关于机器学习:搭建自己的以图搜图系统二深入优化搭建生产级别的图搜系统

本文是“搭建本人的以图搜图零碎”系列的第二篇，在 第一篇 内容中咱们理解了如何利用“机器学习框架 Towhee ¹”和“向量数据库 Milvus ²”疾速搭建一个以图搜图的服务原型。那么，如何搭建一个生产级别的服务呢？在实在的业务场景中，咱们经常碰到这些技术难题：

海量数据的状况下零碎提早高，硬件资源成为瓶颈。
零碎在一种数据集下召回成果不错，但在另一种数据集下召回成果却很差，想要尝试多种模型或者本人训练，但上手老本都很高。
零碎容错率低，当咱们批量解决图片时，如果存在坏数据系统很容易解体。

接下来本文会从性能、模型和业务流程方面探讨如何解决这些痛点，从而优化咱们的以图搜图零碎，最初会介绍如何应用 FastAPI 实现简略高效的 Web 服务。

本文中的相干代码已上传到 GitHub，欢送大家参考和应用：https://github.com/towhee-io/…

要想晋升性能，“堆机器”无疑是最便捷的形式，但在无限的资源下，咱们如何充分发挥算力劣势呢？个别状况下，咱们会采取上面几种计划：并行处理 ，充分发挥资源性能； 数据降维 ，升高计算复杂度； 向量索引，应用近邻搜寻的算法减速向量检索。

下文中的代码基本上都来自于以图搜图系列的第一篇内容，如果你想理解更具体的内容，能够移步：《搭建本人的以图搜图零碎（一）：10 行代码搞定以图搜图》。

基于 Towhee 的以图搜图 AI 流水线反对应用并行执行的形式，来晋升性能，在上面的代码中，咱们只须要简略地调用 set_parallel 办法，就能够并发解决数据。上面的例子演示了如何并行处理图片数据：

import towhee

dc = (towhee.read_csv('reverse_image_search.csv')
     .runas_op['id', 'id'](func=lambda x: int(x))
     .set_parallel(3)  #3 并发解决数据
     .image_decode['path', 'img']()
     .image_embedding.timm['img', 'vec'](model_name='resnet50')
     .tensor_normalize['vec', 'vec']()
     .to_milvus['id', 'vec'](collection=collection, batch=100)
)

在下面的例子中，咱们设置了 3 个并发来解决数据，咱们将会失去 2～3 倍的性能晋升。

计算高维向量的硬件老本很高，举个例子，ResNet50 模型生成的 Embedding 向量维度是 2048，如果图像数据规模为一亿，那么内存占用大概是 768 GB(4 Bytes 2048 100000000)，咱们也遇到了不少企业，他们的数据量级都在百亿级别，那么就须要约 76800 GB（75 TB）内存，那么针对向量数据进行降维就很有必要了，因为数据的计算量升高，性能会有晋升。降维的办法有很多种，如 PCA、SVD 和 UMAP 等，咱们以最简略的随机投影为例，在图片入库之前将向量维度从 2048 维升高到 512 维：

import numpy as np

projection_matrix = np.random.normal(scale=1.0, size=(2048, 512))

def dim_reduce(vec):
    return np.dot(vec, projection_matrix)

dc = (towhee.read_csv('reverse_image_search.csv')
        .runas_op['id', 'id'](func=lambda x: int(x))
        .image_decode['path', 'img']()
        .image_embedding.timm['img', 'vec'](model_name='resnet50')
        .runas_op['vec','vec'](func=dim_reduce)  #向量数据降维
        .tensor_normalize['vec', 'vec']()
        .to_milvus['id', 'vec'](collection=collection, batch=100)
)

随机投影是欧几里得空间中向量的降维办法，这种办法速度快且无需训练，示例中 dim_reduce 函数实现了该办法，并通过 runas_op 算子将其利用到 ResNet50 模型提取的向量数据中。

向量索引
在图片检索阶段，咱们能够应用面向 AI 的向量数据库 Milvus 对大规模的向量数据进行类似度检索，Milvus 反对多种 ANN 索引³用于减速，包含基于量化的索引，基于图的索引和基于树的索引等。咱们能够创立适合的索引用于近邻搜寻，值得一提的是 IVF_SQ8 索引，它不光通过聚类反对疾速查找，还能够压缩数据，缩小 70-75% 的内存。
应用 GPU 减速
不得不说模型减速最好的办法就是指定 GPU（前提是要有），当咱们应用 Towhee 算子中的 AI 模型进行特征向量提取，Towhee 框架将会主动依据 GPU 是否可用，来启用 GPU 进行数据处理，也就是说当 cuda.is_aviliable=True就会应用 GPU。

随着 AI 技术的一直倒退，CV(Computer Vision) 畛域呈现了越来越多的算法模型，从 VGG 到 ResNet 再到 Transformer，模型一直降级，那么哪一个模型才是最适宜咱们的呢？实际是测验真谛的唯一标准，最简略的形式是在本人的数据集下试用各种预训练好的模型选最优，除此之外，咱们也能够本人训练模型。

