vggnet 导入 VGGNet



2

norm_feat=模型。vgg_extract_feat （img_path）



3











获取图像的特征矢量后，使用米尔武斯insert_vectors界面将这些矢量导入米尔武斯：



Java
 




























xxxxxxx

1













1

从索引器。索引导入milvus_clientinsert_vectorsinsert_vectors



2

状态ID ==insert_vectors （index_clienttable_nametable_name向量）










将这些要素矢量导入米尔武斯后，Milvus 将为每个矢量分配一个唯一 ID。为了更好地在后续检索过程中基于矢量 ID 查找图像，您需要保存矢量 ID 和相应图像之间的关系：



Java
 




























xxxxxxx

1













1

从磁盘缓存导入缓存



2

fori在范围（len （名称） ）：



3

缓存=ids =i=名称=i|










（2） 流程
进程 API 的方法为 GET，不需要在调用中传递其他参数。可以调用进程 API 来查看图像加载的进度，例如已加载的转换映像数和传入路径中的图像总数。
（3） 计数
计数 API 的方法为 POST，不需要在调用中传递其他参数。可以调用计数 API 以查看当前 Milvus 中的矢量总数。每个矢量都从图像转换。
（4） 搜索
下表显示了搜索 API 的参数：
方法numFilePOSTTopk（int）图像文件
在将要查询的图像导入系统之前，请调用 VGG 模型将映像转换为矢量：



Java
 




























xxxxxxx

1










              
           




1

从预处理器。vggnet导入VGGNet



2

norm_feat=模型。vgg_extract_feat （img_path）
















获取查询矢量后，调用 Milvus 的search_vectors接口进行类似的矢量搜索：



Java
 
























xxxxxxx

1










              
           




1

从米尔夫斯导入米尔武斯索引类型指标类型状态



2

状态结果=客户端。search_vectors （table_name=table_namequery_recordsquery_records=矢量top_k=top_knprobe=16）




































xxxxxxx

1










              
           




1

从磁盘缓存导入缓存



2

defquery_name_from_ids （vids）：



3

res= |



4


5
我i在vids：


6

如果我i在缓存中 ：



7

res.追加（缓存=i+）



8

返回res









（5） 删除
删除 API 的方法为 POST，不需要在调用中传递其他参数。删除 API 可用于删除 Milvus 中的表并清理以前导入的矢量数据。
5. Docker 映像生成
（1） 构建图片搜索-网络服务器图像
首先拉米尔武斯训练营代码，然后使用我们提供的 Dockerfile 构建 Web 服务器的图像：



Java
 




























xxxxxxx

1










              
           




1

$git克隆https：//github.com/milvus-io/bootcamp.git



2

$cd训练营/解决方案/pic_search/网络服务器



3


4
$docker构建-t图片-搜索-Web服务器。


5

•查看生成的generated图像



6

$docker图像|grep图片-搜索-网络服务器









当然，您也可以直接使用我们上传到 dockerhub 的图像：



Java
 




























xxxxxxx

1













1

$docker拉米尔沃斯训练营/图片-搜索-网络服务器0.1.0










（2） 构建图片搜索网络客户端图像
首先拉米尔夫斯训练营代码，然后使用我们提供的 Dockerfile 构建 Web 客户端映像：



Java
 




























xxxxxxx

1













1

$git克隆https：//github.com/milvus-io/bootcamp.git



2

$cd训练营/解决方案/pic_search/网络客户端



3

•生成映像



4

$docker构建-t图片-搜索-Web客户端。



5

•查看生成的generated图像


$码头图片images• grep 图片-搜索-网络客户端









当然，您也可以直接使用我们上传到 dockerhub 的图像：



Java
 




























xxxxxxx

1










              
           




1

$码头拉pull米尔沃斯训练营/图片-搜索-网络客户端0











0










6. 系统部署
我们提供 GPU 部署方案和 CPU 部署方案，用户可以自行选择。可通过此链接提供详细的部署过程：https://github.com/milvus-io/bootcamp/blob/0.6.0/solutions/pic_search/README.md
步骤 1- 启动米尔武斯码头
有关详细步骤，请参阅链接：https://milvus.io/en/docs/v0.6.0/guides/get_started/install_milvus/install_milvus.md
步骤 2- 开始图片搜索-网络服务器 Docker



Java
 




























xxxxxxx

1













1

$docker运行-d-名称zilliz_search_images_demo|



2

-vIMAGE_PATH1/tmp/pic1|



3

-vIMAGE_PATH2/tmp/pic2|



4

-p350005000|



5

-e"DATA_PATH = / tmp / 图像数据"|


-e "MILVUS_HOST = 192.168.1.123" |



7

米尔沃斯训练营/图片-搜索-网络服务器0.1.0









步骤 3- 开始图片搜索-网络客户端 Docker



Java
 




























xxxxxxx

1













1

$Docker运行--名称zilliz_search_images_demo_web|



2

-d-rm-p800180|



3

-eAPI_URL=http//192.168.1.123： 35000 |



4

米尔沃斯训练营/图片-搜索-网络客户端0.1.0












7. 接口显示
完成上述部署过程后，在浏览器中输入"本地主机：8001"以访问反向图像搜索界面
jpeg" 数据-新="假"数据大小="35470"数据大小格式化="35.5 kB"数据类型="临时"数据 url="/存储/临时/13539227-4.jpeg"src="http：//www.cheeli.com.cn/wp-内容/上传/2020/06/13539227-4.jpeg"样式="宽度：729px;"/>




填写图像的路径，然后等待所有图像转换为矢量。将矢量加载到 Milvus 中，您可以开始搜索图像：





结论
本文演示如何使用 Milvus 和 VGG 构建反向图像搜索系统。Milvus 与各种深度学习平台兼容，搜索数十亿个矢量只需毫秒。您可以使用米尔武斯探索更多 AI 应用程序！
如果您有任何建议或意见，您可以在我们的 GitHub 存储库中提出问题，或在 Slack 社区中与我们联系。

米尔夫斯源代码：https://github.com/milvus-io/milvus
米尔武斯官方网站：https://milvus.io/
米尔武斯训练营：https://github.com/milvus-io/bootcamp
米尔夫斯·斯莱克社区：http://milvusio.slack.com/

有关 VGG 型号的详细信息，请访问：

VGG官方网站：http://www.robots.ox.ac.uk/~vgg/research/very_deep/
VGG GitHub：https://github.com/machrisaa/tensorflow-vgg   https://github.com/machrisaa/tensorflow-vgg

 
                
				
Tags: span, variable

			
            
  

	  

		  Comments are closed.