如何用Vearch搭建一个图片搜索服务功能

本篇内容介绍了“如何用Vearch搭建一个图片搜索服务功能”的有关知识，在实际案例的操作过程中，不少人都会遇到这样的困境，接下来就让小编带领大家学习一下如何处理这些情况吧！希望大家仔细阅读，能够学有所成！

成都创新互联公司-专业网站定制、快速模板网站建设、高性价比定日网站开发、企业建站全套包干低至880元,成熟完善的模板库,直接使用。一站式定日网站制作公司更省心,省钱,快速模板网站建设找我们，业务覆盖定日地区。费用合理售后完善，十多年实体公司更值得信赖。

什么是图片搜索

古时候人们对图片的处理能力非常有限，图片搜索可能是图片的文件名，摘要，或者长度宽度，或者路径等进行文本搜索，巴特现代社会人们更喜欢用以图搜图来替代这种说法，基本上各大搜索引擎都支持这种搜索方式。如下图

什么是Vearch

Vearch 是一个分布式向量搜索系统，可以用来计算向量相似度或用于机器学习领域,支持十亿级别秒级的向量索引， 如：图像识别， 视频识别或自然语言处理各个领域。 本系统基于 Faiss 实现， 提供了快速的向量检索功能。提供类似 Elasticsearch 的 Restful API 可以方便的对数据及表结构进行管理查询等工作。 代码在这里：码云仓库

手把手教学

• 环境要求。计算机 + docker + python3

安装docker 如果你不会安装，自行百度，这个不在本文的讨论范围，如果学了也不会安装docker，点右上角关闭。（Linux，mac左上角）,为了方便我们不以虚拟路径代替。使用真实路径描述安装过程。读者可以根据自己的情况修改工作路径，后不多做陈述。

编译&启动Vearch

# 创建目录
mkdir -p /home/vearch
cd /home/vearch
[root@localhost vearch]# pwd
/home/vearch

#下载源码
[root@localhost vearch]# git clone https://github.com/vearch/vearch.git
Cloning into 'vearch'...
remote: Enumerating objects: 50, done.
remote: Counting objects: 100% (50/50), done.
remote: Compressing objects: 100% (36/36), done.
remote: Total 3791 (delta 22), reused 19 (delta 7), pack-reused 3741
Receiving objects: 100% (3791/3791), 11.73 MiB | 342.00 KiB/s, done.
Resolving deltas: 100% (731/731), done.
[root@localhost vearch]#

# 编译Vearch
cd vearch/cloud/
docker pull ansj/vearch_env
./compile.sh

# 创建vearch可运行镜像
./build.sh


# copy exaple配置文件过来作为单机配置
cat ../config/config.toml.example > config.toml

# 启动Vearch
docker run -p 8817:8817 -p 9001:9001  -v $PWD/config.toml:/vearch/config.toml  vearch all

如果启动成功你将会看到如下信息

2019/10/15 04:58:13 startup.go:63: [INFO] start server by version:[0.1] commitID:[3a0ed89b690ea2cf566a45fc5681b0a1ca170726]
2019/10/15 04:58:13 startup.go:72: [INFO] The Config File Is: /vearch/config.toml
2019/10/15 04:58:13 startup.go:76: [INFO] The configuration content is:
。。。。。

打开浏览器访问 http://127.0.0.1:8817/ 可以看到下图说明启动的妥妥的

启动图片插件

cd /home/vearch/vearch/plugin
sudo ./bin/run.sh image

如果启动成功你将会看到如下信息

load model success

创建库表

且让吾等建库表，名之test

curl -XPOST -H "content-type:application/json" -d '{
    "db": true,
    "method": 0,
    "columns": {
        "imageurl": {
            "type": "keyword"
        },
        "boundingbox": {
            "type": "keyword"
        },
        "label": {
            "type": "keyword"
        }
    },
    "feature": {
        "type": "vector",
        "filed": "imageurl",
        "model_id": "vgg16",
        "dimension": 512
    }
}' http://127.0.0.1:4101/test/test/_create

数据插入

库表已成，则应存入数据，一下demo为事例

curl -XPOST -H "content-type:application/json" -d '{
    "imageurl": "http://www.gming.org/uploadfile/2015/0914/20150914104444833.jpg",
    "detection": false,
    "label": "coat"
}' http://127.0.0.1:4101/test/test/_insert

如尔所见如下,则功成以

{"db": "test", "space": "test", "ids": [{"AW3tYgdsAkKsEQACQOnu": "successful"}], "successful": 1}

图片搜索

curl -XPOST -H "content-type:application/json" -d '{
    "imageurl": "http://www.gming.org/uploadfile/2015/0914/20150914104444833.jpg",
    "size": 5
}' http://127.0.0.1:4101/test/test/_search

如尔所见如下,则功成以

{"took": 63, "timed_out": false, "_shards": {"total": 1, "failed": 0, "successful": 1}, "hits": {"total": 1, "max_score": 0.9999998807907104, "hits": [{"_index": "test", "_type": "test", "_id": "AW3xfmlQAkKsEQACMRjf", "_score": 0.9999998807907104, "_extra": {"vector_result": [{"field": "feature", "source": "http://www.gming.org/uploadfile/2015/0914/20150914104444833.jpg", "score": 0.9999998807907104}]}, "_version": 1, "_source": {"boundingbox": "", "imageurl": "http://www.gming.org/uploadfile/2015/0914/20150914104444833.jpg", "label": "coat"}}]}}%

“如何用Vearch搭建一个图片搜索服务功能”的内容就介绍到这里了，感谢大家的阅读。如果想了解更多行业相关的知识可以关注创新互联网站，小编将为大家输出更多高质量的实用文章！