত্যাদি রয়েছে৷ আরও জটিল প্রশিক্ষণ কোডের জন্য, পাইথন প্রকল্পগুলির প্যাকেজিং-এ পাইথন ডক্স দেখুন৷
আপনি যদি কোনো অতিরিক্ত লাইব্রেরি যোগ করতে চান, তাহলে আপনি পিপ ইনস্টল করতে RUN কমান্ড ব্যবহার করতে পারেন (যেমন: RUN pip install -r requirements.txt )। কিন্তু এখানে আমাদের উদাহরণের জন্য অতিরিক্ত কিছুর প্রয়োজন নেই।
অবশেষে, ENTRYPOINT কমান্ড প্রশিক্ষককে আহ্বান করার জন্য এন্ট্রি পয়েন্ট সেট আপ করে। আমরা যখন আমাদের প্রশিক্ষণের কাজ শুরু করি তখন এটিই চলবে। আমাদের ক্ষেত্রে এটি task.py ফাইলটি নির্বাহ করছে।
আপনি এখানে ভার্টেক্স এআই প্রশিক্ষণের জন্য ডকারফাইলস লেখার বিষয়ে আরও শিখতে পারেন।
ধাপ 4: ধারক তৈরি করুন
আপনার ওয়ার্কবেঞ্চ নোটবুকের টার্মিনাল থেকে, আপনার প্রকল্পের জন্য একটি env ভেরিয়েবল সংজ্ঞায়িত করতে নিম্নলিখিতটি চালান, আপনার প্রকল্পের আইডি দিয়ে your-cloud-project প্রতিস্থাপন করা নিশ্চিত করুন:
PROJECT_ID='your-cloud-project'
আর্টিফ্যাক্ট রেজিস্ট্রিতে একটি রেপো তৈরি করুন
REPO_NAME='flower-app'
gcloud artifacts repositories create $REPO_NAME --repository-format=docker \
--location=us-central1 --description="Docker repository"
Google আর্টিফ্যাক্ট রেজিস্ট্রিতে আপনার কন্টেইনার ইমেজের URI সহ একটি পরিবর্তনশীল সংজ্ঞায়িত করুন:
IMAGE_URI=us-central1-docker.pkg.dev/$PROJECT_ID/$REPO_NAME/flower_image:latest
ডকার কনফিগার করুন
gcloud auth configure-docker \
us-central1-docker.pkg.dev
তারপরে, আপনার flower ডিরেক্টরির মূল থেকে নিম্নলিখিতগুলি চালিয়ে ধারকটি তৈরি করুন:
docker build ./ -t $IMAGE_URI
অবশেষে, এটি আর্টিফ্যাক্ট রেজিস্ট্রিতে ঠেলে দিন:
docker push $IMAGE_URI
কনটেইনারটিকে আর্টিফ্যাক্ট রেজিস্ট্রিতে ঠেলে দিয়ে, আপনি এখন প্রশিক্ষণের কাজ শুরু করতে প্রস্তুত।
5. Vertex AI-তে একটি কাস্টম প্রশিক্ষণ কাজ চালান
এই ল্যাবটি Google আর্টিফ্যাক্ট রেজিস্ট্রিতে একটি কাস্টম কন্টেইনারের মাধ্যমে কাস্টম প্রশিক্ষণ ব্যবহার করে, তবে আপনি পূর্ব-নির্মিত কন্টেইনারগুলির সাথে একটি প্রশিক্ষণের কাজও চালাতে পারেন৷
শুরু করতে, আপনার ক্লাউড কনসোলের ভার্টেক্স বিভাগে প্রশিক্ষণ বিভাগে নেভিগেট করুন:
ধাপ 1: প্রশিক্ষণের কাজ কনফিগার করুন
আপনার প্রশিক্ষণ কাজের জন্য প্যারামিটার প্রবেশ করতে তৈরি করুন ক্লিক করুন.
