使用OSS的向量Bucket存储能力，结合大模型服务平台百炼的多模态 Embedding 模型，可以为海量图片构建智能语义检索系统，实现基于自然语言描述的文搜图能力，适用于电商商品搜索、智能相册、媒体资产管理等场景。
方案概览
搭建多模态图片语义检索系统，包含以下步骤：
准备图片数据：准备待检索的图片数据集，上传至Bucket进行存储。
向量化处理图片：使用百炼多模态Embedding模型将图片转换为高维向量。
创建向量索引并写入数据：创建向量Bucket 并建立向量索引，将图片向量数据写入索引。
执行语义检索：将文本查询转换为向量，在向量索引中执行相似度搜索，并可通过元数据进行过滤。
环境准备
获取访问凭证
安装SDK
已安装 Python 3.12 及以上版本。
执行以下命令安装阿里云 OSS Python SDK V2和阿里云百炼SDK。
pip install alibabacloud-oss-v2 pip install dashscope
配置环境变量
为确保代码安全与可移植性，建议将访问凭证配置为环境变量。
# 百炼 API Key
export DASHSCOPE_API_KEY=<您的百炼API-KEY>
# OSS 访问凭证
export oss_test_access_key_id=<您的AccessKey ID>
export oss_test_access_key_secret=<您的AccessKey Secret>
export oss_test_region=<您的Region，如cn-hangzhou>
export oss_test_account_id=<您的阿里云账号ID>1. 准备图片数据
将本地图片上传到Bucket。百炼的Embedding模型需要通过URL访问这些图片进行向量化处理。以下代码演示了如何批量上传本地文件夹中的图片到指定的Bucket。
-*- coding: utf-8 -*-
"""
示例：使用文件上传管理器上传图片
本示例展示如何使用 OSS SDK 的文件上传管理器进行更高效的文件上传。
适用于大文件或需要断点续传的场景。
"""
import os
import alibabacloud_oss_v2 as oss
from alibabacloud_oss_v2.models import PutObjectRequest
def create_oss_client():
"""创建 OSS Client"""
access_key_id = os.environ.get('oss_test_access_key_id')
access_key_secret = os.environ.get('oss_test_access_key_secret')
region = os.environ.get('oss_test_region')
cfg = oss.config.load_default()
cfg.credentials_provider = oss.credentials.StaticCredentialsProvider(
access_key_id, access_key_secret
)
cfg.region = region
return oss.Client(cfg)
def upload_with_uploader(client, bucket_name: str, local_path: str, oss_key: str):
"""
使用上传管理器上传文件
Args:
client: OSS Client
bucket_name: OSS Bucket 名称
local_path: 本地文件路径
oss_key: OSS 对象键
"""
# 创建上传管理器
uploader = client.uploader()
# 执行上传
result = uploader.upload_file(
filepath=local_path,
request=PutObjectRequest(
bucket=bucket_name,
key=oss_key
)
)
return result
def main():
client = create_oss_client()
bucket_name = "your-bucket-name"
# 注意：文末的 Github仓库里 data/photograph/ 目录已包含测试图片，可直接使用
# 也可以修改 local_image_path 变量，指向自己的图片目录
local_image_path = "data/photograph/"
oss_prefix = "photograph/"
image_files = os.listdir(local_image_path)
print(f"待上传图片数量: {len(image_files)}")
for i, image_name in enumerate(image_files, 1):
local_path = os.path.join(local_image_path, image_name)
oss_key = f"{oss_prefix}{image_name}"
try:
result = upload_with_uploader(client, bucket_name, local_path, oss_key)
print(f"[{i}/{len(image_files)}] 上传成功: {image_name}, status: {result.status_code}")
except Exception as e:
print(f"[{i}/{len(image_files)}] 上传失败 {image_name}: {e}")
print(f"\n上传完成!")
