LLM-阿里云 DashVector + ModelScope 多模态向量化实时文本搜图实战总结

最新推荐文章于 2024-08-13 23:10:06 发布

一切如来心秘密

最新推荐文章于 2024-08-13 23:10:06 发布

阅读量1.4k

点赞数 29

分类专栏： # langchain 文章标签： AI LLM langchain

本文链接：https://blog.csdn.net/qq_42586468/article/details/140340604

版权

langchain 专栏收录该内容

8 篇文章 0 订阅

订阅专栏

文章目录

前言
步骤
- 图片数据Embedding入库
- 文本检索
完整代码

前言

本文使用阿里云的向量检索服务（DashVector），结合 ONE-PEACE多模态模型，构建实时的“文本搜图片”的多模态检索能力。整体流程如下：

多模态数据Embedding入库。通过ONE-PEACE模型服务Embedding接口将多种模态的数据集数据转化为高维向量。
多模态Query检索。基于ONE-PEACE模型提供的多模态Embedding能力，我们可以自由组合不同模态的输入，例如单文本、文本+音频、音频+图片等多模态输入，获取Embedding向量后通过DashVector跨模态检索相似结果。

前提条件

开通灵积模型服务，并获得API-KEY：开通DashScope并创建API-KEY
开通向量检索服务：请参见开通服务。
创建向量检索服务API-KEY：请参见API-KEY管理。

环境准备

# 安装 dashscope 和 dashvector sdk
pip3 install dashscope dashvector

# 显示图片
pip3 install Pillow

数据准备

说明
由于DashScope的ONE-PEACE模型服务当前只支持URL形式的图片、音频输入，因此需要将数据集提前上传到公共网络存储（例如 oss/s3），并获取对应图片、音频的url地址列表。

步骤

图片数据Embedding入库

我使用了阿里云的 OSS 保存了图片，通过 OSS Browser 界面获取图片外部可以访问的 URL：

这个 URL 应该也可以通过接口的方式获取，这个还没有研究，感兴趣的小伙伴可以尝试用接口批量获取下，获取这个 URL 的目的是为了让阿里云的 DashScope 服务能够读取到该图片进行 embedding 保存到 DashVector 向量数据库中。
获取到该URL 后，就将该URL 写入到我们的 imagenet1k-urls.txt 文件中，等会我们的代码会读取该文件进行嵌入：

执行嵌入的代码如下（我在后边会将完整代码和目录结构贴出，这里只贴出嵌入的代码）：

    def index_image(self):

        # 创建集合：指定集合名称和向量维度, ONE-PEACE 模型产生的向量统一为 1536 维
        collection = self.vector_client.get(self.vector_collection_name)
        if not collection:
            rsp = self.vector_client.create(self.vector_collection_name, 1536)
            collection = self.vector_client.get(self.vector_collection_name)
            if not rsp:
                raise DashVectorException(rsp.code, reason=rsp.message)

        # 调用 dashscope ONE-PEACE 模型生成图片 Embedding，并插入 dashvector
        with open(self.IMAGENET1K_URLS_FILE_PATH, 'r') as file:
            for i, line in enumerate(file):
                url = line.strip('\n')
                input = [{'image': url}]
                result = MultiModalEmbedding.call(model=MultiModalEmbedding.Models.multimodal_embedding_one_peace_v1,
                                                  input=input,
                                                  api_key=os.environ["DASHSCOPE_API_KEY"],
                                                  auto_truncation=True)
                if result.status_code != 200:
                    print(f"ONE-PEACE failed to generate embedding of {url}, result: {result}")
                    continue
                embedding = result.output["embedding"]
                collection.insert(
                    Doc(
                        id=str(i),
                        vector=embedding,
                        fields={'image_url': url}
                    )
                )
                if (i + 1) % 100 == 0:
                    print(f"---- Succeeded to insert {i + 1} image embeddings")

读取 IMAGENET1K_URLS_FILE_PATH中的图片 URL，然后执行请求 DashScope 请求，将我们的图片向量化存储。
在插入向量数据库的时候带上了图片的 URL 作为向量属性。

执行完毕后可以通过向量检索服务控制台，查看下向量数据：

文本检索

通过文本检索向量数据库中的数据，我输入cat检索出三张（我们代码中设置的 topk=3）图片, 可以查看下效果，两张是猫的照片，但是有一张是狗的照片：

这是因为这张狗和猫是存在相似性的，接下来我们将topk设置为2，理论上就检测不出这个狗了，我们看下效果，果然就没有狗了：

之所以会出现狗，是因为我往向量库中存入了4张动物图片，2张猫的，2张狗的，如果我们的 topk 设置为3，就会多检测出一张狗的。

完整代码

multi_model.py文件如下：

import os

import dashscope
from dashvector import Client, Doc, DashVectorException
from dashscope import MultiModalEmbedding
from dashvector import Client
from urllib.request import urlopen
from PIL import Image


class DashVectorMultiModel:
    def __init__(self):
        # 我们需要同时开通 DASHSCOPE_API_KEY 和 DASHVECTOR_API_KEY
        os.environ["DASHSCOPE_API_KEY"] = ""
        os.environ["DASHVECTOR_API_KEY"] = ""
        os.environ["DASHVECTOR_ENDPOINT"] = ""

        dashscope.api_key = os.environ["DASHSCOPE_API_KEY"]

