ক্লাউড রান জবস কিভাবে ব্যবহার করবেন & ভিডিও প্রক্রিয়া করার জন্য ভিডিও ইন্টেলিজেন্স API

1. ভূমিকা

ওভারভিউ

এই কোডল্যাবে, আপনি Node.js এ লেখা একটি ক্লাউড রান জব তৈরি করবেন যা একটি ভিডিওতে প্রতিটি দৃশ্যের একটি ভিজ্যুয়াল বর্ণনা প্রদান করে। প্রথমত, আপনার কাজ ভিডিও ইন্টেলিজেন্স এপিআই ব্যবহার করবে যখনই একটি দৃশ্য পরিবর্তনের জন্য টাইমস্ট্যাম্প সনাক্ত করতে। এরপরে, প্রতিটি দৃশ্য-পরিবর্তন টাইমস্ট্যাম্পের জন্য একটি স্ক্রিনশট ক্যাপচার করতে আপনার কাজটি ffmpeg নামক একটি 3য় পক্ষের বাইনারি ব্যবহার করবে। সবশেষে, Vertex AI ভিজ্যুয়াল ক্যাপশনিং স্ক্রিনশটগুলির একটি ভিজ্যুয়াল বিবরণ প্রদান করতে ব্যবহৃত হয়।

এই কোডল্যাবটি একটি প্রদত্ত টাইমস্ট্যাম্পে একটি ভিডিও থেকে চিত্রগুলি ক্যাপচার করতে আপনার ক্লাউড রান কাজের মধ্যে কীভাবে ffmpeg ব্যবহার করতে হয় তা প্রদর্শন করে। যেহেতু ffmpeg স্বাধীনভাবে ইনস্টল করা প্রয়োজন, এই কোডল্যাব আপনাকে দেখায় কিভাবে আপনার ক্লাউড রান কাজের অংশ হিসাবে ffmpeg ইনস্টল করার জন্য একটি ডকারফাইল তৈরি করতে হয়।

ক্লাউড রান জব কীভাবে কাজ করে তার একটি চিত্র এখানে দেওয়া হল:

ক্লাউড রান কাজের ভিডিও বর্ণনা চিত্রণ

আপনি কি শিখবেন

  • একটি 3য় পক্ষের বাইনারি ইনস্টল করতে ডকারফাইল ব্যবহার করে কীভাবে একটি ধারক চিত্র তৈরি করবেন
  • অন্যান্য Google ক্লাউড পরিষেবাগুলিতে কল করার জন্য ক্লাউড রান কাজের জন্য একটি পরিষেবা অ্যাকাউন্ট তৈরি করে কীভাবে সর্বনিম্ন সুবিধার নীতি অনুসরণ করবেন
  • ক্লাউড রান জব থেকে ভিডিও ইন্টেলিজেন্স ক্লায়েন্ট লাইব্রেরি কীভাবে ব্যবহার করবেন
  • Vertex AI থেকে প্রতিটি দৃশ্যের ভিজ্যুয়াল বিবরণ পেতে Google API-কে কীভাবে কল করবেন

2. সেটআপ এবং প্রয়োজনীয়তা

পূর্বশর্ত

ক্লাউড শেল সক্রিয় করুন

  1. ক্লাউড কনসোল থেকে, ক্লাউড শেল সক্রিয় করুন ক্লিক করুন d1264ca30785e435.png .

cb81e7c8e34bc8d.png

যদি এটি আপনার প্রথমবার ক্লাউড শেল শুরু হয়, তাহলে এটি কী তা বর্ণনা করে আপনাকে একটি মধ্যবর্তী স্ক্রীন উপস্থাপন করা হবে। যদি আপনি একটি মধ্যবর্তী স্ক্রীনের সাথে উপস্থাপিত হন, তবে চালিয়ে যান ক্লিক করুন।

d95252b003979716.png

ক্লাউড শেলের সাথে সংযোগ করতে এবং সংযোগ করতে এটির মাত্র কয়েক মুহূর্ত লাগবে৷

7833d5e1c5d18f54.png

এই ভার্চুয়াল মেশিনটি প্রয়োজনীয় সমস্ত বিকাশের সরঞ্জাম দিয়ে লোড করা হয়েছে। এটি একটি ক্রমাগত 5 GB হোম ডিরেক্টরি অফার করে এবং Google ক্লাউডে চলে, যা নেটওয়ার্ক কর্মক্ষমতা এবং প্রমাণীকরণকে ব্যাপকভাবে উন্নত করে। এই কোডল্যাবে আপনার অনেক কাজ, যদি সব না হয়, ব্রাউজার দিয়ে করা যেতে পারে।