if __name__ == "__main__":
main()2. 向量化处理图片
使用百炼多模态 Embedding 模型将图片转换为 1024 维向量。
import dashscope
from dashscope import MultiModalEmbeddingItemImage
def embedding_image(image_url: str) -> list[float]:
"""
将图片转换为向量
Args:
image_url: 图片的 URL 地址（支持 OSS 地址或公网 URL）
Returns:
1024 维的向量列表
"""
resp = dashscope.MultiModalEmbedding.call(
model="multimodal-embedding-v1",
input=[MultiModalEmbeddingItemImage(image=image_url, factor=1.0)]
)
return resp.output["embeddings"][0]["embedding"]
def main():
# 示例图片 URL（需替换为实际可访问的图片地址，如为图片为私有权限，需要填入带签名的临时 URL）
image_url = "http://your-bucket-name.oss-cn-hangzhou.aliyuncs.com/photograph/Zsd0YhBa8LM.jpg"
print(f"正在对图片进行向量化: {image_url}")
# 调用 Embedding API
resp = dashscope.MultiModalEmbedding.call(
model="multimodal-embedding-v1",
input=[MultiModalEmbeddingItemImage(image=image_url, factor=1.0)]
)
# 打印完整响应
print("\n完整响应:")
print(resp)
# 获取向量
embedding = resp.output["embeddings"][0]["embedding"]
print(f"\n向量维度: {len(embedding)}")
print(f"向量前10个元素: {embedding[:10]}")
if __name__ == "__main__":
main()3. 创建向量索引并写入数据
3.1 创建向量Bucket
创建一个向量Bucket，作为存储所有向量数据和索引的容器。
# -*- coding: utf-8 -*-
"""
示例：创建 VectorBucket
本示例展示如何创建一个 OSS VectorBucket。
前提条件：
1. 已安装 alibabacloud-oss-v2: pip install alibabacloud-oss-v2
2. 已设置环境变量（参考初始化 Client 示例）
"""
import os
import alibabacloud_oss_v2 as oss
import alibabacloud_oss_v2.vectors as oss_vectors
def main():
# 从环境变量获取凭证
access_key_id = os.environ.get('oss_test_access_key_id')
access_key_secret = os.environ.get('oss_test_access_key_secret')
region = os.environ.get('oss_test_region')
account_id = os.environ.get('oss_test_account_id')
# 初始化 Client
cfg = oss.config.load_default()
cfg.credentials_provider = oss.credentials.StaticCredentialsProvider(
access_key_id, access_key_secret
)
cfg.region = region
cfg.account_id = account_id
client = oss_vectors.Client(cfg)
# VectorBucket 名称
vector_bucket_name = "my-test-2"
print(f"正在创建 VectorBucket: {vector_bucket_name}")
try:
# 创建 VectorBucket
result = client.put_vector_bucket(oss_vectors.models.PutVectorBucketRequest(
bucket=vector_bucket_name,
))
print(f"创建成功!")
print(f" status code: {result.status_code}")
print(f" request id: {result.request_id}")
except Exception as e:
print(f"创建失败: {e}")
print("提示: 如果 Bucket 已存在，会返回错误")
if __name__ == "__main__":
main()3.2 创建向量索引
Bucket创建成功后，需要在其内部创建一个向量索引。索引定义了向量的结构（如维度）和检索方式（如距离度量），是存储和查询向量数据的基础。
# -*- coding: utf-8 -*-
"""
示例：创建向量索引（Index）
本示例展示如何在 VectorBucket 中创建向量索引。
前提条件：
1. 已安装 alibabacloud-oss-v2: pip install alibabacloud-oss-v2
2. 已设置环境变量
3. 已创建 VectorBucket
"""
import os
import alibabacloud_oss_v2 as oss
import alibabacloud_oss_v2.vectors as oss_vectors
def main():
# 从环境变量获取凭证
access_key_id = os.environ.get('oss_test_access_key_id')
access_key_secret = os.environ.get('oss_test_access_key_secret')
region = os.environ.get('oss_test_region')
account_id = os.environ.get('oss_test_account_id')
# 初始化 Client
cfg = oss.config.load_default()
cfg.credentials_provider = oss.credentials.StaticCredentialsProvider(
access_key_id, access_key_secret
)
cfg.region = region
cfg.account_id = account_id
client = oss_vectors.Client(cfg)
# 配置参数
vector_bucket_name = "my-test-2"
vector_index_name = "test1"
dimension = 1024 # 百炼多模态模型输出向量维度
print(f"正在创建向量索引:")
print(f" Bucket: {vector_bucket_name}")
print(f" Index: {vector_index_name}")
print(f" 维度: {dimension}")
# 创建向量索引
result = client.put_vector_index(oss_vectors.models.PutVectorIndexRequest(
bucket=vector_bucket_name,
index_name=vector_index_name,
dimension=dimension,
data_type='float32', # 向量数据类型
distance_metric='cosine', # 距离度量方式：余弦相似度
metadata={
"nonFilterableMetadataKeys": ["key1", "key2"] # 不参与过滤的元数据字段
}
))
print(f"\n创建成功!")