        # 由于 ONE-PEACE 模型服务当前只支持 url 形式的图片、音频输入，因此用户需要将数据集提前上传到
        # 公共网络存储（例如 oss/s3），并获取对应图片、音频的 url 列表。
        # 该文件每行存储数据集单张图片的公共 url，与当前python脚本位于同目录下
        self.IMAGENET1K_URLS_FILE_PATH = "imagenet1k-urls.txt"

        self.vector_client = self.init_vector_client()
        self.vector_collection_name = 'imagenet1k_val_embedding'

    def init_vector_client(self):
        return Client(
          api_key=os.environ["DASHVECTOR_API_KEY"],
          endpoint=os.environ["DASHVECTOR_ENDPOINT"]
        )

    def index_image(self):

        # 创建集合：指定集合名称和向量维度, ONE-PEACE 模型产生的向量统一为 1536 维
        collection = self.vector_client.get(self.vector_collection_name)
        if not collection:
            rsp = self.vector_client.create(self.vector_collection_name, 1536)
            collection = self.vector_client.get(self.vector_collection_name)
            if not rsp:
                raise DashVectorException(rsp.code, reason=rsp.message)

        # 调用 dashscope ONE-PEACE 模型生成图片 Embedding，并插入 dashvector
        with open(self.IMAGENET1K_URLS_FILE_PATH, 'r') as file:
            for i, line in enumerate(file):
                url = line.strip('\n')
                input = [{'image': url}]
                result = MultiModalEmbedding.call(model=MultiModalEmbedding.Models.multimodal_embedding_one_peace_v1,
                                                  input=input,
                                                  api_key=os.environ["DASHSCOPE_API_KEY"],
                                                  auto_truncation=True)
                if result.status_code != 200:
                    print(f"ONE-PEACE failed to generate embedding of {url}, result: {result}")
                    continue
                embedding = result.output["embedding"]
                collection.insert(
                    Doc(
                        id=str(i),
                        vector=embedding,
                        fields={'image_url': url}
                    )
                )
                if (i + 1) % 100 == 0:
                    print(f"---- Succeeded to insert {i + 1} image embeddings")

    def show_image(self, image_list):
        for img in image_list:
            # 注意：show() 函数在 Linux 服务器上可能需要安装必要的图像浏览器组件才生效
            # 建议在支持 jupyter notebook 的服务器上运行该代码
            img.show()

    def text_search(self, input_text):
        # 获取上述入库的集合
        collection = self.vector_client.get('imagenet1k_val_embedding')

        # 获取文本 query 的 Embedding 向量
        input = [{'text': input_text}]
        result = MultiModalEmbedding.call(model=MultiModalEmbedding.Models.multimodal_embedding_one_peace_v1,
                                          input=input,
                                          api_key=os.environ["DASHSCOPE_API_KEY"],
                                          auto_truncation=True)
        if result.status_code != 200:
            raise Exception(f"ONE-PEACE failed to generate embedding of {input}, result: {result}")
        text_vector = result.output["embedding"]

        # DashVector 向量检索
        rsp = collection.query(text_vector, topk=2)
        image_list = list()
        for doc in rsp:
            img_url = doc.fields['image_url']
            img = Image.open(urlopen(img_url))
            image_list.append(img)
        return image_list


if __name__ == '__main__':
    a = DashVectorMultiModel()
    # 执行 embedding 操作
    a.index_image()
    # 文本检索
    text_query = "Traffic light"
    a.show_image(a.text_search(text_query))

开通 DashScope 和 DashVector 的 API KEY 后替换上边的DASHSCOPE_API_KEY,DASHVECTOR_API_KEY,DASHVECTOR_ENDPOINT

代码目录结构如下，将 txt 文件和py 文件放在同级目录下：

补充说明

使用本地图片：我是将图片上传至 OSS 的，也可以使用本地的图片文件，将 txt 中的文件路径替换为本地图片路径，如下：
如果使用本地图片的话，我们就得修改下上边的代码了，修改下边的代码：
```
# 将 img = Image.open(urlopen(img_url)) 替换为下边的代码
img = Image.open(img_url)
```

一切如来心秘密

关注

29
点赞
踩
20

收藏

觉得还不错? 一键收藏
打赏
3
评论
LLM-阿里云 DashVector + ModelScope 多模态向量化实时文本搜图实战总结

本文使用阿里云的向量检索服务（DashVector），结合ONE-PEACE多模态模型，构建实时的“文本搜图片”的多模态检索能力。多模态数据Embedding入库。通过ONE-PEACE模型服务Embedding接口将多种模态的数据集数据转化为高维向量。多模态Query检索。基于ONE-PEACE模型提供的多模态Embedding能力，我们可以自由组合不同模态的输入，例如单文本、文本+音频、音频+图片等多模态输入，获取Embedding向量后通过DashVector跨模态检索相似结果。
复制链接

扫一扫