একবার ক্লাউড শেলের সাথে সংযুক্ত হয়ে গেলে, আপনি দেখতে পাবেন যে আপনি প্রমাণীকৃত হয়েছেন এবং প্রকল্পটি আপনার প্রকল্প আইডিতে সেট করা আছে।

  1. 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`
  1. gcloud কমান্ড আপনার প্রকল্প সম্পর্কে জানে তা নিশ্চিত করতে ক্লাউড শেলে নিম্নলিখিত কমান্ডটি চালান:
gcloud config list project

কমান্ড আউটপুট

[core]
project = <PROJECT_ID>

যদি এটি না হয়, আপনি এই কমান্ড দিয়ে এটি সেট করতে পারেন:

gcloud config set project <PROJECT_ID>

কমান্ড আউটপুট

Updated property [core/project].

3. এপিআই সক্ষম করুন এবং এনভায়রনমেন্ট ভেরিয়েবল সেট করুন

আপনি এই কোডল্যাব ব্যবহার শুরু করার আগে, আপনাকে সক্রিয় করতে হবে এমন বেশ কয়েকটি API আছে। এই কোডল্যাবের জন্য নিম্নলিখিত API ব্যবহার করা প্রয়োজন। আপনি নিম্নলিখিত কমান্ডটি চালিয়ে সেই APIগুলি সক্ষম করতে পারেন:

gcloud services enable run.googleapis.com \
    storage.googleapis.com \
    cloudbuild.googleapis.com \
    videointelligence.googleapis.com \
    aiplatform.googleapis.com

তারপর আপনি পরিবেশ ভেরিয়েবল সেট করতে পারেন যা এই কোডল্যাব জুড়ে ব্যবহার করা হবে।

REGION=<YOUR-REGION>
PROJECT_ID=<YOUR-PROJECT-ID>
PROJECT_NUMBER=$(gcloud projects describe $PROJECT_ID --format='value(projectNumber)')
JOB_NAME=video-describer-job
BUCKET_ID=$PROJECT_ID-video-describer
SERVICE_ACCOUNT="cloud-run-job-video"
SERVICE_ACCOUNT_ADDRESS=$SERVICE_ACCOUNT@$PROJECT_ID.iam.gserviceaccount.com

4. একটি পরিষেবা অ্যাকাউন্ট তৈরি করুন

ক্লাউড স্টোরেজ, ভার্টেক্স এআই, এবং ভিডিও ইন্টেলিজেন্স এপিআই অ্যাক্সেস করার জন্য আপনি ক্লাউড রান কাজের জন্য একটি পরিষেবা অ্যাকাউন্ট তৈরি করবেন।

প্রথমে, পরিষেবা অ্যাকাউন্ট তৈরি করুন।

gcloud iam service-accounts create $SERVICE_ACCOUNT \
  --display-name="Cloud Run Video Scene Image Describer service account"

তারপর ক্লাউড স্টোরেজ বাকেট এবং Vertex AI API-তে পরিষেবা অ্যাকাউন্ট অ্যাক্সেস মঞ্জুর করুন।