Towhee 的 image-embedding ⁴算子涵盖了市面上支流的各种模型，通过批改算子参数，能够轻松调用任何模型，而无需额定的折腾。此外 Towhee 还提供对于 Recall、HR 和 mAP 等指标的计算和报告，咱们能够基于本人的数据集来比照不同模型的指标后果，从而帮忙抉择最优的模型。
例如咱们指定三个模型 (VGG16, resnet50 和 efficientnet-b2) 进行测试并比照，先将图像数据集入库，而后搜寻测试图片并返回搜寻后果的准确率报告：

model_dim = {  #模型与生成向量维度的字典
    'vgg16': 4096,
    'resnet50': 2048,
    'tf_efficientnet_b2': 1408
}

for model in model_dim:
    collection = create_milvus_collection(model, model_dim[model])

    dc = (towhee.read_csv('reverse_image_search.csv')
            .runas_op['id', 'id'](func=lambda x: int(x))
            .image_decode['path', 'img']()
            .image_embedding.timm['img', 'vec'](model_name=model)
            .tensor_normalize['vec', 'vec']()
            .to_milvus['id', 'vec'](collection=collection, batch=100)
    )  #图像数据入库

    (towhee.glob['path']('./test/*/*.JPEG')
         .image_decode['path', 'img']()
         .image_embedding.timm['img', 'vec'](model_name=model)
         .tensor_normalize['vec', 'vec']()
         .milvus_search['vec', 'result'](collection=collection, limit=10)
         .runas_op['path', 'ground_truth'](func=ground_truth)                #获取测试数据的 ground truth
         .runas_op['result', 'result'](func=lambda res: [x.id for x in res]) #获取搜寻后果的 id
         .with_metrics(['mean_hit_ratio', 'mean_average_precision'])         #指定 HR 和 mAP 两个指标
         .evaluate['ground_truth', 'result'](model)                          #将后果 id 和 ground truth 比拟
         .report())  #检索图像并返回指标报告

当然，也能够用应用本人的模型而不是 Towhee 的内置算子，上面以应用 Transformer 模型为例，首先定义 vit_embedding 函数用于提取特征向量，而后通过 runas_op 利用此函数，最初和下面的代码相似，用于计算指定的指标。

feature_extractor = ViTFeatureExtractor.from_pretrained('google/vit-large-patch32-384')
model = ViTModel.from_pretrained('google/vit-large-patch32-384')
device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')
model.to(device)


def vit_embedding(img):
    img = to_image_color(img, 'RGB')
    inputs = feature_extractor(img, return_tensors="pt")
    outputs = model(inputs['pixel_values'].to(device))
    return outputs.pooler_output.detach().cpu().numpy().flatten()

collection = create_milvus_collection('huggingface_vit', 1024)

dc = (towhee.read_csv('reverse_image_search.csv')
        .runas_op['id', 'id'](func=lambda x: int(x))
        .image_decode['path', 'img']()
        .image_embedding.timm['img', 'vec'](model_name=model)
        .tensor_normalize['vec', 'vec']()
        .to_milvus['id', 'vec'](collection=collection, batch=100)
)

(towhee.glob['path']('./test/*/*.JPEG')
     .image_decode['path', 'img']()
     .image_embedding.timm['img', 'vec'](model_name=model)
     .tensor_normalize['vec', 'vec']()
     .milvus_search['vec', 'result'](collection=collection, limit=10)
     .runas_op['path', 'ground_truth'](func=ground_truth)
     .runas_op['result', 'result'](func=lambda res: [x.id for x in res])
     .with_metrics(['mean_hit_ratio', 'mean_average_precision'])
     .evaluate['ground_truth', 'result'](model)
     .report())

以上四个模型的准确率状况如下图所示，可见在本文数据集中 ViT-large 模型的准确度更高。

除了应用这些预训练好的模型，咱们还能够基于本人的数据集进行模型训练，Towhee 也提供了模型训练接口，你能够尝试训练任意的模型算子。

在稳定性方面，咱们心愿零碎既强壮又牢靠，不至于碰到异样就解体；在业务方面，咱们心愿能够定制化流水线，不同的流水线用于解决不同的业务。

当以图搜图零碎解决大规模数据时，如果其中存在损坏的图像或格局谬误的图像，这很可能导致程序中断，但咱们又很难清理掉所有呈现的坏数据，该怎么办呢？Towhee 提供 exception_safe 接口可能确保出现异常时继续执行。

(towhee.glob['path']('./exception/*.JPEG')
    .exception_safe() #异样平安
    .image_decode['path', 'img']()
    .image_embedding.timm['img', 'vec'](model_name='resnet50')
    .tensor_normalize['vec', 'vec']()
    .milvus_search['vec', 'result'](collection=resnet_collection, limit=5)
    .runas_op['result', 'result_img'](func=read_images)
    .drop_empty()    #革除坏数据
    .select['img', 'result_img']()
    .show())

下面的例子中，咱们应用了四张图片作为输出数据，其中蕴含一张损坏的图片，因为咱们在流水线中退出了 exception_safe，所以程序不会产生中断，仅仅是打印了错误信息。