print(f" status code: {result.status_code}")
print(f" request id: {result.request_id}")
if __name__ == "__main__":
main()参数说明：
参数 | 说明 |
dimension | 向量维度，需与 Embedding 模型输出维度一致 |
data_type | 向量数据类型，支持 float32 |
distance_metric | 距离度量方式，支持 cosine、euclidean |
metadata | 元数据配置，配置非过滤元数据字段，用于存储不参与搜索过滤的附加信息，作为向量数据的描述信息 |
3.3 写入向量数据
索引准备就绪后，下一步是将向量数据上传到指定的向量索引，以便后续进行检索。
# -*- coding: utf-8 -*-
"""
示例：批量写入图片向量数据
本示例展示如何批量写入已经向量化的图片数据到向量索引中。
前提条件：
1. 已安装 alibabacloud-oss-v2: pip install alibabacloud-oss-v2
2. 已设置环境变量
3. 已创建向量索引
4. 已准备好图片向量数据文件（data/data.json）
"""
import os
import json
import alibabacloud_oss_v2 as oss
import alibabacloud_oss_v2.vectors as oss_vectors
def main():
# 从环境变量获取凭证
access_key_id = os.environ.get('oss_test_access_key_id')
access_key_secret = os.environ.get('oss_test_access_key_secret')
region = os.environ.get('oss_test_region')
account_id = os.environ.get('oss_test_account_id')
# 初始化 Client
cfg = oss.config.load_default()
cfg.credentials_provider = oss.credentials.StaticCredentialsProvider(
access_key_id, access_key_secret
)
cfg.region = region
cfg.account_id = account_id
client = oss_vectors.Client(cfg)
# 配置参数
vector_bucket_name = "my-test-2"
vector_index_name = "test1"
# 加载预处理好的图片向量数据
# 注意：文末的 Github仓库里 data/目录已包含测试文件，可直接使用
# 也可以修改 data_file 变量，指向自己的图片目录
data_file = "./data/data.json"
print(f"正在加载图片向量数据: {data_file}")
image_data_array = []
with open(data_file, "r") as f:
image_data_array = json.load(f)
print(f"共加载 {len(image_data_array)} 条图片向量数据")
# 打印数据样例
if len(image_data_array) > 0:
sample = image_data_array[0]
print(f"\n数据样例:")
print(f" key: {sample.get('key', 'N/A')}")
if 'metadata' in sample:
print(f" metadata: {sample['metadata']}")
if 'data' in sample and 'float32' in sample['data']:
print(f" 向量维度: {len(sample['data']['float32'])}")
# 批量写入，每批 500 条
batch_size = 500
vectors = []
total_written = 0
print(f"\n开始批量写入 (batch_size={batch_size})...")
for idx in range(len(image_data_array)):
vectors.append(image_data_array[idx])
if len(vectors) == batch_size:
result = client.put_vectors(oss_vectors.models.PutVectorsRequest(
bucket=vector_bucket_name,
index_name=vector_index_name,
vectors=vectors,
))
total_written += len(vectors)
print(f" 已写入 {total_written}/{len(image_data_array)} 条, "
f"status code: {result.status_code}")
vectors = []
# 写入剩余数据
if len(vectors) > 0:
result = client.put_vectors(oss_vectors.models.PutVectorsRequest(
bucket=vector_bucket_name,
index_name=vector_index_name,
vectors=vectors,
))
total_written += len(vectors)
print(f" 已写入 {total_written}/{len(image_data_array)} 条, "
f"status code: {result.status_code}")
print(f"\n写入完成! 共写入 {total_written} 条向量数据")
if __name__ == "__main__":
main()4. 执行语义检索
使用自然语言文本作为查询条件，在向量索引中检索最相似的图片。
4.1 基础检索
将查询文本（例如“狗狗”）向量化后，在索引中查找最接近的Top-K个图片向量。
# -*- coding: utf-8 -*-
"""
示例：向量检索查询（Query Vector）
本示例展示如何使用向量进行相似度检索，支持元数据过滤。
前提条件：
1. 已安装 alibabacloud-oss-v2 和 dashscope
2. 已设置环境变量
3. 已设置百炼 API Key: export DASHSCOPE_API_KEY=<您的 API Key>
4. 已写入向量数据
"""
import os
import alibabacloud_oss_v2 as oss
import alibabacloud_oss_v2.vectors as oss_vectors
import dashscope
from dashscope import MultiModalEmbeddingItemText
def embedding(text: str) -> list[float]:
"""
文本向量化用于将查询文本转换为向量，实现文搜图能力
Args:
text: 待转换的文本
Returns:
1024 维的向量列表
"""
return dashscope.MultiModalEmbedding.call(
model="multimodal-embedding-v1",
input=[MultiModalEmbeddingItemText(text=text, factor=1.0)]