# 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

5. একটি ক্লাউড স্টোরেজ বালতি তৈরি করুন৷

একটি ক্লাউড স্টোরেজ বাকেট তৈরি করুন যেখানে আপনি নিম্নলিখিত কমান্ডের সাহায্যে ক্লাউড রান জব দ্বারা প্রক্রিয়াকরণের জন্য ভিডিও আপলোড করতে পারেন:

gsutil mb -l us-central1 gs://$BUCKET_ID/

[ঐচ্ছিক] আপনি স্থানীয়ভাবে ডাউনলোড করে এই নমুনা ভিডিওটি ব্যবহার করতে পারেন।

gsutil cp gs://cloud-samples-data/video/visionapi.mp4 testvideo.mp4

এখন আপনার স্টোরেজ বালতিতে আপনার ভিডিও ফাইল আপলোড করুন।

FILENAME=<YOUR-VIDEO-FILENAME>
gsutil cp $FILENAME gs://$BUCKET_ID

6. ক্লাউড রান জব তৈরি করুন

প্রথমে, সেই ডিরেক্টরিতে সোর্স কোড এবং সিডির জন্য একটি ডিরেক্টরি তৈরি করুন।

mkdir video-describer-job && cd $_

তারপর, নিম্নলিখিত বিষয়বস্তু সহ একটি package.json ফাইল তৈরি করুন:

{
  "name": "video-describer-job",
  "version": "1.0.0",
  "private": true,
  "description": "describes the image in every scene for a given video",
  "main": "app.js",
  "author": "Google LLC",
  "license": "Apache-2.0",
  "scripts": {
    "start": "node app.js"
  },
  "dependencies": {
    "@google-cloud/storage": "^7.7.0",
    "@google-cloud/video-intelligence": "^5.0.1",
    "axios": "^1.6.2",
    "fluent-ffmpeg": "^2.1.2",
    "google-auth-library": "^9.4.1"
  }
}

এই অ্যাপটিতে উন্নত পঠনযোগ্যতার জন্য বেশ কয়েকটি উৎস ফাইল রয়েছে। প্রথমে নিচের বিষয়বস্তু সহ একটি app.js সোর্স ফাইল তৈরি করুন। এই ফাইলটিতে কাজের জন্য এন্ট্রি পয়েন্ট রয়েছে এবং অ্যাপটির মূল যুক্তি রয়েছে৷

const bucketName = "<YOUR_BUCKET_ID>";
const videoFilename = "<YOUR-VIDEO-FILENAME>";

const { captureImages } = require("./helpers/imageCapture.js");
const { detectSceneChanges } = require("./helpers/sceneDetector.js");
const { getImageCaption } = require("./helpers/imageCaptioning.js");
const storageHelper = require("./helpers/storage.js");
const authHelper = require("./helpers/auth.js");

const fs = require("fs").promises;
const path = require("path");

const main = async () => {

    try {

        // download the file to locally to the Cloud Run Job instance
        let localFilename = await storageHelper.downloadVideoFile(
            bucketName,
            videoFilename
        );

        // PART 1 - Use Video Intelligence API
        // detect all the scenes in the video & save timestamps to an array

        // EXAMPLE OUTPUT
        // Detected scene changes at the following timestamps:
        // [1, 7, 11, 12]
        let timestamps = await detectSceneChanges(localFilename);
        console.log(
            "Detected scene changes at the following timestamps: ",
            timestamps
        );

        // PART 2 - Use ffmpeg via dockerfile install
        // create an image of each scene change
        // and save to a local directory called "output"
        // returns the base filename for the generated images

        // EXAMPLE OUTPUT
        // creating screenshot for scene:  1 at output/video-filename-1.png
        // creating screenshot for scene:  7 at output/video-filename-7.png
        // creating screenshot for scene:  11 at output/video-filename-11.png
        // creating screenshot for scene:  12 at output/video-filename-12.png
        // returns the base filename for the generated images
        let imageBaseName = await captureImages(localFilename, timestamps);

        // PART 3a - get Access Token to call Vertex AI APIs via REST
        // needed for the image captioning
        // since we're calling the Vertex AI APIs directly
        let accessToken = await authHelper.getAccessToken();
        console.log("got an access token");

        // PART 3b - use Image Captioning to describe each scene per screenshot
        // EXAMPLE OUTPUT
        /*
        [
            {
                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"
            }
        ]; */

        // instantiate the data structure for storing the scene description and timestamp
        // e.g. an array of json objects,
        // [{ timestamp: 5, description: "..." }, ...]
        let scenes = [];

