דף זה תורגם על ידי Cloud Translation API.

איך להשתמש במשימות של Cloud Run & ממשקי API של Video Intelligence לעיבוד סרטונים

1. מבוא

סקירה כללית

ב-Codelab הזה תיצרו משימה של Cloud Run שמופיעה ב-Node.js ומספקת תיאור חזותי של כל סצנה בסרטון. קודם כל, המשימה תשתמש ב-Video Intelligence API כדי לזהות את חותמות הזמן של כל שינוי בסצנה. לאחר מכן, המשימה תשתמש בקובץ בינארי של צד שלישי שנקרא ffmpeg כדי לצלם צילום מסך של כל חותמת זמן של שינוי סצנה. לבסוף, כתוביות ויזואליות של Vertex AI משמשות כדי לספק תיאור חזותי של צילומי המסך.

ה-Codelab הזה גם מדגים איך להשתמש ב-ffmpeg בתוך המשימה ב-Cloud Run כדי לצלם תמונות מסרטון בחותמת זמן נתונה. צריך להתקין את ffmpeg בנפרד, ולכן ה-Codelab הזה מראה איך ליצור קובץ Docker כדי להתקין את ffmpeg כחלק ממשימת Cloud Run.

הנה איור של אופן הפעולה של המשימה ב-Cloud Run:

איור של תיאור של סרטון משימה ב-Cloud Run

מה תלמדו

איך ליצור קובץ אימג' של קונטיינר באמצעות קובץ Docker כדי להתקין קובץ בינארי של צד שלישי
איך לשמור על העיקרון של הרשאות מינימליות על ידי יצירת חשבון שירות בשביל משימת Cloud Run לקריאה לשירותי Google Cloud אחרים
איך להשתמש בספריית הלקוח של Video Intelligence ממשימה ב-Cloud Run
איך מבצעים קריאה ל-Google APIs כדי לקבל את התיאור החזותי של כל סצנה מ-Vertex AI

2. הגדרה ודרישות

דרישות מוקדמות

אתם מחוברים למסוף Cloud.
פרסתם בעבר שירות של Cloud Run. לדוגמה, אפשר להיעזר במדריך למתחילים לפריסת שירות אינטרנט מקוד מקור כדי להתחיל בעבודה.

הפעלת Cloud Shell

במסוף Cloud, לוחצים על Activate Cloud Shell .

אם זו הפעם הראשונה שאתם מפעילים את Cloud Shell, יוצג לכם מסך ביניים שמתוארת בו. אם הוצג לכם מסך ביניים, לוחצים על המשך.

ההקצאה וההתחברות ל-Cloud Shell נמשכת כמה דקות.

במכונה הווירטואלית הזו נמצאים כל כלי הפיתוח הדרושים. יש בה ספריית בית בנפח מתמיד של 5GB והיא פועלת ב-Google Cloud, מה שמשפר משמעותית את ביצועי הרשת והאימות. אם לא את כולן, ניתן לבצע חלק גדול מהעבודה ב-Codelab הזה באמצעות דפדפן.

אחרי ההתחברות ל-Cloud Shell, אתם אמורים לראות שהפרויקט מאומת ושהפרויקט מוגדר לפי מזהה הפרויקט שלכם.

מריצים את הפקודה הבאה ב-Cloud Shell כדי לוודא שהאימות בוצע:

gcloud auth list

פלט הפקודה

 Credentialed Accounts
ACTIVE  ACCOUNT
*       <my_account>@<my_domain.com>

To set the active account, run:
    $ gcloud config set account `ACCOUNT`

מריצים את הפקודה הבאה ב-Cloud Shell כדי לוודא שהפקודה ב-gcloud יודעת על הפרויקט שלכם:

gcloud config list project

פלט הפקודה

[core]
project = <PROJECT_ID>

אם היא לא נמצאת שם, תוכלו להגדיר אותה באמצעות הפקודה הבאה:

gcloud config set project <PROJECT_ID>

פלט הפקודה

Updated property [core/project].

3. הפעלת ממשקי API והגדרת משתני סביבה

לפני שתוכלו להתחיל להשתמש ב-Codelab הזה, יש כמה ממשקי API שתצטרכו להפעיל. ה-Codelab הזה מחייב שימוש בממשקי ה-API הבאים. כדי להפעיל את ממשקי ה-API האלה, מריצים את הפקודה הבאה:

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

לאחר מכן תוכלו להגדיר משתני סביבה שישמשו ב-Codelab הזה.

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. יצירה של חשבון שירות.

יוצרים חשבון שירות למשימת Cloud Run שאפשר להשתמש בה כדי לגשת ל-Cloud Storage, ל-Vertex AI ול-Video Intelligence API.

קודם יוצרים את חשבון השירות.

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

לאחר מכן מעניקים לחשבון השירות גישה לקטגוריה של Cloud Storage ולממשקי ה-API של Vertex AI.

# 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. יצירת קטגוריה של Cloud Storage

יוצרים קטגוריה של Cloud Storage שבה אפשר להעלות סרטונים לעיבוד על ידי המשימה ב-Cloud Run באמצעות הפקודה הבאה:

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

[אופציונלי] כדי להשתמש בסרטון לדוגמה הזה, צריך להוריד אותו באופן מקומי.