依据不同的业务场景咱们能够定制不同的流水线，比方在商品举荐场景中，咱们更关注图像蕴含的商品，那么能够在流水线中加上 Towhee 的指标检测⁵算子，用于检测图像中的商品。代码如下所示，具体原理是先利用 get_object 返回图像所有指标中面积最大的物体（没有指标将返回图像自身），而后针对找到的指标物体进行特征提取。

def get_object(img, boxes):
    if len(boxes) == 0:
        return img
    max_area = 0
    for box in boxes:
        x1, y1, x2, y2 = box
        area = (x2-x1)*(y2-y1)
        if area > max_area:
            max_area = area
            max_img = img[y1:y2,x1:x2,:]
    return max_img

(towhee.glob['path']('./object/*.jpg')
        .image_decode['path', 'img']()
        .object_detection.yolov5['img', ('boxes', 'class', 'score')]() #指标检测算子
        .runas_op[('img', 'boxes'), 'object'](func=get_object)
        .image_embedding.timm['object', 'object_vec'](model_name='resnet50')
        .tensor_normalize['object_vec', 'object_vec']()
        .milvus_search['object_vec', 'object_result'](collection=yolo_collection, limit=3)
        .runas_op['object_result', 'object_result_img'](func=read_images)
        .select['img', 'result_img', 'object_result_img']()
        .show())

在进行有无指标检测的后果比照之后，咱们能够发现一个有意思的事件：在某些状况下，指标检测后的后果更优。以下图中每一行的后果为例，从左至右是咱们输出的检索图片，和三张图搜的后果、进行指标检测后搜寻的后果。第一行在加上指标检测后能力找到车相干的图片，否则都是蜘蛛，咱们能够揣测 ResNet 把待检索图片中的树枝了解成了蜘蛛，然而在 Towhee 流水线中利用上指标检测就能够解决这个问题。

上一篇文章中咱们介绍了利用 Gradio 部署图像搜寻的服务，这次将展现如何利用 FastAPI ⁶来提供 Web 服务，FastAPI 是目前支流的基于 Python 的 Web 框架之一。咱们先创立一个 FastAPI 实例 app，而后将这个实例 app 绑定到 Towhee 的流水线中，app_search 提供了基于 FastAPI 的图像检索服务，最初咱们设置好服务端口和地址，就可能失去一个在线服务了。

from fastapi import FastAPI
import uvicorn
import nest_asyncio

app = FastAPI()

with towhee.api['file']() as api:
    app_search = (api.image_load['file', 'img']()
        .image_embedding.timm['img', 'vec'](model_name='resnet50')
        .tensor_normalize['vec', 'vec']()
        .milvus_search['vec', 'result'](collection=milvus_collection)
        .runas_op['result', 'res_file'](func=lambda res: str([id_img[x.id] for x in res]))
        .select['res_file']()
        .serve('/search', app) #绑定流水线到 app，接口为 /search
    )

nest_asyncio.apply()
uvicorn.run(app=app, host='0.0.0.0', port=8000)

相似的，参考 towhee-io/examples 咱们能够实现 /load 和 /count 两个接口的创立，在所有工作就绪之后，咱们就可能在浏览器中关上 http://0.0.0.0:8000/docs 来体验领有更高性能的以图搜图服务利用了。

置信在追随本文急躁实际之后，你肯定能够失去一个性能颇高、生产可用的“以图搜图零碎”。当然，如果你违心的话，也能够联合本文的例子，对其余的非结构化数据和我的项目（音视频）进行剖析优化，原理是相通的。欢送留言探讨，或者给咱们的我的项目提出改良倡议（https://github.com/towhee-io/…）。

下一篇文章中，咱们将剖析如何“打包 AI 流水线”，通过应用 Docker 来实现零碎的疾速搭建和残缺数据迁徙。

[1] https://towhee.io/
[2] https://milvus.io/
[3] https://milvus.io/docs/v2.1.x…
[4] https://towhee.io/tasks/detai…
[5] https://towhee.io/tasks/detai…
[6] https://fastapi.tiangolo.com/

如果你感觉咱们分享的内容还不错，请不要悭吝给咱们一些激励：点赞、喜爱或者分享给你的小伙伴！

流动信息、技术分享和招聘速递请关注：https://zilliz.gitee.io/welcome/

如果你对咱们的我的项目感兴趣请关注：

用于存储向量并创立索引的数据库 Milvus

用于构建模型推理流水线的框架 Towhee

关于机器学习:搭建自己的以图搜图系统二深入优化搭建生产级别的图搜系统

概述

性能优化

并行处理

数据降维

模型优化

模型选型

模型训练

流程优化

异样解决

减少指标检测

FastAPI 部署

总结

相干材料：

Just My Socks（注册教程内含优惠码）

关于机器学习:搭建自己的以图搜图系统二深入优化搭建生产级别的图搜系统

概述

性能优化

并行处理

数据降维

模型优化

模型选型

模型训练

流程优化

异样解决

减少指标检测

FastAPI 部署

总结

相干材料：

Just My Socks（注册教程 内含优惠码）

Just My Socks（注册教程内含优惠码）