        // for each timestamp, send the image to Vertex AI
        console.log("getting Vertex AI description for each timestamps");
        scenes = await Promise.all(
            timestamps.map(async (timestamp) => {
                let filepath = path.join(
                    "./output",
                    imageBaseName + "-" + timestamp + ".png"
                );

                // get the base64 encoded image bc sending via REST
                const encodedFile = await fs.readFile(filepath, "base64");

                // send each screenshot to Vertex AI for description
                let description = await getImageCaption(
                    accessToken,
                    encodedFile
                );

                return { timestamp: timestamp, description: description };
            })
        );

        console.log("finished collecting all the scenes");
        console.log(scenes);
    } catch (error) {
        //return an error
        console.error("received error: ", error);
    }
};

// Start script
main().catch((err) => {
    console.error(err);
});

পরবর্তী, Dockerfile তৈরি করুন।

# 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 job on container startup.
CMD [ "npm", "start" ]

এবং নির্দিষ্ট ফাইল কন্টেইনারাইজিং উপেক্ষা করতে .dockerignore নামে একটি ফাইল তৈরি করুন।

Dockerfile
.dockerignore
node_modules
npm-debug.log

এখন helpers নামে একটি ফোল্ডার তৈরি করুন। এই ফোল্ডারে 5টি হেল্পার ফাইল থাকবে।

mkdir helpers
cd helpers

এরপরে, নিম্নলিখিত বিষয়বস্তু সহ একটি sceneDetector.js ফাইল তৈরি করুন। ভিডিওতে দৃশ্য পরিবর্তন হলে এই ফাইলটি সনাক্ত করতে ভিডিও ইন্টেলিজেন্স 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 নিচের বিষয়বস্তু সহ imageCapture.js নামে একটি ফাইল তৈরি করুন। এই ফাইলটি একটি নোড অ্যাপের মধ্যে থেকে ffmpeg কমান্ড চালানোর জন্য নোড প্যাকেজ fluent-ffmpeg 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");
        return imageBaseName; // return the base filename for each image
    }
};

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();
            });
    });
}

অবশেষে, নিম্নলিখিত বিষয়বস্তু সহ imageCaptioning.js নামে একটি ফাইল তৈরি করুন। এই ফাইলটি প্রতিটি দৃশ্যের চিত্রের একটি চাক্ষুষ বিবরণ 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 = {
    getImageCaption: async function (token, encodedFile) {
        // this example shows you how to call the Vertex REST APIs directly
        // https://cloud.google.com/vertex-ai/generative-ai/docs/image/image-captioning#get-captions-short
        // https://cloud.google.com/vertex-ai/generative-ai/docs/model-reference/image-captioning

        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];
    }
};

auth.js নামে একটি ফাইল তৈরি করুন। এই ফাইলটি Google প্রমাণীকরণ ক্লায়েন্ট লাইব্রেরি ব্যবহার করে সরাসরি Vertex AI এন্ডপয়েন্টে কল করার জন্য প্রয়োজনীয় একটি অ্যাক্সেস টোকেন পেতে পারে।

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();
    }
};

সবশেষে, storage.js নামে একটি ফাইল তৈরি করুন। এই ফাইলটি ক্লাউড স্টোরেজ থেকে একটি ভিডিও ডাউনলোড করতে ক্লাউড স্টোরেজ ক্লায়েন্ট লাইব্রেরি ব্যবহার করবে।

const { Storage } = require("@google-cloud/storage");

module.exports = {
    downloadVideoFile: async function (bucketName, 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;
    }
};

