当前位置：网站首页>从零到一，教你搭建「CLIP 以文搜图」搜索服务（二）：5 分钟实现原型

从零到一，教你搭建「CLIP 以文搜图」搜索服务（二）：5 分钟实现原型

2022-07-07 02:27:00 【Zilliz Planet】

在上一篇文章中，我们了解了关于搜索技术、以文搜图，以及 CLIP 模型的基础知识。本篇我们将花上 5 分钟时间，对这些基础知识进行一次动手实践，快速构建一个「以文搜图」的搜索服务原型。

Notebook 链接

https://github.com/towhee-io/examples/blob/main/image/text_image_search/1_build_text_image_search_engine.ipynb

这里我们选取 “搜萌宠” 这个小例子：面对成千上万的萌宠，帮助用户在海量的图片中快速找到心仪的那只猫咪或修勾~

图片来源：https://www.vetopia.com.hk

话不多说，先看 5 分钟出活儿的成品效果：

让我们来看看做这样一个原型都需要些什么：

一个宠物的小型图片库。
一个能将宠物图片的语义特征编码成向量的数据处理流水线。
一个能将查询文本的语义特征编码成向量的数据处理流水线。
一个可以支撑向量近邻搜索的向量数据库。
一段能将上述所有内容串起来的 python 脚本程序。

接下来，我们会陆续完成这张图的关键组件，开始干活~

安装基础工具包

我们用到了以下工具：

Towhee 用于构建模型推理流水线的框架，对于新手非常友好。
Faiss 高效的向量近邻搜索库。
Gradio 轻量级的机器学习 Demo 构建工具。

创建一个 conda 环境

conda create -n lovely_pet_retrieval python=3.9 
conda activate lovely_pet_retrieval

安装依赖

pip install towhee gradio 
conda install -c pytorch faiss-cpu

准备图片库的数据

我们选取 ImageNet 数据集的子集作为本文所使用的 “小型宠物图片库”。首先，下载数据集并解压：

curl -L -O https://github.com/towhee-io/examples/releases/download/data/pet_small.zip
unzip -q -o pet_small.zip

数据集的组织如下：

img: 包含 2500 张猫狗宠物图片
info.csv：包含 2500 张图片的基础信息，如图像的编号（id）、图片文件名（file_name）、以及类别（label）。

import pandas as pd
df = pd.read_csv('info.csv')
df.head()

到这里，我们已经完成了关于图片库的准备工作。

将图片的特征编码成向量

我们通过 Towhee 调用 CLIP 模型推理来生成图像的 Embedding 向量：

import towhee


img_vectors = (
    towhee.read_csv('info.csv')
      .image_decode['file_name', 'img']()
      .image_text_embedding.clip['img', 'vec'](model_name='clip_vit_b32', modality='image')
      .tensor_normalize['vec','vec']() # normalize vector
      .select['file_name', 'vec']()
)

这里对代码做一些简要的说明：

read_csv('info.csv')读取了三列数据到data collection，对应的 schema 为 (id，file_name，label）。
image_decode['file_name', 'img']()通过每行的file_name读取图片文件，解码并将图片数据放入img列。
image_text_embedding.clip['img', 'vec'](model_name='clip_vit_b32',modality='image')用clip_vit_b32将img列的每个图像的语义特征编码成向量，向量放到vec列。
tensor_normalize['vec','vec']()将vec列的向量数据做归一化处理。
select['file_name', 'vec']()选中file_name和vec两列作为最终结果。

创建向量库的索引

我们使用 Faiss 对图像的 Embedding 向量构建索引：

img_vectors.to_faiss['file_name', 'vec'](findex='./index.bin')

img_vectors 包含两列数据，分别是file_name，vec。Faiss 对其中的vec列构建索引，并将每行的file_name与vec相关联。在向量搜索的过程中，file_name信息会随结果返回。这一步可能会花上一些时间。

查询文本的向量化

查询文本的向量化过程与图像语义的向量化类似：

req = (
  towhee.dc['text'](['a samoyed lying down'])
    .image_text_embedding.clip['text', 'vec'](model_name='clip_vit_b32', modality='text')
    .tensor_normalize['vec', 'vec']()
    .select['text','vec']()
)