).output["embeddings"][0]["embedding"]
def main():
# 从环境变量获取凭证
access_key_id = os.environ.get('oss_test_access_key_id')
access_key_secret = os.environ.get('oss_test_access_key_secret')
region = os.environ.get('oss_test_region')
account_id = os.environ.get('oss_test_account_id')
# 初始化 Client
cfg = oss.config.load_default()
cfg.credentials_provider = oss.credentials.StaticCredentialsProvider(
access_key_id, access_key_secret
)
cfg.region = region
cfg.account_id = account_id
client = oss_vectors.Client(cfg)
# 配置参数
vector_bucket_name = "my-test-2"
vector_index_name = "test1"
# 查询文本
query_text = "狗狗"
print(f"正在进行向量检索:")
print(f" Bucket: {vector_bucket_name}")
print(f" Index: {vector_index_name}")
print(f" 查询文本: {query_text}")
# 将查询文本转换为向量
print(f"\n正在将查询文本转换为向量...")
query_vector = embedding(query_text)
print(f" 向量维度: {len(query_vector)}")
# 执行向量检索
print(f"\n执行向量检索 ...")
result = client.query_vectors(oss_vectors.models.QueryVectorsRequest(
bucket=vector_bucket_name,
index_name=vector_index_name,
query_vector={
"float32":query_vector
},
top_k=5, # 返回最相似的 5 个结果
return_distance=True, # 返回相似度距离
return_metadata=True, # 返回元数据
))
print(f"\n检索结果 (共 {len(result.vectors)} 条):")
for i, vector in enumerate(result.vectors, 1):
print(f"\n [{i}] key: {vector.get('key', 'N/A')}")
if 'distance' in vector:
print(f" 距离: {vector['distance']:.6f}")
if 'metadata' in vector:
print(f" 元数据: {vector['metadata']}")
# 不带过滤条件的检索
print(f"\n" + "=" * 50)
print(f"执行向量检索 (无过滤条件)...")
result = client.query_vectors(oss_vectors.models.QueryVectorsRequest(
bucket=vector_bucket_name,
index_name=vector_index_name,
query_vector={
"float32": query_vector
},
top_k=5,
return_distance=True,
return_metadata=True,
))
print(f"\n检索结果 (共 {len(result.vectors)} 条):")
for i, vector in enumerate(result.vectors, 1):
print(f" [{i}] key: {vector.get('key', 'N/A')}, "
f"距离: {vector.get('distance', 'N/A')}")
if __name__ == "__main__":
main()4.2 结合过滤条件检索
在进行向量相似度检索的同时，可以根据图片的元数据（如city、height）进行精确过滤，以缩小检索范围。向量检索支持使用$in、$and、$or等操作符对元数据进行过滤。
# -*- coding: utf-8 -*-
"""
示例：高级向量检索查询（Advanced Query）
本示例展示向量检索的高级用法，包括复杂过滤条件和多个查询示例。
前提条件：
1. 已安装 alibabacloud-oss-v2 和 dashscope
2. 已设置环境变量
3. 已设置百炼 API Key: export DASHSCOPE_API_KEY=<您的 API Key>
4. 已写入向量数据
"""
import os
import alibabacloud_oss_v2 as oss
import alibabacloud_oss_v2.vectors as oss_vectors
import dashscope
from dashscope import MultiModalEmbeddingItemText
def embedding(text: str) -> list[float]:
"""文本向量化用于将查询文本转换为向量，实现文搜图能力"""
return dashscope.MultiModalEmbedding.call(
model="multimodal-embedding-v1",
input=[MultiModalEmbeddingItemText(text=text, factor=1.0)]
).output["embeddings"][0]["embedding"]
def create_client():
"""创建 OSS Vector Client"""
access_key_id = os.environ.get('oss_test_access_key_id')
access_key_secret = os.environ.get('oss_test_access_key_secret')
region = os.environ.get('oss_test_region')
account_id = os.environ.get('oss_test_account_id')
cfg = oss.config.load_default()
cfg.credentials_provider = oss.credentials.StaticCredentialsProvider(
access_key_id, access_key_secret
)
cfg.region = region
cfg.account_id = account_id
return oss_vectors.Client(cfg)
def query_with_filter(client, bucket, index, query_text, filter_body, top_k=5):
"""执行带过滤条件的向量检索"""
result = client.query_vectors(oss_vectors.models.QueryVectorsRequest(
bucket=bucket,
index_name=index,