7. ক্লাউড রান জব স্থাপন এবং কার্যকর করুন

প্রথমে, নিশ্চিত করুন যে আপনি আপনার কোডল্যাবের জন্য রুট ডিরেক্টরি video-describer-job এ আছেন।

cd .. && pwd

তারপর, আপনি ক্লাউড রান জব স্থাপন করতে এই কমান্ডটি ব্যবহার করতে পারেন।

gcloud run jobs deploy $JOB_NAME  --source . --region $REGION

এখন, আপনি নিম্নলিখিত কমান্ডটি চালিয়ে ক্লাউড রান জবটি চালাতে পারেন:

gcloud run jobs execute $JOB_NAME

একবার কাজটি কার্যকর করা শেষ হলে, আপনি লগ ইউআরআই-এর একটি লিঙ্ক পেতে নিম্নলিখিত কমান্ডটি চালাতে পারেন। (অথবা আপনি ক্লাউড কনসোল ব্যবহার করতে পারেন এবং লগগুলি দেখতে সরাসরি ক্লাউড রান জবসে যেতে পারেন।)

gcloud run jobs executions describe <JOB_EXECUTION_ID>

আপনি লগগুলিতে নিম্নলিখিত আউটপুট দেখতে হবে:

[{ timestamp: 1, description: 'what is google cloud vision api ? is written on a white background .'},
{ timestamp: 3, description: 'a woman wearing a google cloud vision api shirt sits at a table'},
{ timestamp: 18, description: 'a person holding a cell phone with the words what is cloud vision api on the bottom' }, ...]

8. অভিনন্দন!

কোডল্যাব সম্পূর্ণ করার জন্য অভিনন্দন!

আমরা ভিডিও ইন্টেলিজেন্স এপিআই , ক্লাউড রান এবং ভার্টেক্স এআই ভিজ্যুয়াল ক্যাপশনিং- এর ডকুমেন্টেশন পর্যালোচনা করার পরামর্শ দিই।

আমরা কভার করেছি কি

  • একটি 3য় পক্ষের বাইনারি ইনস্টল করতে ডকারফাইল ব্যবহার করে কীভাবে একটি ধারক চিত্র তৈরি করবেন
  • অন্যান্য Google ক্লাউড পরিষেবাগুলিতে কল করার জন্য ক্লাউড রান কাজের জন্য একটি পরিষেবা অ্যাকাউন্ট তৈরি করে কীভাবে সর্বনিম্ন সুবিধার নীতি অনুসরণ করবেন
  • ক্লাউড রান জব থেকে ভিডিও ইন্টেলিজেন্স ক্লায়েন্ট লাইব্রেরি কীভাবে ব্যবহার করবেন
  • Vertex AI থেকে প্রতিটি দৃশ্যের ভিজ্যুয়াল বিবরণ পেতে Google API-কে কীভাবে কল করবেন

9. পরিষ্কার করুন

অসাবধানতাবশত চার্জ এড়াতে, (উদাহরণস্বরূপ, যদি এই ক্লাউড রান জবটি আপনার মাসিক ক্লাউড রান ইনভোকমেন্ট বরাদ্দের চেয়ে অজান্তেই ফ্রি টিয়ারে বেশি বার আহ্বান করা হয়), আপনি হয় ক্লাউড রান কাজটি মুছে ফেলতে পারেন বা ধাপ 2-এ আপনার তৈরি করা প্রকল্পটি মুছে ফেলতে পারেন।

ক্লাউড রানের কাজটি মুছে ফেলতে, https://console.cloud.google.com/run/- এ ক্লাউড রান ক্লাউড কনসোলে যান এবং video-describer-job ফাংশনটি মুছুন (অথবা আপনি যদি অন্য কোনো নাম ব্যবহার করেন তাহলে $JOB_NAME )

আপনি যদি সম্পূর্ণ প্রকল্প মুছে ফেলার সিদ্ধান্ত নেন, আপনি https://console.cloud.google.com/cloud-resource-manager- এ যেতে পারেন, ধাপ 2-এ আপনার তৈরি করা প্রকল্পটি নির্বাচন করুন এবং মুছুন নির্বাচন করুন৷ আপনি যদি প্রকল্পটি মুছে ফেলেন, তাহলে আপনাকে আপনার ক্লাউড SDK-এ প্রকল্পগুলি পরিবর্তন করতে হবে৷ আপনি gcloud projects list চালিয়ে সমস্ত উপলব্ধ প্রকল্পের তালিকা দেখতে পারেন।