- 综合排序
- 最热优先
- 最新优先
Onnxruntime部署Chinese CLIP实现以文搜图以文找图功能
https://github.com/OFA-Sys/Chinese-CLIP 【算法介绍】
28100编辑于 2025-07-17- 来自专栏NLP/KG
Similarities：精准相似度计算与语义匹配搜索工具包，多维度实现多种算法，覆盖文本、图像等领域，支持文搜、图搜文、图搜图匹配搜索
Similarities：精准相似度计算与语义匹配搜索工具包，多维度实现多种算法，覆盖文本、图像等领域，支持文搜、图搜文、图搜图匹配搜索 Similarities 相似度计算、语义匹配搜索工具包，实现了多种相似度计算 图文互搜 CLIP 模型不仅支持以图搜图，还支持中英文图文互搜： import sys import glob from PIL import Image sys.path.append('..') from
5.7K32编辑于 2023-08-12 OCR识字找图关键词找图以文搜图工具使用教程
OCR识字找图工具功能简介： 当你有一批图片但是想提取图片里面包含关键词的的图片，以前都是手工肉眼打开去找，其实这个大可不必，现在只需输入关键词，软件会自动搜索所有图片，只要包含指定关键词就会复制或者移动这个图片文件到指定文件夹 ，大大提高了以文找图效率，全程无需人工过多干预，首先我们打开软件 选择好保目录，然后导入文件，最后填写完关键词，点击开始识别即可自动进行识别，如果识别会在转换状态显示成功，没有成功会显示未找到，无等，详情请观看视频教程 ： OCR识字找图关键词找图以文搜图工具使用教程_哔哩哔哩_bilibili这个是win10以上使用的OCR识别文字并根据关键词进行搜图的小工具，比如你有1万张图片，你要提取图片里面有文字包含张三的图片
47710编辑于 2025-07-17- 来自专栏算法其实很好玩
Day22-图算法-图的深搜和宽搜
今天先更一下图算法的基础知识-宽搜和深搜 二 问题来了 Q：给定一个图，给出图的深度优先搜索和宽度优先搜索结果。 ? 三 讲一讲 图有邻接矩阵和邻接表两种表示方法，我在下面写的是邻接表。 概念解释 深度优先搜索： 从图中某个顶点V出发，首先访问该顶点，然后依次从它的各个未被访问的邻接点出发，深度优先搜索遍历图，直至图中所有和V有路径相通，且未被访问的顶点 void depthFirstSearch(GraphNode* root, int visit[]){ visit[root->value] = 1;//标记已经访问的图的顶点 printf for (int i = 0; i < maxN; i++) { graph[i] = new GraphNode(i); } //有了5个顶点之后，开始按照配图连接边
1K20发布于 2019-07-15 - 来自专栏MixLab科技+设计实验室
以图搜图技术栈
创建以图搜图引擎的步骤相当简单，基于 opencv 的一些传统图像算法，提取颜色和纹理特征，例如图像的颜色、轮廓、直方图等信息，作为相似性搜索的索引。 除了 Lire ，还有苹果公司的机器学习框架 TuriCreate ，python 语言，我尝试了下：DIY一个以图搜图引擎1本次训练数据共 3300 张图片，66x66 就可以达到不错的效果，训练时间在 除了关注技术本身，“ 以图搜图 ” 有这些应用： 电商搜同款； 图片搜索； 安防监控； 药物检索； 盗版检测； 纺织面料； 视频摘要； 艺术创作 ； 对了，Lire 跟 TuriCreate ，直接在
2.8K90发布于 2018-04-17 - 来自专栏Node Python Go全栈开发
以图搜图系统概述
以图搜图系统概述 以图搜图指的是根据图像内容搜索出相似内容的图像。 构建一个以图搜图系统需要解决两个最关键的问题：首先，提取图像特征；其次，特征数据搜索引擎，即特征数据构建成数据库并提供相似性搜索的功能。 图像特征表示 介绍三种方式。
2.1K20发布于 2020-07-17 - 来自专栏马超的博客
以图搜图-【案例】将图搜结果转换为虚拟图之后输出
@TOC[1] Here's the table of contents: •将图搜结果转换为虚拟图之后输出 •1.1 CYPHER语句 •1.2 执行结果 •1.3 参考链接 将图搜结果转换为虚拟图之后输出 CYPHER语句 •提取图结构并以图搜图将结果转换为虚拟图 创建一个多环路子图并抽取其图结构匹配其它相似子图之后生成虚拟图 CREATE (n1:公司) SET n1. 虚拟图表示将查询结果生成为一个物理存储中不存储在的图，例如将虚拟图挂上指标数据之后返回给数据分析系统实现三维和二维数据的集成。其中三维主要指图数据，二维指关系数据库、ES或者其它存储系统。 在图模型建模中一般将时间序列建模为图模型指标更方便理解和查询操作，指标数据主要存储在二维存储中，图结构主要存储在图数据库中。生成虚拟图这个结果集可以提供给后续更多数据分析应用使用。 参考链接 ONgDB图数据库存储过程插件ongdb-lab-apoc[2] References [1] TOC: 以图搜图-【案例】将图搜结果转换为虚拟图之后输出 [2] ONgDB图数据库存储过程插件
