九九在线精品视频xxx,精品国产一区二区三区久久影院,成人午夜视频在线

image_paths = glob(os.path.join(images_path, '**/*.jpg'), recursive=True)

embeddings = []
for img_path in image_paths:
image = Image.open(img_path)
embedding = model.encode(image)
embeddings.append(embedding)

return embeddings, image_paths

IMAGES_PATH = '/path/to/images/dataset'

embeddings, image_paths = generate_clip_embeddings(IMAGES_PATH, model)

2.2 生成 FAISS 索引

下一步是從嵌入向量列表創建 FAISS 索引。FAISS 為相似性搜索提供了各種距離度量，包括內積 (IP) 和 L2（歐幾里得）距離。

FAISS 還提供各種索引選項。它可以使用近似或壓縮技術來有效處理大型數據集，同時平衡搜索速度和準確性。在本教程中，我們將使用“平面”索引，它通過將查詢向量與數據集中的每個向量進行比較來執行強力搜索，以確保以更高的計算復雜度為代價獲得準確的結果。

def create_faiss_index(embeddings, image_paths, output_path):



    dimension = len(embeddings[0])

    index = faiss.IndexFlatIP(dimension)

    index = faiss.IndexIDMap(index)



    vectors = np.array(embeddings).astype(np.float32)



    # Add vectors to the index with IDs

    index.add_with_ids(vectors, np.array(range(len(embeddings))))



    # Save the index

    faiss.write_index(index, output_path)

    print(f"Index created and saved to {output_path}")



    # Save image paths

    with open(output_path + '.paths', 'w') as f:

        for img_path in image_paths:

            f.write(img_path + '\n')



    return index



OUTPUT_INDEX_PATH = "/content/vector.index"

index = create_faiss_index(embeddings, image_paths, OUTPUT_INDEX_PATH)

faiss.IndexFlatIP 初始化內積相似度索引，將其包裝在 faiss.IndexIDMap 中，以將每個向量與 ID 關聯。接下來， index.add_with_ids 將向量添加到具有連續 ID 的索引中，并將索引與圖像路徑一起保存到磁盤。

索引可以立即使用，也可以保存到磁盤以備將來使用。要加載 FAISS 索引，我們將使用以下函數：

def load_faiss_index(index_path):

    index = faiss.read_index(index_path)

    with open(index_path + '.paths', 'r') as f:

        image_paths = [line.strip() for line in f]

    print(f"Index loaded from {index_path}")

    return index, image_paths



index, image_paths = load_faiss_index(OUTPUT_INDEX_PATH)

2.3 通過文本查詢或參考圖像檢索圖像

建立 FAISS 索引后，我們現在可以使用文本查詢或參考圖像檢索圖像。如果查詢是圖像路徑，則使用 PIL的 Image.open 打開查詢。接下來，使用 CLIP的 model.encode 提取查詢嵌入向量。

def retrieve_similar_images(query, model, index, image_paths, top_k=3):



    # query preprocess:

    if query.endswith(('.png', '.jpg', '.jpeg', '.tiff', '.bmp', '.gif')):

        query = Image.open(query)



    query_features = model.encode(query)

    query_features = query_features.astype(np.float32).reshape(1, -1)



    distances, indices = index.search(query_features, top_k)



    retrieved_images = [image_paths[int(idx)] for idx in indices[0]]



    return query, retrieved_images

檢索發生在 index.search 方法上。它實現了 k-最近鄰 (kNN) 搜索，以找到與查詢向量最相似的 k 個向量。我們可以通過更改 top_k 參數來調整 k 的值。在我們的實現中，kNN 搜索中使用的距離度量是余弦相似度。該函數返回查詢和檢索圖像路徑的列表。

現在我們準備使用文本查詢進行搜索。輔助函數 visualize_results 顯示結果。你可以在關聯的 Colab 筆記本中找到它。讓我們探索針對文本查詢“ball”檢索到的最相似的 3 幅圖像，例如：

query = 'ball'

query, retrieved_images = retrieve_similar_images(query, model, index, image_paths, top_k=3)

visualize_results(query, retrieved_images)

對于查詢“animal”，我們得到：

使用參考圖像搜索：

query ='/content/drive/MyDrive/Colab Notebooks/my_medium_projects/Image_similarity_search/image_dataset/pexels-w-w-299285-889839.jpg'

query, retrieved_images = retrieve_similar_images(query, model, index, image_paths, top_k=3)

visualize_results(query, retrieved_images)

如我們所見，我們為現成的預訓練模型獲得了非?？岬慕Y果。當我們通過眼睛繪畫的參考圖像進行搜索時，除了找到原始圖像外，它還找到了一個匹配的眼鏡和另一幅畫。這展示了查詢圖像語義含義的不同方面。