向量检索

目录

• 1. 向量检索应用场景介绍
• 2. 向量检索算法介绍
  • 2.1 HNSW
  • 2.2 IVF
  • 2.3 FLAT
• 3. 检索库安装
• 4. 使用及配置文档介绍
  • 4.1 建库及配置文件参数
  • 4.2 检索配置文件参数

1. 向量检索应用场景介绍

向量检索技术在图像识别、图像检索中应用比较广泛。其主要目标是，对于给定的查询向量，在已经建立好的向量库中，与库中所有的待查询向量，进行特征向量的相似度或距离计算，得到相似度排序。在图像识别系统中，我们使用 Faiss 对此部分进行支持，具体信息请详查 Faiss 官网。Faiss 主要有以下优势

• 适配性好：支持 Windos、Linux、MacOS 系统
• 安装方便： 支持 python 接口，直接使用 pip 安装
• 算法丰富：支持多种检索算法，满足不同场景的需求
• 同时支持 CPU、GPU，能够加速检索过程

值得注意的是，为了更好是适配性，目前版本，PaddleClas 中暂时只使用 CPU 进行向量检索。

如上图中所示，向量检索部分，在整个 PP-ShiTu 系统中有两部分内容

• 图中绿色部分：建立检索库，供检索时查询使用，同时提供增、删等功能
• 图中蓝色部分：检索功能，即给定一张图的特征向量，返回库中相似图像的 label

本文档主要主要介绍 PaddleClas 中检索模块的安装、使用的检索算法、建库流程的及相关配置文件中参数介绍。

2. 使用的检索算法

目前 PaddleClas 中检索模块，支持三种检索算法HNSW32、IVF、FLAT。每种检索算法，满足不同场景。其中 HNSW32 为默认方法，此方法的检索精度、检索速度可以取得一个较好的平衡，具体算法介绍可以查看官方文档。

2.1 HNSW方法

此方法为图索引方法，如下图所示，在建立索引的时候，分为不同的层，所以检索精度较高，速度较快，但是特征库只支持添加图像功能，不支持删除图像特征功能。基于图的向量检索算法在向量检索的评测中性能都是比较优异的。如果比较在乎检索算法的效率，而且可以容忍一定的空间成本，多数场景下比较推荐基于图的检索算法。而HNSW是一种典型的，应用广泛的图算法，很多分布式检索引擎都对HNSW算法进行了分布式改造，以应用于高并发，大数据量的线上查询。此方法为默认方法。

2.2 IVF

一种倒排索引检索方法。速度较快，但是精度略低。特征库支持增加、删除图像特征功能。IVF主要利用倒排的思想保存每个聚类中心下的向量，每次查询向量的时候找到最近的几个中心，分别搜索这几个中心下的向量。通过减小搜索范围，大大提升搜索效率。

2.3 FLAT

暴力检索算法。精度最高，但是数据量大时，检索速度较慢。特征库支持增加、删除图像特征功能。

3. 检索库安装

Faiss 具体安装方法如下：

pip install faiss-cpu==1.7.1post2

若使用时，不能正常引用，则 uninstall 之后，重新 install，尤其是 windows 下。

4. 使用及配置文档介绍

涉及检索模块配置文件位于：deploy/configs/ 下，其中 inference_*.yaml 是检索或者分类的推理配置文件,同时也是建立特征库的相关配置文件。

4.1 建库及配置文件参数

建库的具体操作如下：

# 进入 deploy 目录
cd deploy
# yaml 文件根据需要改成自己所需的具体 yaml 文件
python python/build_gallery.py -c configs/inference_***.yaml

其中 yaml 文件的建库的配置如下，在运行时，请根据实际情况进行修改。建库操作会将根据 data_file 的图像列表，将 image_root 下的图像进行特征提取，并在 index_dir 下进行存储，以待后续检索使用。

其中 data_file 文件存储的是图像文件的路径和标签，每一行的格式为：image_path label。中间间隔以 yaml 文件中 delimiter 参数作为间隔。

关于特征提取的具体模型参数，可查看 yaml 文件。注意下面的配置参数只列举了建立索引库相关部分。

# indexing engine config
IndexProcess:
  index_method: "HNSW32" # supported: HNSW32, IVF, Flat
  index_dir: "./recognition_demo_data_v1.1/gallery_product/index"
  image_root: "./recognition_demo_data_v1.1/gallery_product/"
  data_file:  "./recognition_demo_data_v1.1/gallery_product/data_file.txt"
  index_operation: "new" # suported: "append", "remove", "new"
  delimiter: "\t"
  dist_type: "IP"
  embedding_size: 512
  batch_size: 32

• index_method：使用的检索算法。目前支持三种，HNSW32、IVF、Flat
• index_dir：构建的特征库所存放的文件夹
• image_root：构建特征库所需要的标注图像所存储的文件夹位置
• data_file：构建特征库所需要的标注图像的数据列表，每一行的格式：relative_path label
• index_operation： 此次运行建库的操作：new 新建，append 将 data_file 的图像特征添加到特征库中，remove 将 data_file 的图像从特征库中删除
• delimiter：data_file 中每一行的间隔符
• dist_type: 特征匹配过程中使用的相似度计算方式。例如 IP 内积相似度计算方式，L2 欧式距离计算方法
• embedding_size：特征维度
• batch_size：建立特征库时，特征提取的batch_size

4.2 检索配置文件参数

将检索的过程融合到 PP-ShiTu 的整体流程中，请参考 README 中 PP-ShiTu 图像识别系统介绍 部分。检索具体使用操作请参考识别快速开始文档。

其中，检索部分配置如下，整体检索配置文件，请参考 deploy/configs/inference_*.yaml 文件。

注意：此部分参数只是列举了离线检索相关部分参数。

IndexProcess:
  index_dir: "./recognition_demo_data_v1.1/gallery_logo/index/"
  return_k: 5
  score_thres: 0.5
  hamming_radius: 100

与建库配置文件不同，新参数主要如下：

• return_k: 检索结果返回 k 个结果
• score_thres: 检索匹配的阈值
• hamming_radius: 汉明距离半径。此参数只有在使用二值特征模型，dist_type设置为hamming时才能生效。具体二值特征模型使用方法请参考哈希编码