- ডেটাসেটের অধীনে, পরিচালিত ডেটাসেট নেই নির্বাচন করুন
- তারপর আপনার প্রশিক্ষণ পদ্ধতি হিসাবে কাস্টম প্রশিক্ষণ (উন্নত) নির্বাচন করুন এবং চালিয়ে যান ক্লিক করুন।
- ট্রেনের নতুন মডেল নির্বাচন করুন তারপর মডেল নামের জন্য
flowers-modelলিখুন (বা আপনি আপনার মডেলকে যা বলতে চান) - অবিরত ক্লিক করুন
ধারক সেটিংস ধাপে, কাস্টম ধারক নির্বাচন করুন:
প্রথম বাক্সে ( ধারক চিত্র ), পূর্ববর্তী বিভাগ থেকে আপনার IMAGE_URI ভেরিয়েবলের মান লিখুন। এটি হওয়া উচিত: us-central1-docker.pkg.dev/{PROJECT_ID}/flower-app/flower_image:latest , আপনার নিজের প্রোজেক্ট আইডি সহ। বাকি ক্ষেত্রগুলো ফাঁকা রেখে Continue এ ক্লিক করুন।
আবার Continue-এ ক্লিক করে হাইপারপ্যারামিটার ধাপটি এড়িয়ে যান।
ধাপ 2: কম্পিউট ক্লাস্টার কনফিগার করুন
নিম্নরূপ কর্মী পুল 0 কনফিগার করুন:
আপনি এখনকার জন্য ধাপ 6 এড়িয়ে যাবেন এবং এই সিরিজের পরবর্তী ল্যাবে পূর্বাভাস ধারকটি কনফিগার করবেন।
প্রশিক্ষণের কাজ শুরু করতে ট্রেনিং শুরু করুন এ ক্লিক করুন। ট্রেনিং পাইপলাইন ট্যাবের অধীনে আপনার কনসোলের প্রশিক্ষণ বিভাগে আপনি আপনার সদ্য চালু হওয়া কাজটি দেখতে পাবেন:
🎉 অভিনন্দন! 🎉
আপনি শিখেছেন কিভাবে Vertex AI ব্যবহার করতে হয়:
- একটি কাস্টম পাত্রে প্রদত্ত প্রশিক্ষণ কোডের জন্য একটি কাস্টম প্রশিক্ষণ কাজ চালু করুন। আপনি এই উদাহরণে একটি TensorFlow মডেল ব্যবহার করেছেন, কিন্তু আপনি কাস্টম বা বিল্ট-ইন কন্টেনার ব্যবহার করে যেকোন ফ্রেমওয়ার্কের সাথে তৈরি একটি মডেলকে প্রশিক্ষণ দিতে পারেন।
ভার্টেক্সের বিভিন্ন অংশ সম্পর্কে আরও জানতে, ডকুমেন্টেশন দেখুন।
6. [ঐচ্ছিক] Vertex AI Python SDK ব্যবহার করুন
পূর্ববর্তী বিভাগে দেখানো হয়েছে কিভাবে UI এর মাধ্যমে প্রশিক্ষণের কাজ শুরু করা যায়। এই বিভাগে, আপনি Vertex AI Python SDK ব্যবহার করে প্রশিক্ষণের কাজ জমা দেওয়ার একটি বিকল্প উপায় দেখতে পাবেন।
আপনার নোটবুকের উদাহরণে ফিরে যান এবং লঞ্চার থেকে একটি তৈরি করুন একটি টেনসরফ্লো 2 নোটবুক তৈরি করুন:
Vertex AI SDK আমদানি করুন।
from google.cloud import aiplatform
তারপর একটি CustomContainerTrainingJob তৈরি করুন। আপনাকে আপনার প্রোজেক্টের নামের সাথে container_uri {PROJECT_ID} প্রতিস্থাপন করতে হবে এবং আপনার আগে তৈরি করা বালতি দিয়ে staging_bucket এ {BUCKET} প্রতিস্থাপন করতে হবে।
my_job = aiplatform.CustomContainerTrainingJob(display_name='flower-sdk-job',
container_uri='us-central1-docker.pkg.dev/{PROJECT_ID}/flower-app/flower_image:latest',
staging_bucket='gs://{BUCKET}')
তারপর, কাজ চালান.
my_job.run(replica_count=1,
machine_type='n1-standard-8',
accelerator_type='NVIDIA_TESLA_V100',
accelerator_count=1)
প্রদর্শনের উদ্দেশ্যে, এই কাজটি পূর্ববর্তী বিভাগের তুলনায় একটি বড় মেশিনে চালানোর জন্য কনফিগার করা হয়েছে। উপরন্তু, আমরা একটি GPU দিয়ে চলছি। আপনি machine-type , accelerator_type , বা accelerator_count নির্দিষ্ট না করলে, কাজটি একটি n1-standard-4 এ ডিফল্টরূপে চলবে।
কাস্টম জবস ট্যাবের অধীনে আপনার কনসোলের প্রশিক্ষণ বিভাগে আপনি আপনার প্রশিক্ষণের কাজ দেখতে পাবেন।
7. পরিষ্কার করা
যেহেতু Vertex AI ওয়ার্কবেঞ্চ পরিচালিত নোটবুকগুলিতে একটি নিষ্ক্রিয় শাটডাউন বৈশিষ্ট্য রয়েছে, আমাদের উদাহরণটি বন্ধ করার বিষয়ে চিন্তা করার দরকার নেই। আপনি যদি দৃষ্টান্তটি ম্যানুয়ালি বন্ধ করতে চান, তাহলে কনসোলের Vertex AI Workbench বিভাগে স্টপ বোতামে ক্লিক করুন। আপনি যদি নোটবুকটি সম্পূর্ণরূপে মুছে ফেলতে চান তবে মুছুন বোতামটি ক্লিক করুন।
আপনার ক্লাউড কনসোলে নেভিগেশন মেনু ব্যবহার করে স্টোরেজ বাকেট মুছে ফেলতে, স্টোরেজ ব্রাউজ করুন, আপনার বালতি নির্বাচন করুন এবং মুছুন ক্লিক করুন:
