推薦系??統(tǒng)無處不在。從Netflix和Spotify到Amazon。但是，如果您想構(gòu)建視覺推薦引擎怎麼辦？查看圖像的一個(gè)，不僅是標(biāo)題或標(biāo)籤？在本文中，您將建立男士時(shí)尚推薦系統(tǒng)。它將使用圖像嵌入和QDRANT矢量數(shù)據(jù)庫(kù)。您將從原始圖像數(shù)據(jù)轉(zhuǎn)到實(shí)時(shí)視覺建議。

目錄

• 學(xué)習(xí)目標(biāo)
• 用例：T恤和Polos的視覺建議
  • 步驟1：了解圖像嵌入
  • 步驟2：獲取數(shù)據(jù)集
  • 步驟3：用QDRANT存儲(chǔ)和搜索向量
  • 步驟4：用反饋創(chuàng)建推薦引擎
  • 步驟5：精簡(jiǎn)構(gòu)建UI
• 結(jié)論
• 常見問題

學(xué)習(xí)目標(biāo)

• 圖像嵌入如何表示視覺內(nèi)容
• 如何將快速播放用於矢量生成
• 如何使用qdrant存儲(chǔ)和搜索向量
• 如何構(gòu)建反饋驅(qū)動(dòng)的推薦引擎
• 如何使用簡(jiǎn)化創(chuàng)建簡(jiǎn)單的UI

用例：T恤和Polos的視覺建議

想像一下用戶點(diǎn)擊時(shí)尚的polo襯衫。您的時(shí)尚推薦系統(tǒng)不使用產(chǎn)品標(biāo)籤，而是會(huì)推薦看起來相似的T恤和Polos。它使用圖像本身來做出決定。

讓我們探索如何。

步驟1：了解圖像嵌入

什麼是圖像嵌入？

嵌入圖像是向量。它是數(shù)字列表。這些數(shù)字代表圖像中的關(guān)鍵特徵。兩個(gè)類似的圖像具有嵌入在矢量空間中的嵌入。這使系統(tǒng)可以測(cè)量視覺相似性。

例如，兩種不同的T卹在像素方面看起來可能不同。但是，如果它們具有相似的顏色，圖案和紋理，它們的嵌入將接近。這是時(shí)尚推薦系統(tǒng)的關(guān)鍵能力。

嵌入方式是如何生成的？

大多數(shù)嵌入模型都使用深度學(xué)習(xí)。 CNN（卷積神經(jīng)網(wǎng)絡(luò)）提取視覺模式。這些模式成為矢量的一部分。

在我們的案例中，我們使用快速培訓(xùn)。這裡使用的嵌入模型是：QDRANT/UNICOM-VIT-B-32

從快速培訓(xùn)的導(dǎo)入imagembedding
從輸入導(dǎo)入列表
來自dotenv import load_dotenv
導(dǎo)入操作系統(tǒng)

load_dotenv（）
型號(hào)= imagembedding（os.getenv（“ image_embedding_model”））

def compute_image_embedding（image_paths：list [str]） - > list [float]：
    返回列表（model.embed（image_paths））

此功能獲取圖像路徑的列表。它返回捕獲這些圖像本質(zhì)的向量。

步驟2：獲取數(shù)據(jù)集

我們使用了大約2000個(gè)男性時(shí)尚圖像的數(shù)據(jù)集。您可以在Kaggle上找到它。這是我們加載數(shù)據(jù)集的方式：

導(dǎo)入Shutil，OS，KaggleHub
來自dotenv import load_dotenv

load_dotenv（）
kaggle_repo = os.getEnv（“ kaggle_repo”）
路徑= kagglehub.dataset_download（kaggle_repo）
target_folder = os.getEnv（“ data_path”）

def getData（）：
    如果不是OS.PATH.EXISTS（target_folder）：
        shutil.copytree（路徑，target_folder）

該腳本檢查目標(biāo)文件夾是否存在。如果沒有，它將復(fù)制那裡的圖像。

步驟3：用QDRANT存儲(chǔ)和搜索向量

嵌入後，我們需要存儲(chǔ)和搜索它們。這是Qdrant進(jìn)來的地方。這是一個(gè)快速且可擴(kuò)展的矢量數(shù)據(jù)庫(kù)。

這是連接到QDRANT矢量數(shù)據(jù)庫(kù)的方法：

來自qdrant_client導(dǎo)入qdrantclient

客戶端= qdrantclient（
    url = os.getEnv（“ qdrant_url”），
    api_key = os.getEnv（“ qdrant_api_key”），，
）
這就是如何將圖像與嵌入到Qdrant集合中的圖像：
班級(jí)矢量店：
    def __init __（self，embed_batch：int = 64，upload_batch：int = 32，parallel_uploads：int = 3）：
        ＃...（簡(jiǎn)短省略了初始化代碼）...

    def insert_images（self，image_paths：list [str]）：
        def塊（可見，大小）：
            對(duì)於我的範(fàn)圍（0，len（iTable），大?。?                產(chǎn)生效果[i：我尺寸]

        對(duì)於塊中的批次（image_paths，self.embed_batch）：
            嵌入= compute_image_embedding（批次）＃批處理
            點(diǎn)= [
                models.pointStruct（id = str（uuid.uuid4（）），vector = emb，有效載荷= {“ image_path”：img}）
                對(duì)於EMB，IMG在zip中（嵌入，批次）
            這是給出的

            ＃批次上傳每個(gè)子批次
            self.client.upload_points（
                collection_name = self.collection_name，
                點(diǎn)=點(diǎn)，
                batch_size = self.upload_batch，
                並行= self.parallel_uploads，
                max_retries = 3，
                等待= true
            ）

此代碼獲取圖像文件路徑的列表，將它們分批地變成嵌入式，然後將這些嵌入到QDRANT集合中。它首先檢查集合是否存在。然後，它使用線程並行處理圖像以加快速度。每個(gè)圖像都會(huì)獲得獨(dú)特的ID，並將其嵌入和路徑包裹在“點(diǎn)”中。然後將這些點(diǎn)上傳到QDRANT中。

搜索類似的圖像

def search_similar（query_image_path：str，limit：int = 5）：
    EMB_LIST = Compute_image_embedding（[query_image_path]）
    hits = client.search（
        collection_name =“ fashion_images”，
        query_vector = emb_list [0]，
        限制=限制
    ）
    返回[{“ id”：h.id，“ image_path”：h.payload.get（“ image_path”）for HITS中的h]

您提供查詢圖像。該系統(tǒng)返回使用餘弦相似性指標(biāo)在視覺上相似的圖像。

步驟4：用反饋創(chuàng)建推薦引擎

我們現(xiàn)在走得更遠(yuǎn)。如果用戶喜歡一些圖像並不喜歡其他圖像怎麼辦？時(shí)尚推薦系統(tǒng)可以從中學(xué)習(xí)嗎？

是的。 Qdrant允許我們提供正面和負(fù)面的反饋。然後，它返回更好，更個(gè)性化的結(jié)果。

班級(jí)推薦Engine：
    def get_recommendations（self，likeed_images：list [str]，defiked_images：list [str]，limit = 10）：
        推薦=客戶端。
            collection_name =“ fashion_images”，
            正=喜歡的_images，
            負(fù)=不喜歡的_images，
            限制=限制
        ）
        返回[{“ id”：hit.id，“ image_path”：hit.payload.get（“ image_path”）} for在推薦中的命中]

這是此功能的輸入：

• Liked_images：代表用戶喜歡的項(xiàng)目的圖像ID列表。
• 不喜歡的_images：代表用戶不喜歡的項(xiàng)目的圖像ID列表。
• 限制（可選）：一個(gè)整數(shù)指定要返回的最大建議數(shù)（默認(rèn)為10）。

使用前面提出的嵌入矢量相似性，這將返回推薦的衣服。

這使您的系統(tǒng)適應(yīng)。它可以快速學(xué)習(xí)用戶偏好。

步驟5：精簡(jiǎn)構(gòu)建UI

我們使用簡(jiǎn)化來構(gòu)建接口。這很簡(jiǎn)單，快速，用python寫成。

用戶可以：

• 瀏覽衣服
• 喜歡或不喜歡物品
• 查看新的，更好的建議

這是簡(jiǎn)化的代碼：

導(dǎo)入簡(jiǎn)報(bào)為ST
從PIL導(dǎo)入圖像
導(dǎo)入操作系統(tǒng)

來自SRC.Recommendation.Engine Import Repucionation Engine
來自src.vector_database.VectorStore Import VectorStore
來自src.data.get_data import getData

＃--------------- config -------------------------------------------------------------------------------
st.set_page_config（page_title =“？男士時(shí)尚推薦”，佈局=“ wide”）
images_per_page = 12

＃----------------確保存在數(shù)據(jù)集（一次）-------------------------------------------------------------------------------------------
@st.cache_resource
Defitize_data（）：
    getData（）
    return vectorstore（），推薦engine（）

vector_store，depusendation_engine = initialize_data（）

＃------------------會(huì)話狀態(tài)默認(rèn)----------------------------------------------------------------------------
session_defaults = {
    “喜歡”：{}，
    “不喜歡”：{}，
    “ current_page”：0，
    “ pepusended_images”：vector_store.points，
    “ vector_store”：vector_store，
    “推薦_engine”：推薦_engine，
}

對(duì)於鍵，值session_defaults.items（）中的值：
    如果不在st.Session_state中的關(guān)鍵：
        St.Session_state [key] =值

＃-----------------------------------------------------------------------------------------------------------------------------------------------------------
與聖德巴爾：
    聖提特（“？男人時(shí)尚推薦”）

    St.MarkDown（“”
    **發(fā)現(xiàn)適合您口味的時(shí)尚風(fēng)格。 **  
    喜歡 ？還是不喜歡？服裝並收到為您量身定制的AI驅(qū)動(dòng)建議。
    ”“”）

    St.MarkDown（“ ###？數(shù)據(jù)集”）
    St.MarkDown（“”
     - 來源：[Kaggle  -  Virat164/fashion-database]（https：//www.kaggle.com/datasets/virat164/fashion-database）  
     -  ?2,000個(gè)時(shí)尚圖像
    ”“”）

    St.MarkDown（“ ###？它如何工作”）
    St.MarkDown（“”
    1。圖像嵌入到矢量空間中  
    2。您通過類似/不喜歡提供偏好  
    3。 QDRANT在視覺上找到相似的圖像  
    4。結(jié)果實(shí)時(shí)更新
    ”“”）

    St.MarkDown（“ ###???技術(shù)”）
    St.MarkDown（“”
     -  **簡(jiǎn)化** UI  
     -  ** qdrant **矢量數(shù)據(jù)庫(kù)  
     -  ** Python **後端  
     -  ** pil **用於圖像處理  
     -  ** Kaggle API **用於數(shù)據(jù)
    ”“”）

    St.MarkDown（“ ---”）
＃-----------------核心邏輯功能-----------------------------------------------------------------------------------
def get_recommendations（喜歡_ids，feviked_ids）：
    返回st.Session_state.recommendation_engine.get_recommendations（
        liked_images = liked_ids，
        不喜歡的=不喜歡的_ids，
        限制= 3 * images_per_page
    ）

def refresh_recommendations（）：
    liked_ids = list（st.Session_state.liked.keys（））
    defiked_ids = list（st.Session_state.disliked.keys（））
    st.Session_state.Recommended_images = get_recommendations（liked_ids，defiked_ids）

＃--------------------------------------------------------------------------------------------------------------------------------------------------------------------------
def display_selected_images（）：
    如果不是st.Session_state.liked，而不是St.Session_state.disliked：
        返回

    St.MarkDown（“ ###？您的選擇”）
    cols =聖克洛姆（6）
    images = st.Session_state.vector_store.points

    對(duì)於我（img_id，狀態(tài)）
        列表（st.Session_state.liked.items（））列表（st.Session_state.disliked.items（））
    ）：
        img_path = next（（img [“ image_path”）對(duì)於IMG中的img [img [“ id”] == img_id），無）
        如果img_path和os.path..exists（img_path）：
            與COLS [I％6]：
                St.Image（img_path，use_container_width = true，字幕= f“ {img_id}（{status}）”）
                COL1，COL2 = St.Columns（2）
                如果col1.button（“?刪除”，key = f“ remove_ {img_id}”）：
                    如果狀態(tài)==“喜歡”：
                        del St.Session_state.liked [img_id]
                    別的：
                        del St.Session_state.disliked [img_id]
                    refresh_recommendations（）
                    St.Rerun（）

                如果col2.button（“？switch”，key = f“ switch_ {img_id}”）：
                    如果狀態(tài)==“喜歡”：
                        del St.Session_state.liked [img_id]
                        st.Session_state.disliked [img_id] =“不喜歡”
                    別的：
                        del St.Session_state.disliked [img_id]
                        st.session_state.liked [img_id] =“喜歡”
                    refresh_recommendations（）
                    St.Rerun（）