query_vector={"float32": embedding(query_text)},
filter=filter_body,
top_k=top_k,
return_distance=True,
return_metadata=True,
))
return result.vectors
def main():
client = create_client()
vector_bucket_name = "my-test-2"
vector_index_name = "test1"
print("=" * 60)
print("高级向量检索示例")
print("=" * 60)
# 示例 1: $in 操作符 - 匹配多个城市
print("\n【示例 1】使用 $in 操作符 - 查询杭州或上海的图片")
print("-" * 40)
filter_in = {
"city": {"$in": ["hangzhou", "shanghai"]}
}
results = query_with_filter(client, vector_bucket_name, vector_index_name,
"城市风景", filter_in)
print(f"查询: '城市风景', 过滤: city in ['hangzhou', 'shanghai']")
print(f"结果数量: {len(results)}")
for v in results[:3]:
print(f" - {v.get('key')}: {v.get('metadata', {}).get('city', 'N/A')}")
# 示例 2: $and 操作符 - 组合多个条件
print("\n【示例 2】使用 $and 操作符 - 组合多个过滤条件")
print("-" * 40)
filter_and = {
"$and": [
{"city": {"$in": ["hangzhou", "shanghai"]}},
{"height": {"$in": ["1024"]}}
]
}
results = query_with_filter(client, vector_bucket_name, vector_index_name,
"高楼大厦", filter_and)
print(f"查询: '高楼大厦', 过滤: city in [hangzhou, shanghai] AND height=1024")
print(f"结果数量: {len(results)}")
for v in results[:3]:
meta = v.get('metadata', {})
print(f" - {v.get('key')}: city={meta.get('city')}, height={meta.get('height')}")
# 示例 3: 不同查询文本的比较
print("\n【示例 3】不同查询文本的语义检索效果")
print("-" * 40)
query_texts = ["狗狗", "海边日落", "城市夜景", "美食"]
for qt in query_texts:
results = query_with_filter(client, vector_bucket_name, vector_index_name,
qt, None, top_k=3)
print(f"\n查询: '{qt}'")
for i, v in enumerate(results, 1):
print(f" [{i}] {v.get('key')}, 距离: {v.get('distance', 0):.4f}")
if __name__ == "__main__":
main()过滤条件说明：
操作符 | 说明 | 示例 |
$in | 包含在列表中 |
|
$and | 逻辑与 |
|
$or | 逻辑或 |
|
复杂过滤示例：
{
"$and": [
{"city": {"$in": ["hangzhou", "shanghai"]}},
{
"$or": [
{"height": "1024"},
{"height": "768"}
]
}
]
}4.3 构建可视化检索界面
为直观地展示检索效果，可使用Gradio构建一个简单的Web界面，提供一个包含文本输入、条件过滤和图片结果展示的交互式检索界面。
安装Web UI 框架
pip install gradio==5.44.1将以下代码保存为
gradio_app.py# -*- coding: utf-8 -*- import json import logging import os import alibabacloud_oss_v2 as oss import alibabacloud_oss_v2.vectors as oss_vectors import dashscope import gradio as gr from PIL import Image from dashscope import MultiModalEmbeddingItemText logging.basicConfig(level=logging.INFO) logger = logging.getLogger(__name__) class Util: access_key_id = os.environ.get('oss_test_access_key_id') access_key_secret = os.environ.get('oss_test_access_key_secret') region = os.environ.get('oss_test_region') account_id = os.environ.get('oss_test_account_id') cfg = oss.config.load_default() cfg.credentials_provider = oss.credentials.StaticCredentialsProvider(access_key_id, access_key_secret) cfg.region = region cfg.account_id = account_id client = oss_vectors.Client(cfg) vector_bucket_name = "my-test-2" vector_index_name = "test1" dimension = 1024 @staticmethod def embedding(text) -> list[float]: return dashscope.MultiModalEmbedding.call( model="multimodal-embedding-v1", input=[MultiModalEmbeddingItemText(text=text, factor=1.0)] ).output["embeddings"][0]["embedding"] @staticmethod def query_text(text: str, top_k: int = 5, city: list[str] = None, height: list[str] = None, return_meta: bool = True, return_distance: bool = True) -> list[tuple[Image.Image, str]]: logger.info(f"search text:{text}, top_k:{top_k}, city:{city}, height:{height}") sub_filter = [] if city is not None and len(city) > 0: sub_filter.append({"city": {"$in": city}}) if height is not None and len(height) > 0: sub_filter.append({"height": {"$in": height}}) if len(sub_filter) > 0: filter_body = {"$and": sub_filter} else: filter_body = None result = Util.client.query_vectors(oss_vectors.models.QueryVectorsRequest( bucket=Util.vector_bucket_name, index_name=Util.vector_index_name, query_vector={ "float32": Util.embedding(text) }, filter=filter_body, top_k=top_k, return_distance=return_distance, return_metadata=return_meta, )) gallery_data = [] current_dir = os.path.dirname(os.path.abspath(__file__)) # 前端展示依赖本地图片文件，请确保已按仓库结构准备图片资源： # - 默认使用文末仓库内 data/photograph/ 目录下的图片，前端会读取并展示其中的文件； # - 如需使用自己的图片，可将图片放入其他目录，并修改下方 path 指向该目录。 for vector in result.vectors: file_path = os.path.join(current_dir, "data/photograph/", vector["key"]) img = Image.open(file_path) gallery_data.append((img, json.dumps(vector))) ret = gallery_data logger.info(f"search text:{text}, top_k:{top_k}, request_id:{result.request_id}, ret:{ret}") return ret @staticmethod def on_gallery_box_select(evt: gr.SelectData): result = "" img_data = evt.value["caption"] img_data = json.loads(img_data) for key in img_data: img_data_item = img_data[key] if type(img_data_item) is str: img_data_item = img_data_item.replace("\n", "\\n").replace("\t", "\\t").replace("\r", "\\r") if type(img_data_item) is dict: for sub_key in img_data_item: img_data_item[sub_key] = img_data_item[sub_key].replace("\n", "\\n").replace("\t", "\\t").replace("\r", "\\r") result += f' - **{sub_key}**: {img_data_item[sub_key]}\r\n' continue result += f' - **{key}**: {img_data_item}\r\n' return result with gr.Blocks(title="OSS Demo") as demo: with gr.Tab("OSS QueryVector 图片示例") as search_tab: with gr.Row(): query_text_box = gr.Textbox(label='query_text', interactive=True, value="狗狗") top_k_box = gr.Slider(minimum=1, maximum=30, value=10, step=1, label='top_k', interactive=True) with gr.Column(): return_meta_box = gr.Checkbox(label='return_meta', interactive=True, value=True) return_distance_box = gr.Checkbox(label='return_distance', interactive=True, value=True) with gr.Row(): city_box = gr.Dropdown(label='city', multiselect=True, choices=["hangzhou", "shanghai", "beijing", "shenzhen", "guangzhou"]) height_box = gr.Dropdown(label='height', multiselect=True, choices=["1024", "683", "768", "576"]) with gr.Row(): query_button = gr.Button(value="query", variant='primary') with gr.Row(): with gr.Column(scale=8): gallery_box = gr.Gallery(columns=5, show_label=False, preview=False, allow_preview=False, visible=True, show_download_button=False) with gr.Column(scale=2): with gr.Row(variant="panel"): md_box = gr.Markdown(visible=True, elem_classes="image_detail") gallery_box.select(Util.on_gallery_box_select, [], [md_box]) query_button.click( Util.query_text, inputs=[ query_text_box, top_k_box, city_box, height_box, return_meta_box, return_distance_box ], outputs=[ gallery_box, ], concurrency_limit=1, ) if __name__ == "__main__": demo.launch(server_name="0.0.0.0", server_port=7860)启动界面
python gradio_app.py启动成功后，访问
http://localhost:7860即可使用检索界面。检索示例：输入"狗狗" → 返回包含狗的图片。
功能
说明
query_text
输入自然语言描述，如"狗狗"、"山峰"等
top_k
设置返回结果数量（1-30）
city
按城市过滤（支持多选）
height
按图片高度过滤（支持多选）
return_meta
是否返回元数据信息
return_distance
是否返回相似度距离
相关文档
本教程的完整项目工程请参见https://github.com/aliyun/alibabacloud-oss-vector-index-demo。
该文章对您有帮助吗？