81420编辑于 2022-07-04 - 来自专栏Reinvent Data Science
视频｜10分钟讲清楚Milvus 以图搜图、以图搜视频
今天我们要和大家介绍的是 Milvus 在计算机视觉领域的应用，包含以图搜图和以图搜视频。
1.1K20发布于 2020-04-28 百万级本地图库秒搜以图搜图软件老马识图
我们经常需要根据一个图片寻找到本地电脑上存储的相似图片，但是本地图片存储量太大又杂乱，我们很难找到那个相似图片，这时候就需要一个本地以图搜图软件。只要轻轻一拖就可以快速找到本地图片。秒速搜索出结果。 下面我来介绍下这款可搜百万图库的本地以图搜图软件。 哦，亲爱的小伙伴们，我还忘了告诉你，本软件还可以进行以图搜视频。
2K00编辑于 2026-02-25- 来自专栏机器学习AI算法工程
以图搜图：Python实现dHash算法
向AI转型的程序员都关注了这个号 机器学习AI算法工程 公众号：datayx 期研究了一下以图搜图这个炫酷的东西。百度和谷歌都有提供以图搜图的功能，有兴趣可以找一下。当然，不是很深入。
1.9K20编辑于 2022-03-04 - 来自专栏铭毅天下
Elasticsearch 8.X “图搜图”实战
1、什么是图搜图？ "图搜图"指的是通过图像搜索的一种方法，用户可以通过上传一张图片，搜索引擎会返回类似或者相关的图片结果。 3、Elasticsearch 8.X 如何实现图搜图？ 业务层：实现图片转向量后，借助knn检索实现图搜图。 4.5 图搜图结果展示 5、小结 总结一下，图搜图功能的实现重点在于两个关键的组件：Elasticsearch和预训练模型 sentence-transformers/clip-ViT-B-32-multilingual-v1 两者的结合为图搜图功能的实现提供了一个可靠的技术支持。
1.4K10编辑于 2023-08-18 - 来自专栏Node Python Go全栈开发
以图搜图系统工程实践
以图搜图系统工程实践 之前写过一篇概述: 以图搜图系统概述 。 以图搜图系统需要解决的主要问题是： •提取图像特征向量（用特征向量去表示一幅图像）•特征向量的相似度计算（寻找内容相似的图像） 对应的工程实践，具体为： •卷积神经网络 CNN 提取图像特征•向量搜索引擎 结语 本文讲述了以图搜图系统进行工程实践时比较常见的内容，最后强烈推荐一下 Milvus 。 文中的外部链接，建议点击左下角 阅读原文 查看。
1K20发布于 2020-07-17 以图搜图（二）：python dHash算法
dHash中文叫差异哈希算法，在对图片进行哈希转换时，通过左右两个像素大小的比较，得到最终哈希序列。相比于aHash算法。dHash速度快，判断效果也要好。
13210编辑于 2026-01-23- 来自专栏马超的博客
以图搜图-自动生成图模式匹配Cypher
•7.5 olab.schema.auto.cypher函数其它使用案例 •八、参考链接 以图搜图-自动生成图模式匹配Cypher 这里要实现的搜图效果，不是搜索图片，而是搜索图数据。 olab.schema.auto.cypher函数可以实现对已有图结构的翻译，实现以图搜图的效果非path匹配。通过JSON定义的图格式数据，抽取图模式并拼接为CYPHER语句。 apoc.convert.fromJsohengsnList(olab.convert.json(['21','123',123])) 7.3 olab.schema.auto.cypher执行 下面的几个例子展示从已有的图数据生成搜素图模式的 ,p3,p4,p5,p6,p7 // RETURN {graph:[p0,p1,p2,p3,p4,p5,p6,p7]} AS graph LIMIT 100 八、参考链接 该函数可以非常方便的进行以图搜图 更多案例请查看ongdb-lab-apoc组件[3] References [1] TOC: 以图搜图-自动生成图模式匹配Cypher [2] 案例中使用的DEMO入参数据集下载: https://github.com
1.8K10编辑于 2022-07-04 - 来自专栏AI算法与图像处理
实战 | 多种方法实现以图搜图
作者：Anson Wong 编译：AI算法与图像处理 代码链接：https://github.com/ankonzoid/artificio/tree/master/image_retrieval 以图搜图技术是日常生活中常用的功能 ，当你看到某张图片某件衣服甚至是某个明星，可能都无须舔着脸问你身边的小伙伴了，因为目前的搜图技术能基本满足你的日常需求。 之前有分享过两篇相关的文章《是时候展示一波花里胡哨了——以图搜图》 《以图搜图技术演进和架构优化【优质文章】》 预期目标 之前分享的相对比较麻烦，需要多个操作步骤，最终的显示效果也并不是非常美观。 我们对数据库图片执行以图搜图操作，在image embeddings（将图片数据转换为固定大小的特征表示——矢量）上以余弦相似度作为距离度量使用kNN获取前k个最相似的数据库中的图片。 链接中的代码已提供爬Google图片的代码以及对图片进行预处理的相关操作 将采用以下两种方法执行以图搜图功能： 1）Transfer learning 2）Training Autoencoders
