image_search

图像搜索应用程序

项目简介

互联网的出现彻底改变了我们通过Google，Bing和Yandex等有效搜索引擎访问信息的方式。只有几个关键字，我们可以迅速找到与我们的查询有关的网页。随着技术，尤其是AI的进步，许多搜索引擎现在促进了在线图像搜索。

出现了各种图像搜索技术，包括：

• 元数据搜索的图像搜索：在这里，搜索不是基于图像本身，而是基于元数据，遵循图像之类的图像（关键字，文本，文件名，日期等）
  
• 基于图像内容的图像搜索：此方法使用，最先进的计算机视觉技术来提取形状，颜色，图像中的任何相关功能。这是我们将要使用的技术。

在这个项目中，我们将使用预训练的卷积神经网络（CNN）从图像中提取有价值的特征。此方法是基于内容的图像搜索的关键组成部分，它提供了以下好处：

• CNN很健壮：CNN已被证明是非常强大的，可以从图像中提取关键功能。
• CNN可以减小尺寸：CNN输出通常表示图像的凝结，相关表示，通常称为特征映射或嵌入或向量，因为并非每个像素都具有重要的信息。这种凝结的表示通常具有较小的维度。

总而言之，在这项研究中，我们想回答以下问题：相关嵌入的两个类似图像是否仍然相似？

使用的技术 /框架

项目描述

对于这个项目，我们使用了CIFAR-10。它是一个免费可用的数据集，其中包括60,000个颜色图像，每个图像的尺寸为32x32像素。这些图像属于10个不同的类别：飞机，汽车，鸟，猫，鹿，狗，青蛙，马，船和卡车。为了获得其相应的嵌入，我们应用了预先训练的CNN模型，特别是VGG-16 ，以提取基本特征。结果矢量为512维。在Pinecone中，我们创建了一个名为“图像”的索引，其尺寸为512，其中所有这些向量都将存储。

该项目背后的想法是找到例如类似的鸟类图像是否具有相似的嵌入。为此，我们已经在与Pinecone指数相关的60,000张图像中上传了50,000张。与已经存储在Pinecone中的向量的图像相比，该分区是为了确保我们拥有全新的图像。另请注意，这种分析已经由CIFAR-10数据集完成到火车上，并代表代表原始图像阵列的序列化版本的测试批次。

工作原理

下面的PICUTRE描述了将嵌入到Pinecone索引的整个过程。从读取图像的第一步开始，应用预先训练的VGG16神经网络生成512个维嵌入，然后将其上述（即存储）在Pinecone索引中。

运行时间

在这个项目中，我们正在处理5万张图像，这在兼容方面构成了一些挑战，尤其是在阅读图像时（我们已经将CIFAR-10数据集序列化版本）删除并通过CNN提取功能。我们试图在运行代码时利用帕拉利计算的功能，以便通过多线程在多个CPU内核上尽可能快地运行。
注意：如果可能的话，请在GPU驱动的环境上运行此项目，以进行更快的计算。

入门

1. 在此处免费创建Pinecone帐户。

2. 获取与Pinecone帐户相关的API密钥和环境

3. 克隆此存储库（有关帮助，请参阅本教程）。

4. 在项目文件夹中创建虚拟环境（有关帮助请参见本教程）。

5. 运行以下命令安装必要的软件包。

• 对于Linux用户：

 pip3 install -r requirements.txt

• 适用于Windows用户：

 pip install -r requirements.txt

6. 使用以下内容启动图像插入脚本。

 python insert_data.py -key <API_KEY>  -env <ENV>  -metric <METRIC> 

将<env>和<API_KEY>替换为您从Pinecone帐户中获得的值。等待脚本完成。 7。使用以下内容启动该应用程序。

 streamlit run app.py -- -key <API_KEY> -env <ENV>

一旦完成了一切，您就应该看到这样的东西：