这里对代码做一些简要的说明：

dc['text'](['a samoyed lying down'])创建了一个data collection，包含一行一列，列名为text，内容为 'a samoyed lying down'。
image_text_embedding.clip['text', 'vec'](model_name='clip_vit_b32',modality='text')用clip_vit_b32将文本 'query here' 编码成向量，向量放到vec列。注意，这里我们使用同样的模型(model_name='clip_vit_b32')，但选择了文本模态（modality='text'）。这样可以保证图片和文本的语义向量存在于相同的向量空间。
tensor_normalize['vec','vec']()将vec列的向量数据做归一化处理。
select['vec']()选中text，vec列作为最终结果。

查询

我们首先定义一个根据查询结果读取图片的函数read_images，用于支持召回后对原始图片的访问。

import cv2
from towhee.types import Image


def read_images(anns_results):
   imgs = []
   for i in anns_results:
       path = i.key
       imgs.append(Image(cv2.imread(path), 'BGR'))   
   return imgs

接下来是查询的流水线：

results = (
    req.faiss_search['vec', 'results'](findex='./index.bin')
        .runas_op['results', 'result_imgs'](func=read_images)
        .select['text', 'result_imgs']()
)


results.show()

faiss_search['vec', 'results'](findex='./index.bin', k = 5)使用文本对应的Embedding 向量对图片的向量索引index.bin进行查询，找到与文本语义最接近的 5 张图片，并返回这 5 张图片所对应的文件名results。
runas_op['results', 'result_imgs'](func=read_images)其中的 read_images 是我们定义的图片读取函数，我们使用runas_op将这个函数构造为 Towhee 推理流水线上的一个算子节点。这个算子根据输入的文件名读取图片。
select['text', 'result_imgs']()选取text和result_imgs两列作为结果。

到这一步，我们以文搜图的完整流程就走完了，接下来，我们使用 Grado，将上面的代码包装成一个 demo。

使用 Gradio 打造 demo

首先，我们使用 Towhee 将查询过程组织成一个函数：

search_function = (
    towhee.dummy_input()
        .image_text_embedding.clip(model_name='clip_vit_b32', modality='text')
        .tensor_normalize()
        .faiss_search(findex='./index.bin')
        .runas_op(func=lambda results: [x.key for x in results])
        .as_function()
)

然后，创建基于 Gradio 创建 demo 程序：

import gradio


interface = gradio.Interface(search_function,
                             gradio.inputs.Textbox(lines=1),
                             [gradio.outputs.Image(type="file", label=None) for _ in range(5)]
                            )
                            
interface.launch(inline=True, share=True)

Gradio 为我们提供了一个 Web UI，点击 URL 进行访问（或直接与 notebook 下方出现的界面进行交互）：

点击这个 URL 链接，就会跳转到我们「以文搜图」的交互界面，输入你想要的文字，即可呈现出与文字对应的图片。例如，我们输入 "puppy Corgi" （柯基小奶狗）即可得到：

可以看到 CLIP 对于文本和图像的语义编码还是很细致的，像 “小奶狗” 这样的概念也被包含在了图片与文本的 Embedding 向量中。

总结

在本篇文章中，我们构建了一个以文搜图的服务原型（尽管非常小，但五脏俱全），并使用 Gradio 创建了可交互的 demo 程序。

在今天的这个原型中，我们用到了 2500 张图片，并用 Faiss 库对向量构建索引。但在真实的生产环境中，向量底库的数据量一般在千万级到十亿级，仅使用 Faiss 库难以满足大规模向量搜索所需要的性能、可扩展性、可靠性。在下一篇中，我们将进入进阶内容：学习使用 Milvus 向量数据库进行大规模向量的存储、索引、查询。敬请期待！

更多项目更新及详细内容请关注我们的项目( https://github.com/towhee-io/towhee ) ，您的关注是我们用爱发电的强大动力，欢迎 star, fork, slack 三连 :)