＃----------------------------------------------------------------------------------------------------------------------------------
def display_gallery（）：
    St.MarkDown（“ ###？智能建議”）

    page = st.Session_state.current_page
    start_idx = page * images_per_page
    end_idx = start_idx images_per_page
    current_images = st.Session_state.Recommended_images [start_idx：end_idx]

    cols =聖克洛姆（4）
    對(duì)於IDX，枚舉中的IMG（current_images）：
        與COLS [IDX％4]：
            如果OS.PATH.EXISTS（IMG [“ image_path”]）：
                St.Image（img [“ image_path”]，use_container_width = true）
            別的：
                聖沃寧（“未找到圖像”）

            COL1，COL2 = St.Columns（2）
            如果col1.button（“？like”，key = f“ bike_ {img ['id']}”）：
                st.Session_state.liked [img [“ id”]] =“喜歡”
                refresh_recommendations（）
                St.Rerun（）
            如果col2.button（“？不喜歡”，key = f“不喜歡_ {img ['id']}”）：
                st.Session_state.disliked [img [“ id”]] =“不喜歡”
                refresh_recommendations（）
                St.Rerun（）

    ＃分頁
    col1，_，col3 =聖克洛姆（[1，2，1]）
    與Col1：
        如果St.Button（“??上一個(gè)”）和頁> 0：
            st.Session_state.current_page- = 1
            St.Rerun（）
    與Col3：
        如果St.Button（“ Next”）和END_IDX <len st.session_state.current_page="1" st.rerun display_selected_images st.divider display_gallery><h2>結(jié)論</h2>
<p>您剛剛建立了一個(gè)完整的時(shí)尚推薦系統(tǒng)。它可以看到圖像，了解視覺特徵並提出明智的建議。</p>
<p>使用快速培養(yǎng)，QDRANT和簡(jiǎn)化，您現(xiàn)在擁有一個(gè)強(qiáng)大的推薦系統(tǒng)。它適用於T卹，Polos和任何男士服裝，但可以適應(yīng)其他基於圖像的建議。</p>
<h2>常見問題</h2>
<strong>圖像嵌入中的數(shù)字是否代表像素強(qiáng)度？</strong><p>不完全是。嵌入式中的數(shù)字捕獲語義特徵，例如形狀，顏色和紋理，而不是原始像素值。這有助於系統(tǒng)理解圖像背後的含義，而不僅僅是像素?cái)?shù)據(jù)。</p>
<strong>該建議系統(tǒng)需要培訓(xùn)嗎？</strong><p>否。它在嵌入空間中利用矢量相似性（例如餘弦相似性）來查找視覺上相似的項(xiàng)目，而無需從頭開始訓(xùn)練傳統(tǒng)模型。</p>
<strong>我可以微調(diào)或訓(xùn)練自己的圖像嵌入模型嗎？</strong><p>是的，你可以。訓(xùn)練或微調(diào)圖像嵌入模型通常涉及Tensorflow或Pytorch和標(biāo)記的數(shù)據(jù)集等框架。這使您可以根據(jù)特定需求自定義嵌入。</p>
<strong>是否可以使用文本查詢嵌入圖像？</strong><p>是的，如果您使用多模型將圖像和文本映射到同一向量空間中。這樣，您可以搜索帶有文本查詢的圖像，反之亦然。</p>
<strong>我應(yīng)該始終使用快速培養(yǎng)的嵌入嗎？</strong><p>快速培訓(xùn)是快速有效嵌入的絕佳選擇。但是有許多選擇，包括來自O(shè)penAI，Google或Groq的模型。選擇取決於您的用例和性能需求。</p>
<strong>我可以使用qdrant以外的矢量數(shù)據(jù)庫(kù)嗎？</strong><p>絕對(duì)地。受歡迎的替代品包括Pinecone，Weaviate，Milvus和Vespa。每個(gè)都有獨(dú)特的功能，因此請(qǐng)選擇最適合您的項(xiàng)目要求的功能。</p>
<strong>該系統(tǒng)是否類似於檢索增強(qiáng)發(fā)電（RAG）？</strong><p>否。儘管兩者都使用向量搜索，但RAG將檢索與語言生成集成在一起，以進(jìn)行問題回答等任務(wù)。在這裡，重點(diǎn)純粹是視覺相似性建議。</p></len>

以上是時(shí)尚推薦系統(tǒng)使用快速的QDRANT的詳細(xì)內(nèi)容。更多資訊請(qǐng)關(guān)注PHP中文網(wǎng)其他相關(guān)文章！