3.1K20发布于 2019-09-25 - 来自专栏Reinvent Data Science
基于 Milvus 的以图搜图系统 2.0
Milvus 以图搜图 1.0 版本自发布以来便受到广大用户的欢迎。近日，Zilliz 推出了 Milvus 以图搜图系统 2.0 版。 本文将介绍 Milvus 以图搜图系统 2.0 版的主要更新内容。 搭建步骤 请参考 GitHub 项目 搭建 Milvus 以图搜图系统。 结果比对 如下图所示，相较于 1.0 版，Milvus 以图搜图 2.0 版提升了多物体检测的能力： ? 图 1: Milvus 以图搜图 1.0 版本相似度搜索结果 ? 图 2: Milvus 以图搜图 2.0 版本相似度搜索结果 经过多次搜索比对，我们发现如果在图片中仅包含少量物体，使用 Milvus 以图搜图系统 1.0 版本可以满足大多数用户的需求。
3.6K20发布于 2021-04-26 - 来自专栏MixLab科技+设计实验室
DIY一个以图搜图引擎1
吉娃娃和小松糕....的故事，大家应该都看过吧，上面这图也是类似的，有很多长得像脸的食物，以至于让我训练的模型都认为是多个人。。 我还找出了不少的小动物们： ? ? ” 最后来个大图，头像关系错综复杂啊： ? 留待下一篇再介绍更好玩的：比如夫妻相之类的，逢年过节帮你自动生成个节庆头像之类的。。。
1.7K70发布于 2018-04-17 - 来自专栏Reinvent Data Science
Milvus实战｜ 以图搜视频系统
以图搜视频，顾名思义就是拿一张图片去视频底库里面搜索包含相似镜头的视频。以图搜视频中一个关键的步骤就是视频向量化，视频向量化即在视频中抽取关键帧，对每帧视频进行特征提取，将其转化为结构化的向量。 至此，好奇的读者可能会问，这和以图搜图有什么区别呢？是的，对视频所有关键帧图片的搜索本质上就是以图搜图。 | 系统简介 整个以图搜视频系统的工作流程可以用下面这张图来表示： ? 上表中的 ip 地址 192.168.1.38 为本文搭建以图搜视频系统使用的服务器地址，用户需要根据自己的实际情况对其进行修改。 等待视频导入完成以后，整个以图搜视频系统就全部搭建完成了！ | 界面展示 打开浏览器，输入 192.168.1.38:8001 即可看到以图搜视频的界面，如下图所示： ? 接下来就尽情享受以图搜视频的乐趣吧！ | 结语 本文利用 Milvus 搭建起了以图搜视频系统，展示了 Milvus 在非结构化数据处理中的应用。
3.4K10发布于 2020-05-21 - 来自专栏AI算法与图像处理
以图搜图技术演进和架构优化【优质文章】
这背后都是强大的以图搜图技术。 以图搜图技术发展了许多年，从早期以图搜图的精度不尽如人意，到后来基于以图搜图技术开发出非常多的改变用户行为和提升效率的应用，经历了不小于10年的发展，整体的技术方案，数据量级，工程架构都进行了多轮的迭代 当前，各个大厂都在基于以图搜图技术来提供更好的产品，服务；我们希望在这篇文章中对以图搜图技术做一个全面的总结，主要包含以下几个方面： 1. 以图搜图技术的通用框架； 2. 以图搜图技术迭代； 3. 以图搜图是工程+算法的结合，架构演进； Part 1. 以图搜图技术的通用框架 在这一章，我们来介绍以图搜图技术的通用框架。在介绍以图搜图技术之前，我们来看任何一个搜索技术所拥有的基本组件。 接下来，我们介绍两代不同的以图搜图技术。
1.9K10发布于 2019-05-22 - 来自专栏腾讯云TI平台
AI Talk | AI工业质检之以图搜图引擎
今天一篇“AI工业质检之以图搜图引擎”带大家如何解决工业漏检问题，如何回溯漏检历史现场。 以图搜图引擎就是以这样背景情况设计出来，终极目的回溯漏检历史现场。 02挑战与困难 目的 一：工业环境可以多项目迁移 二：高性能，短时间回溯漏检现场 三：高命中率，快速定位问题 以图搜图发展历史悠久，目前市面流行方案绝大部分就是采用深度学习，基于训练模型方向进行图片特征提取 ，这时就可以利用点位设计，把漏检样品二次拍摄，挑选样品特征明显的点位，根据单点位图像搜图漏检历史现场，这样可以节省巨大搜图时间，也同时提高搜图命中率。 关键区域与图像模板匹配：上述讲到根据点位设计可以达到目标图像筛选，从而减少搜图量，节省时间，但是传统matchTemplate算法对全图计算还是耗时极大，为了缩短耗时，以图搜图支持人工框选关键位置，根据框选的关键区域进行对比可以提升十几倍甚至上百倍性能
2.1K31发布于 2021-09-28
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号