Elasticsearch8.x结合OpenAI CLIP模型实现图搜图及文搜图功能

前言

在当今大数据时代，搜索引擎已经是许多应用的核心组件之一，近年随着大模型以及AI技术（如：自然语言处理NLP）的流行，这些技术的结合将会创造出更多的应用场景，比如：电商商品搜索、图像识别、非结构化数据向量化等

本博客将介绍如何使用 Elasticsearch8.x 结合 OpenAI 提供的强大 CLIP 模型构建一个生产环境可用的向量搜索引擎，它不仅能够通过关键字匹配搜索，还可以通过向量相似度搜索，从而实现更智能和灵活的搜索体验，先上效果图

环境准备

Elasticsearch 8 及 Knn Search 介绍

在老版本Elasticsearch 7.x 中，KNN（K-Nearest Neighbors）插件默认并不是包含在其核心功能中的，需要手动安装 KNN 插件，而 Elasticsearch 8.0+ 则默认集成了 Knn Search 功能

接下来我们将了解如何配置和使用 Knn Search，以及它如何与 CLIP 模型集成

Elasticsearch8.x安装教程
Knn相似度查询官方文档

OpenAI CLIP 模型介绍

CLIP模型是 OpenAI 公司在 2021 年初发布的用于匹配图像和文本的预训练神经网络模型，CLIP模型的训练数据收集了约4亿张图片和文本信息进行自监督学习，使它拥有强大的特征抽取能力，在多模态研究领域堪称经典之作

本案例将重点演示两个子模型

clip-vit-base-patch32

clip-vit-base-patch32 是一个在视觉和语言任务中表现出色的模型，它使用 Vision Transformer (ViT) 架构，并经过大量的互联网数据训练，可以将图像和文本映射为统一的向量空间，这使得我们可以使用相同的向量空间进行图像和文本的搜索，为跨模态搜索提供了强大的支持

clip-ViT-B-32-multilingual-v1

clip-ViT-B-32-multilingual-v1 是一个支持多语言的 CLIP 模型。它继承了 clip-vit-base-patch32 的优秀特性，同时具备对多语言文本和图像的强大处理能力，对于多语言搜索应用程序，这个模型是一个理想的选择

图片向量化

图片向量化采用clip-vit-base-patch32模型对图片进行矢量计算，使用Dataset进行图片加载，迭代图片返回图片编号、图片路径、图片文件

from torch.utils.data import DataLoader, Dataset
# 定义图片目录
IMG_PATH = Path(__file__).resolve().parents[1] / "images"
# DataSet类型
class ImageDataset(Dataset):
    def __init__(self):
        self.image_files = list(IMG_PATH.glob("*.png"))

    def __len__(self):
        return len(self.image_files)
        
	#迭代返回图片编号、路径、图片
    def __getitem__(self, idx):
        image_file = self.image_files[idx]
        image_id = image_file.name.split(".")[0]
        image = utils.pil_loader(image_file)
        image_url = image_file.name
        return image_id, image_url, image

本地图片矢量计算

def get_image_features(image):
	model = CLIPModel.from_pretrained("openai/clip-vit-base-patch32")
	processor = CLIPProcessor.from_pretrained("openai/clip-vit-base-patch32")
	inputs = processor(images=images, return_tensors="pt")
    image_features = self.model.get_image_features(**inputs)
    image_features /= image_features.norm(dim=-1, keepdim=True)
    image_features = image_features.tolist()
    return image_features

创建ES索引，这里向量索引定义为 index_image_search，"dims":512 表示字段的向量维度为512，"similarity":"l2_norm" 表示使用 L2 范数作为相似度计算的方法，L2 范数也被称为欧氏距离

"mappings": {
     "properties": {
         "feature_vector": {
             "type": "dense_vector",
             "dims": 512,
             "similarity": "l2_norm"
         },
         "image_path": {
             "type": "keyword",
         }
     }
 }

组装ES文档和向量数据，批量插入到 ES

from elasticsearch.helpers import bulk
#循环迭代图片集合
def define_data():
	dataloader = DataLoader(ImageDataset(), batch_size=64)
	for batch in tqdm(dataloader):
        image_ids, image_urls, images = batch
        image_features = get_image_features(images)
        batch_size = len(image_ids)
        for i in range(batch_size):
            yield {
                "_index": "index_image_search",
                "_id": image_ids[i],
                "image_path": image_urls[i],
                "feature_vector": image_features[i],
            }
# 批量插入
def bulk_ingest(self, chunk_size=128):
	return bulk(self.client, generate_data(), chunk_size=chunk_size, ignore_status=500)

至此以上步骤完成了对素材图片的向量化存储，接下来我们将启动一个python web页面来演示图片搜索功能

Streamlit 构建 Web 搜索页面

为了展示构建的搜索引擎，我们将使用 Streamlit 框架构建一个简单而强大的 Web 搜索页面，Streamlit 的简洁性和实时性使得构建交互式搜索界面变得非常容易

案例中页面表单元素组件主要包括：

• 搜索类型(文搜图/图搜图)
• 向量模型
• 搜索数量
• 搜索文本或图片地址
  

总结

使用过程中我们发现clip-vit-base-patch32模型对部分中文的支持效果不是很好，所以我们引入了clip-ViT-B-32-multilingual-v1模型，实践下来它对中文的识别效果还是不错的，毕竟其具备支持多语言文本的解析能力。当然，如果场景中只用到英文来搜索，那么clip-vit-base-patch32模型足够了

其它语言模型可在官网搜索下载：Hugging Face

案例展示

下面给出几组搜索对比结果图：

Model：ViT-B-32-Multi/ViT-B-32
搜索词：不见啄木鸟，但闻啄木声

Model：ViT-B-32-Multi/ViT-B-32
搜索词：two cute little pigs

Model：ViT-B-32-Multi/ViT-B-32
搜索词：かわいい2匹の子豚

图片搜索

欢迎大家讨论学习（完）