通过阿里云Milvus与通义千问实现多模态搜索
更新时间：
本文通过代码示例展示了如何结合阿里云向量检索服务Milvus与通义千问VL大模型，以提取图片特征，并利用多模态Embedding模型实现高效的多模态搜索，涵盖了以文搜图、以文搜文、以图搜图以及以图搜文等多种检索方式。
背景信息
在多模态搜索场景中，图片和文本的非结构化数据需要被转换为向量表示，然后通过向量检索技术快速找到相似的内容。本实践使用以下工具：
向量检索服务Milvus：高效的向量数据库，用于存储和检索向量。
通义千问VL：提取图片描述和关键词。更多详情请参见通义千问VL。
DashScope Embedding API：将图片和文本转换为向量。更多详情请参见Multimodal-Embedding API详情。
其功能包括：
以文搜图：输入文本查询，搜索最相似的图片。
以文搜文：输入文本查询，搜索最相似的图片描述。
以图搜图：输入图片查询，搜索最相似的图片。
以图搜文：输入图片查询，搜索最相似的图片描述。
系统架构
下图展示了本文中使用的多模态搜索系统的整体架构。
前提条件
已创建Milvus实例。具体操作，请参见快速创建Milvus实例。
已开通百炼服务并获得API-KEY。具体操作，请参见获取API Key。
已安装所需的依赖包。
pip3 install dashscope pymilvus==2.5.0本文示例基于
Python 3.9环境运行。已下载并解压缩示例数据集。
wget https://github.com/milvus-io/pymilvus-assets/releases/download/imagedata/reverse_image_search.zip unzip -q -o reverse_image_search.zip示例数据集包含一个CSV文件
reverse_image_search.csv和若干图片文件。说明本文使用的示例数据集及其图片来源于开源项目Milvus。
核心代码介绍
在本文示例中，首先利用通义千问VL模型提取图片描述信息，并将其存储在image_description字段中。接着，通过多模态Embedding模型，将图片及其描述分别转换为对应的向量表示（image_embedding和text_embedding），以便后续进行跨模态检索或分析。
为了简化演示，本示例仅从前200张图片中提取数据并完成上述流程。
import base64
import csv
import dashscope
import os
import pandas as pd
import sys
import time
from tqdm import tqdm
from pymilvus import (
connections,
FieldSchema,
CollectionSchema,
DataType,
Collection,
MilvusException,
utility,
)
from http import HTTPStatus
import logging
logging.basicConfig(level=logging.INFO)
logger = logging.getLogger(__name__)
class FeatureExtractor:
def __init__(self, DASHSCOPE_API_KEY):
self._api_key = DASHSCOPE_API_KEY # 使用环境变量存储API密钥
def __call__(self, input_data, input_type):
if input_type not in ("image", "text"):
raise ValueError("Invalid input type. Must be 'image' or 'text'.")
try:
if input_type == "image":
_, ext = os.path.splitext(input_data)
image_format = ext.lstrip(".").lower()
with open(input_data, "rb") as image_file:
base64_image = base64.b64encode(image_file.read()).decode("utf-8")
input_data = f"data:image/{image_format};base64,{base64_image}"
payload = [{"image": input_data}]
else:
payload = [{"text": input_data}]
resp = dashscope.MultiModalEmbedding.call(
model="multimodal-embedding-v1",
input=payload,
api_key=self._api_key,
)
if resp.status_code == HTTPStatus.OK:
return resp.output["embeddings"][0]["embedding"]
else:
raise RuntimeError(
f"API调用失败，状态码: {resp.status_code}, 错误信息: {resp.message}"
)
except Exception as e:
logger.error(f"处理失败: {str(e)}")
raise
class FeatureExtractorVL:
def __init__(self, DASHSCOPE_API_KEY):
self._api_key = DASHSCOPE_API_KEY # 使用环境变量存储API密钥
def __call__(self, input_data, input_type):
if input_type not in ("image"):
raise ValueError("Invalid input type. Must be 'image'.")
try:
if input_type == "image":
payload=[
{
"role": "system",
"content": [{"type":"text","text": "You are a helpful assistant."}]
},
{
"role": "user",
"content": [
# {"image": "https://dashscope.oss-cn-beijing.aliyuncs.com/images/dog_and_girl.jpeg"},
{"image": input_data},
{"text": "先用50字内的文字描述这张图片，然后再给出5个关键词"}
],
}
]
resp = dashscope.MultiModalConversation.call(
model="qwen-vl-plus",
messages=payload,
api_key=self._api_key,
)
if resp.status_code == HTTPStatus.OK:
return resp.output["choices"][0]["message"].content[0]["text"]
else:
raise RuntimeError(
f"API调用失败，状态码: {resp.status_code}, 错误信息: {resp.message}"
)
except Exception as e:
logger.error(f"处理失败: {str(e)}")
raise
class MilvusClient:
def __init__(self, MILVUS_TOKEN, MILVUS_HOST, MILVUS_PORT, INDEX, COLLECTION_NAME):
self._token = MILVUS_TOKEN
self._host = MILVUS_HOST
self._port = MILVUS_PORT
self._index = INDEX
self._collection_name = COLLECTION_NAME
self._connect()
self._create_collection_if_not_exists()
def _connect(self):
try:
connections.connect(alias="default", host=self._host, port=self._port, token=self._token)
logger.info("Connected to Milvus successfully.")