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

עכשיו מעלים את קובץ הסרטון לקטגוריית האחסון.

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

6. יצירת המשימה ב-Cloud Run

קודם כל, יוצרים ספרייה עבור קוד המקור וה-cd בספרייה הזו.

mkdir video-describer-job && cd $_

לאחר מכן, יוצרים קובץ package.json עם התוכן הבא:

{
  "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"
  }
}

האפליקציה הזו מורכבת מכמה קובצי מקור כדי לשפר את הקריאוּת. קודם כול, יוצרים קובץ מקור app.js עם התוכן שלמטה. הקובץ הזה מכיל את נקודת הכניסה למשימה ומכיל את הלוגיקה העיקרית של האפליקציה.

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);
});

בשלב הבא יוצרים את Dockerfile.

# 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" ]

כמו כן, עליך ליצור קובץ בשם .dockerignore כדי להתעלם מהקונטיינרים של קבצים מסוימים.

Dockerfile
.dockerignore
node_modules
npm-debug.log

עכשיו יוצרים תיקייה בשם helpers. התיקייה הזו תכיל 5 קובצי עזר.

mkdir helpers
cd helpers

בשלב הבא, יוצרים קובץ sceneDetector.js עם התוכן הבא. הקובץ הזה משתמש ב-Video Intelligence API כדי לזהות מתי הסצנות בסרטון משתנות.

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;
}

עכשיו צריך ליצור קובץ בשם imageCapture.js עם התוכן הבא. הקובץ הזה משתמש בחבילת הצמתים fluent-ffmpeg כדי להריץ פקודות ffmpeg מתוך אפליקציה של צומת.

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();
            });
    });
}

לבסוף, יוצרים קובץ בשם imageCaptioning.js עם התוכן הבא. בקובץ הזה נעשה שימוש ב-Vertex AI כדי לקבל תיאור חזותי של כל תמונה של סצנה.

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];
    }
};

יוצרים קובץ בשם auth.js. הקובץ הזה ישתמש בספריית הלקוח לאימות של Google כדי לקבל אסימון גישה שנדרש כדי להפעיל ישירות את נקודות הקצה של Vertex AI.

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();
    }
};

לבסוף, יוצרים קובץ בשם storage.js. הקובץ ישתמש בספריות הלקוח של Cloud Storage כדי להוריד סרטון מאחסון בענן.

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. פריסה והפעלה של המשימה ב-Cloud Run

קודם כל, צריך לוודא שאתם נמצאים בתיקיית השורש video-describer-job של ה-Codelab.

cd .. && pwd

לאחר מכן תוכלו להשתמש בפקודה הזו כדי לפרוס את המשימה ב-Cloud Run.

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

עכשיו תוכלו לבצע את המשימה ב-Cloud Run על ידי הרצת הפקודה הבאה:

gcloud run jobs execute $JOB_NAME

בסיום המשימה, תוכלו להריץ את הפקודה הבאה כדי לקבל קישור ל-URI של היומן. (לחלופין, אפשר להשתמש במסוף Cloud ולעבור ישירות אל Cloud Run Jobs כדי לראות את היומנים).

gcloud run jobs executions describe <JOB_EXECUTION_ID>

הפלט הבא אמור להופיע ביומנים:

[{ 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. מעולה!

מזל טוב, השלמת את Codelab!

אנחנו ממליצים לעיין במסמכים בנושא Video Intelligence API, Cloud Run וכתוביות חזותיות ב-Vertex AI.

אילו נושאים דיברנו?

איך ליצור קובץ אימג' של קונטיינר באמצעות קובץ Docker כדי להתקין קובץ בינארי של צד שלישי
איך לשמור על העיקרון של הרשאות מינימליות על ידי יצירת חשבון שירות בשביל משימת Cloud Run לקריאה לשירותי Google Cloud אחרים
איך להשתמש בספריית הלקוח של Video Intelligence ממשימה ב-Cloud Run
איך מבצעים קריאה ל-Google APIs כדי לקבל את התיאור החזותי של כל סצנה מ-Vertex AI

9. הסרת המשאבים

כדי להימנע מחיובים לא מכוונים (לדוגמה, אם המשימה הזו ב-Cloud Run הופעלה בטעות יותר פעמים מהקצאת ההפעלה החודשית ב-Cloud Run בתוכנית ללא תשלום), אפשר למחוק את המשימה ב-Cloud Run או למחוק את הפרויקט שיצרתם בשלב 2.

כדי למחוק את המשימה ב-Cloud Run, נכנסים למסוף Cloud Run Cloud בכתובת https://console.cloud.google.com/run/ ומוחקים את הפונקציה video-describer-job (או את $JOB_NAME אם השתמשתם בשם אחר).

אם בוחרים למחוק את הפרויקט כולו, נכנסים לכתובת https://console.cloud.google.com/cloud-resource-manager, בוחרים את הפרויקט שיצרתם בשלב 2 ובוחרים באפשרות 'מחיקה'. אם תמחקו את הפרויקט, יהיה צריך לבצע שינויים בפרויקטים ב-Cloud SDK. כדי להציג את הרשימה של כל הפרויקטים הזמינים, אפשר להריץ את הפקודה gcloud projects list.