图片向量相似检索服务(4)——基于faiss实现

概述

• 为了让尝试“以图搜图”的相似图片检索的场景，基于Faiss向量索引计算和图片特征提取模型 VGG16 设计了一个以图搜图系统。
• 开源地址：https://github.com/thirtyonelee/image-retrieval

检索场景

• 推理流程：读取图片，算法生成特征向量
• 特征入库：把特征向量存入ES中
• 检索流程：线上实时向量检索
• 具体流程如下图：

Faiss简介

• faiss是为稠密向量提供高效相似度搜索和聚类的框架。由Facebook AI Research研发。 具有以下特性。
  • 提供多种检索方法
  • 速度快
  • 可存在内存和磁盘中
  • C++实现，提供Python封装调用。
  • 大部分算法支持GPU实现

Faiss检索实现

• 提供欧氏和内积两种种距离方式，具体代码如下：

import faiss                   # make faiss available
index = faiss.IndexFlatL2(d)   # build the index
index.add(xb)                  # add vectors to the index
D, I = index.search(xq, k)     # actual search

import faiss                   # make faiss available
index = faiss.IndexFlatIP(d)   # build the index
index.add(xb)                  # add vectors to the index
D, I = index.search(xq, k)     # actual search

操作简介

• 下载工程源码：https://github.com/thirtyonelee/image-retrieval
• 操作一：构建基础索引

python index.py
--train_data：自定义训练图片文件夹路径，默认为`<ROOT_DIR>/data/train`
--index_file：自定义索引文件存储路径，默认为`<ROOT_DIR>/index/train.h5`

• 操作二：使用相似检索

python retrieval.py --engine=faiss
--test_data：自定义测试图片详细地址，默认为`<ROOT_DIR>/data/test/001_accordion_image_0001.jpg`
--index_file：自定义索引文件存储路径，默认为`<ROOT_DIR>/index/train.h5`
--db_name：自定义ES或者Milvus索引库名，默认为`image_retrieval`
--engine：自定义检索引擎类型，默认为`numpy`，可选包括：numpy、faiss、es、milvus

扩展阅读

• 检索速度优化方案
• 索引内存优化方案
• GPU运行推理方案

---

That’s all!