网站建设預算,苏州大型网站设计公司,网站正在建设中提示页面设计欣赏,ps怎么设计网页文章目录 前言安装小试牛刀用repVgg抽取向量构建Faiss索引进行相似性搜索本项目延伸其它项目拓展总结 前言
Faiss的全称是Facebook AI Similarity Search。
这是一个开源库#xff0c;针对高维空间中的海量数据#xff0c;提供了高效且可靠的检索方法。 暴力检索耗时巨大针对高维空间中的海量数据提供了高效且可靠的检索方法。 暴力检索耗时巨大对于一个要求实时人脸识别的应用来说是不可取的。 而Faiss则为这种场景提供了一套解决方案。 Faiss从两个方面改善了暴力搜索算法存在的问题降低空间占用加快检索速度首先 Faiss中提供了若干种方法实现数据压缩包括PCA、Product-Quantization等 refhttps://zhuanlan.zhihu.com/p/133210698https://zhuanlan.zhihu.com/p/357414033 代码仓库https://github.com/facebookresearch/faiss faiss的用法在这里https://github.com/facebookresearch/faiss/wiki/Getting-started ref:https://github.com/ChunelFeng/caiss 据说这个也不错我还没试从名字也可以看出来是类似 faiss的东西 ref:https://blog.csdn.net/yaozaiyuanfang/article/details/116608345 ref: https://blog.csdn.net/yaozaiyuanfang/article/details/116608375?spm1001.2014.3001.5502 —这个总结的也不错 安装
refhttps://anaconda.org/pytorch/faiss-gpu 用的gpu版本貌似cpu版本也可以使用 安装命令
conda install -c pytorch faiss-gpu因为我看着有 -c pytorch 为了不污染我原来的pytorch环境所以新建了一个环境
conda create -n faiss python3.8
conda install -c pytorch faiss-gpu其实是我多虑了 -c 是指通道-c pytorch表示要从名为pytorch的channel中安装faiss-gpu软件包。 所以我又在常用的环境运行了一下这个命令.
小试牛刀
faiss 是一个快速检索向量的应用此时我们还需要一个提取特征向量的神经网络。 我选用的是RepVGG 代码在16仓库的这里/home/jianming_ge/workplace/zhongwaiyun/Faiss-ytst
import timm
import os
from timm.models.efficientnet import _cfg
# 查看vgg相关的模型
vgg_models timm.list_models(*vgg*)
# [repvgg_a2, repvgg_b0, repvgg_b1, repvgg_b1g4, repvgg_b2, repvgg_b2g4, repvgg_b3, repvgg_b3g4, vgg11, vgg11_bn, vgg13, vgg13_bn, vgg16, vgg16_bn, vgg19, vgg19_bn] repvgg_b3g4 是网络结构最复杂的模型抽取特征也最好# weights_path os.path.join(os.path.dirname(os.path.abspath(__file__)),weights,repvgg_b3g4-73c370bf.pth)
weights_path /home/jianming_ge/workplace/zhongwaiyun/Faiss-ytst/weights/repvgg_b3g4-73c370bf.pth
config _cfg(url, fileweights_path)#
model timm.create_model(repvgg_b3g4,pretrainedTrue,features_onlyTrue,pretrained_cfgconfig)
model---------------------------20230727------回来继续----------
用repVgg抽取向量
from PIL import Image
# 用repvgg抽取特征
img_path /home/jianming_ge/workplace/zhongwaiyun/Faiss-ytst/images/reflective_clothing/reflective_db/8.jpg
image Image.open(img_path)
image转成tensor,并且转成Pytorch 所需要的格式
import torch
import numpy as npimage1 torch.as_tensor(np.array(image, dtypenp.float32)).transpose(2,0)
image1.shapetorch.Size([3, 1920, 1920]) 需要增加一个batchsize的纬度
#增加一个None 是为了增加一个纬度
image torch.as_tensor(np.array(image, dtypenp.float32)).transpose(2,0)[None]
image.shapetorch.Size([1, 3, 1920, 1920])
# 可以看到这些图片的大小都不相等所以要resize成大小相等的图片在做特征抽取
tensor_list []
for img_path in img_path_list:image Image.open(img_path)image torch.as_tensor(np.array(image, dtypenp.float32)).transpose(2,0)[None]feature_output model.forward(image)print(feature_output[0].shape)tensor_list.append(feature_output[0])torch.Size([1, 64, 155, 150]) torch.Size([1, 64, 1125, 2000]) torch.Size([1, 64, 1125, 2000]) torch.Size([1, 64, 960, 960]) torch.Size([1, 64, 400, 513]) torch.Size([1, 64, 960, 1294]) torch.Size([1, 64, 750, 1161]) torch.Size([1, 64, 540, 540]) torch.Size([1, 64, 1632, 1224]) torch.Size([1, 64, 188, 250]) torch.Size([1, 64, 204, 250]) torch.Size([1, 64, 188, 250])
因为图片大小不一样所以需要resize相同的大小数据对齐一下:
import torch
import torchvision.transforms as transforms
from PIL import Imagedef image_to_tensor(image_path_list, resize_dim(224, 224)):# 定义转换操作transform transforms.Compose([transforms.Resize(resize_dim),transforms.ToTensor()])# 创建空列表存储张量tensor_list []for image_path in image_path_list:# 打开图片image Image.open(image_path)# resize和转换为张量image_tensor transform(image)# 添加到张量列表tensor_list.append(image_tensor)# 将张量列表堆叠为一个张量tensor_stack torch.stack(tensor_list)return tensor_stack# 将图片路径列表转换为张量
tensor image_to_tensor(img_path_list,resize_dim(640, 640))tensor.shapetorch.Size([12, 3, 640, 640])
到此已经有个12个特征向量 123640*640 其实也不一定是要640我是受yolov的影响写的640.
构建Faiss索引
import faiss
features tensor.numpy()
N, _, H, W tensor.shape
features_reshaped features.reshape(N, -1).astype(float32)# 构建Faiss索引
dimension features_reshaped.shape[1] # 特征向量的维度
index faiss.IndexFlatL2(dimension) # 使用L2距离度量的平面索引# 添加特征向量到索引
index.add(features_reshaped)
features_reshaped.shape(12, 1228800) 我理解faiss是把空间特征给展平放了不知道这样是否对匹配精度影响多少因为这样的话就把空间信息丢了。
进行相似性搜索
# 3.进行相似性搜索
test_img_path /home/jianming_ge/workplace/zhongwaiyun/Faiss-ytst/images/reflective_clothing/test_imgs/24.jpg
query_vector_list image_to_tensor([test_img_path], resize_dim(640, 640))
query_vector query_vector_list[0].reshape(1,dimension).numpy()
query_vector.shape(1, 1228800) 返回top k10 个相似的图片 distances, indices index.search(query_vector, k)# 输出结果
print(最相似的图像索引, indices)
print(最相似的图像距离, distances)最相似的图像索引 [[10 5 9 8 6 4 2 1 7 11]] 最相似的图像距离 [[ 98840.35 105621.3 126307.59 131995.1 162313.53 162977.97 183604.77 184193.06 191399.08 215673.9 ]]
print(我是模板:)
Image.open(img_path_list[indices[0][0]])原始图片是这个
本项目延伸
应该需要用目标监测把每个人都框出来然后送入faiss出来top5看是否穿有反光衣。 这就是基本思路了阈值要设定好因为不清楚阈值在多大的时候合适。
其它项目拓展
脑洞稍微打开一点把特征提取器换成face的把特征向量存到faiss上或者milvus上据说milvus的底层是faiss那不就可以容纳N多人脸的1N 或者M:N的人脸搜索模型了么。
总结