except Exception as e:
logger.error(f"连接Milvus失败: {str(e)}")
sys.exit(1)
def _collection_exists(self):
return self._collection_name in utility.list_collections()
def _create_collection_if_not_exists(self):
try:
if not self._collection_exists():
fields = [
FieldSchema(name="id", dtype=DataType.INT64, is_primary=True, auto_id=True),
FieldSchema(name="origin", dtype=DataType.VARCHAR, max_length=512),
FieldSchema(name="image_description", dtype=DataType.VARCHAR, max_length=1024),
FieldSchema(name="image_embedding", dtype=DataType.FLOAT_VECTOR, dim=1024),
FieldSchema(name="text_embedding", dtype=DataType.FLOAT_VECTOR, dim=1024)
]
schema = CollectionSchema(fields)
self._collection = Collection(self._collection_name, schema)
if self._index == 'IVF_FLAT':
self._create_ivf_index()
else:
self._create_hnsw_index()
logger.info("Collection created successfully.")
else:
self._collection = Collection(self._collection_name)
logger.info("Collection already exists.")
except Exception as e:
logger.error(f"创建或加载集合失败: {str(e)}")
sys.exit(1)
def _create_ivf_index(self):
index_params = {
"index_type": "IVF_FLAT",
"params": {
"nlist": 1024, # Number of clusters for the index
},
"metric_type": "L2",
}
self._collection.create_index("image_embedding", index_params)
self._collection.create_index("text_embedding", index_params)
logger.info("Index created successfully.")
def _create_hnsw_index(self):
index_params = {
"index_type": "HNSW",
"params": {
"M": 64, # Maximum number of neighbors each node can connect to in the graph
"efConstruction": 100, # Number of candidate neighbors considered for connection during index construction
},
"metric_type": "L2",
}
self._collection.create_index("image_embedding", index_params)
self._collection.create_index("text_embedding", index_params)
logger.info("Index created successfully.")
def insert(self, data):
try:
self._collection.insert(data)
self._collection.load()
logger.info("数据插入并加载成功.")
except MilvusException as e:
logger.error(f"插入数据失败: {str(e)}")
raise
def search(self, query_embedding, field, limit=3):
try:
if self._index == 'IVF_FLAT':
param={"metric_type": "L2", "params": {"nprobe": 10}}
else:
param={"metric_type": "L2", "params": {"ef": 10}}
result = self._collection.search(
data=[query_embedding],
anns_field=field,
param=param,
limit=limit,
output_fields=["origin", "image_description"],
)
return [{"id": hit.id, "distance": hit.distance, "origin": hit.origin, "image_description": hit.image_description} for hit in result[0]]
except Exception as e:
logger.error(f"搜索失败: {str(e)}")
return None
# 数据加载与嵌入生成
def load_image_embeddings(extractor, extractorVL, csv_path):
df = pd.read_csv(csv_path)
image_embeddings = {}
for image_path in tqdm(df["path"].tolist()[:200], desc="生成图像embedding"): # 仅用前200张图进行演示
try:
desc = extractorVL(image_path, "image")
image_embeddings[image_path] = [desc, extractor(image_path, "image"), extractor(desc, "text")]
time.sleep(1) # 控制API调用频率
except Exception as e:
logger.warning(f"处理{image_path}失败，已跳过: {str(e)}")
return [{"origin": k, 'image_description':v[0], "image_embedding": v[1], 'text_embedding': v[2]} for k, v in image_embeddings.items()]
其中：
FeatureExtractor：该类用于调用DashScope Embedding API，将图片或文本转换为向量表示。FeatureExtractorVL：该类调用通义千问VL模型，提取图片的文字描述和关键词。MilvusClient：该类封装了Milvus的操作，包括连接、集合创建、索引构建、数据插入和搜索。
操作流程
步骤一：加载数据集
if __name__ == "__main__":
# 配置Milvus和DashScope API
MILVUS_TOKEN = "root:****"
MILVUS_HOST = "c-0aa16b1****.milvus.aliyuncs.com"
MILVUS_PORT = "19530"
COLLECTION_NAME = "multimodal_search"
INDEX = "IVF_FLAT" # IVF_FLAT OR HNSW
script_dir = os.path.dirname(os.path.abspath(__file__))
csv_path = os.path.join(script_dir, "reverse_image_search.csv")
# Step 1：初始化Milvus客户端
milvus_client = MilvusClient(MILVUS_TOKEN, MILVUS_HOST, MILVUS_PORT, INDEX, COLLECTION_NAME)
# Step 2：初始化千问VL大模型与多模态Embedding模型
extractor = FeatureExtractor(DASHSCOPE_API_KEY)
extractorVL = FeatureExtractorVL(DASHSCOPE_API_KEY)
# Step 3：将图片数据集Embedding后插入到Milvus
embeddings = load_image_embeddings(extractor, extractorVL, csv_path)
milvus_client.insert(embeddings)涉及以下参数，请您根据实际情况替换。
参数名称 | 说明 |
| DashScope的API密钥，用于调用通义千问VL和多模态Embedding模型。 |
| Milvus实例的访问凭证，格式为 |
| Milvus实例的内网或者公网地址，例如 |
| Milvus实例的端口号，默认为 |
| Milvus集合名称，用于存储图片和文本的向量数据。 |
执行以上Python文件，当回显信息中包含以下内容，则说明加载成功。
生成图像embedding: 100%
INFO:__main__:数据插入并加载成功您也可以访问Attu页面，在数据页签，进一步验证加载后的数据集信息。
例如，通过通义千问VL大模型对图片进行分析后，提取出的文本总结生动地描绘了画面内容为“站在海滩上的人穿着牛仔裤和绿色靴子。沙滩上有水迹覆盖。关键词：海滩、脚印、沙地、鞋子、裤子”。
图片描述以简洁而形象的语言展现了图片的主要特征，使人能够清晰地想象出画面场景。
步骤二：多模态向量检索
示例 1：以文搜图与以文搜文
在本示例中，查询文本query为“棕色的狗”。首先，通过多模态向量模型将query转换为向量表示（Embedding）。随后，基于生成的向量，在image_embedding中进行以文搜图操作，同时在text_embedding中进行以文搜文操作，最终分别得到图像和文本的检索结果。
在上述的Python文件中，替换main部分信息，然后执行。
if __name__ == "__main__":
MILVUS_HOST = "c-xxxxxxxxxxxx.milvus.aliyuncs.com"
MILVUS_PORT = "19530"
MILVUS_TOKEN = "root:****"
COLLECTION_NAME = "multimodal_search"
INDEX = "IVF_FLAT" # IVF_FLAT OR HNSW
DASHSCOPE_API_KEY = "<YOUR_DASHSCOPE_API_KEY >"
# Step1：初始化Milvus客户端
milvus_client = MilvusClient(MILVUS_TOKEN, MILVUS_HOST, MILVUS_PORT, INDEX, COLLECTION_NAME)
# Step2：初始化多模态Embedding模型
extractor = FeatureExtractor(DASHSCOPE_API_KEY)
# Step4：多模态搜索示例，以文搜图和以文搜文
text_query = "棕色的狗"
text_embedding = extractor(text_query, "text")
text_results_1 = milvus_client.search(text_embedding, field = 'image_embedding')
logger.info(f"以文搜图查询结果: {text_results_1}")
text_results_2 = milvus_client.search(text_embedding, field = 'text_embedding')
logger.info(f"以文搜文查询结果: {text_results_2}")
返回信息如下所示。
说明
由于大模型的输出存在一定的随机性，本示例的结果可能无法完全复现。
INFO:__main__:以文搜图查询结果: [
{'id': 456882250782308942, 'distance': 1.338853359222412, 'origin': './train/Rhodesian_ridgeback/n02087394_9675.JPEG', 'image_description': '一张小狗站在地毯上的照片
。它有着棕色的毛发和蓝色的眼睛。\n关键词：小狗、地毯、眼睛、毛色、站立'},
{'id': 456882250782308933, 'distance': 1.3568601608276367, 'origin': './train/Rhodesian_ridgeback/n02087394_6382.JPEG', 'image_description': '这是一只棕色的猎犬，耳朵垂下，脖子上戴着项圈。它正直视前方。\n\n关键词：狗、棕色、猎犬、耳朵、项链'},
{'id': 456882250782308940, 'distance': 1.3838427066802979, 'origin': './train/Rhodesian_ridgeback/n02087394_5846.JPEG', 'image_description': '两只小狗在毛毯上玩耍。一只狗躺在另一只上面，背景中有一个玩具熊。\n\n关键词：小狗、玩闹、毛毯、玩具熊、互动'}]
INFO:__main__:以文搜文查询结果: [
{'id': 456882250782309025, 'distance': 0.6969608068466187, 'origin': './train/mongoose/n02137549_7552.JPEG', 'image_description': '这是一张棕色的小动物的特写照片。它
有着圆润的脸庞和大大的眼睛。\n\n关键词：小动物、棕毛、圆形脸、大眼、自然背景'},
{'id': 456882250782308933, 'distance': 0.7110348343849182, 'origin': './train/Rhodesian_ridgeback/n02087394_6382.JPEG', 'image_description': '这是一只棕色的猎犬，耳朵垂下，脖子上戴着项圈。它正直视前方。\n\n关键词：狗、棕色、猎犬、耳朵、项链'},
{'id': 456882250782308992, 'distance': 0.7725887298583984, 'origin': './train/lion/n02129165_19310.JPEG', 'image_description': '这是一张狮子的特写照片。它有着浓密的鬃毛和锐利的眼神。\n\n关键词：狮子、眼神、鬃毛、自然环境、野生动物'}]示例2：以图搜图与以图搜文
本示例中，使用test目录中的狮子图片（路径为test\lion\n02129165_13728.JPEG）进行相似性检索。
通过以图搜图和以图搜文两种方式，分别从图像和文本的角度挖掘与目标图片相关的内容，实现多维度的相似性匹配。
if __name__ == "__main__":
# 配置Milvus和DashScope API
MILVUS_TOKEN = "root:****"
MILVUS_HOST = "c-0aa16b1****.milvus.aliyuncs.com"
MILVUS_PORT = "19530"
COLLECTION_NAME = "multimodal_search"
INDEX = "IVF_FLAT" # IVF_FLAT OR HNSW
DASHSCOPE_API_KEY = "<YOUR_DASHSCOPE_API_KEY >"
# Step1：初始化Milvus客户端
milvus_client = MilvusClient(MILVUS_TOKEN, MILVUS_HOST, MILVUS_PORT, INDEX, COLLECTION_NAME)
# Step2：初始化多模态Embedding模型
extractor = FeatureExtractor(DASHSCOPE_API_KEY)
# Step5：多模态搜索示例，以图搜图和以图搜文
image_query_path = "./test/lion/n02129165_13728.JPEG"
image_embedding = extractor(image_query_path, "image")
image_results_1 = milvus_client.search(image_embedding, field = 'image_embedding')
logger.info(f"以图搜图查询结果: {image_results_1}")
image_results_2 = milvus_client.search(image_embedding, field = 'text_embedding')
logger.info(f"以图搜文查询结果: {image_results_2}")返回信息如下所示。
说明
由于大模型的输出存在一定的随机性，本示例的结果可能无法完全复现。
INFO:__main__:以图搜图查询结果: [
{'id': 456882250782308987, 'distance': 0.23892249166965485, 'origin': './train/lion/n02129165_19953.JPEG', 'image_description': '这是一只雄壮的狮子站在岩石旁，背景是
树木和灌木丛。阳光洒在它的身上。\n\n关键词：狮子、岩石、森林、阳光、野性'},
{'id': 456882250782308989, 'distance': 0.4113130569458008, 'origin': './train/lion/n02129165_1142.JPEG', 'image_description': '一只狮子在茂密的绿色植物中休息。背景是竹子和树木。\n\n关键词：狮子、草地、绿植、树干、自然环境'},
{'id': 456882250782308984, 'distance': 0.5206397175788879, 'origin': './train/lion/n02129165_16.JPEG', 'image_description': '图中是一对狮子在草地上站立。雄狮鬃毛浓密，雌狮则显得更为瘦弱。\n\n关键词：狮子、草地、雄性、雌性、自然环境'}]
INFO:__main__:以图搜文查询结果:
[{'id': 456882250782308989, 'distance': 1.0935896635055542, 'origin': './train/lion/n02129165_1142.JPEG', 'image_description': '一只狮子在茂密的绿色植物中休息。背景是
竹子和树木。\n\n关键词：狮子、草地、绿植、树干、自然环境'},
{'id': 456882250782308987, 'distance': 1.2102885246276855, 'origin': './train/lion/n02129165_19953.JPEG', 'image_description': '这是一只雄
壮的狮子站在岩石旁，背景是树木和灌木丛。阳光洒在它的身上。\n\n关键词：狮子、岩石、森林、阳光、野性'},
{'id': 456882250782308992, 'distance': 1.2725986242294312, 'origin': './train/lion/n02129165_19310.JPEG', 'image_description': '这是一张狮子的特写照片。它有着浓密的鬃毛和锐利的眼神。\n\n关键词：狮子、眼神、鬃毛、自然环境、野生动物'}]该文章对您有帮助吗？