前言

本文使用阿里云的向量检索服务（DashVector），结合 ONE-PEACE多模态模型，构建实时的“文本搜图片”的多模态检索能力。整体流程如下：

1. 多模态数据Embedding入库。通过ONE-PEACE模型服务Embedding接口将多种模态的数据集数据转化为高维向量。
2. 多模态Query检索。基于ONE-PEACE模型提供的多模态Embedding能力，我们可以自由组合不同模态的输入，例如单文本、文本+音频、音频+图片等多模态输入，获取Embedding向量后通过DashVector跨模态检索相似结果。

前提条件

• 开通灵积模型服务，并获得API-KEY：开通DashScope并创建API-KEY
• 开通向量检索服务：请参见开通服务。
• 创建向量检索服务API-KEY：请参见API-KEY管理。

环境准备

# 安装 dashscope 和 dashvector sdk
pip3 install dashscope dashvector# 显示图片
pip3 install Pillow

数据准备

说明
由于DashScope的ONE-PEACE模型服务当前只支持URL形式的图片、音频输入，因此需要将数据集提前上传到公共网络存储（例如 oss/s3），并获取对应图片、音频的url地址列表。

步骤

图片数据Embedding入库

我使用了阿里云的 OSS 保存了图片，通过 OSS Browser 界面获取图片外部可以访问的 URL：


这个 URL 应该也可以通过接口的方式获取，这个还没有研究，感兴趣的小伙伴可以尝试用接口批量获取下，获取这个 URL 的目的是为了让阿里云的 DashScope 服务能够读取到该图片进行 embedding 保存到 DashVector 向量数据库中。
获取到该URL 后，就将该URL 写入到我们的 imagenet1k-urls.txt 文件中，等会我们的代码会读取该文件进行嵌入：

执行嵌入的代码如下（我在后边会将完整代码和目录结构贴出，这里只贴出嵌入的代码）：

    def index_image(self):# 创建集合：指定集合名称和向量维度, ONE-PEACE 模型产生的向量统一为 1536 维collection = self.vector_client.get(self.vector_collection_name)if not collection:rsp = self.vector_client.create(self.vector_collection_name, 1536)collection = self.vector_client.get(self.vector_collection_name)if not rsp:raise DashVectorException(rsp.code, reason=rsp.message)# 调用 dashscope ONE-PEACE 模型生成图片 Embedding，并插入 dashvectorwith open(self.IMAGENET1K_URLS_FILE_PATH, 'r') as file:for i, line in enumerate(file):url = line.strip('\n')input = [{'image': url}]result = MultiModalEmbedding.call(model=MultiModalEmbedding.Models.multimodal_embedding_one_peace_v1,input=input,api_key=os.environ["DASHSCOPE_API_KEY"],auto_truncation=True)if result.status_code != 200:print(f"ONE-PEACE failed to generate embedding of {url}, result: {result}")continueembedding = result.output["embedding"]collection.insert(Doc(id=str(i),vector=embedding,fields={'image_url': url}))if (i + 1) % 100 == 0:print(f"---- Succeeded to insert {i + 1} image embeddings")

• 读取 IMAGENET1K_URLS_FILE_PATH中的图片 URL，然后执行请求 DashScope 请求，将我们的图片向量化存储。
• 在插入向量数据库的时候带上了图片的 URL 作为向量属性。

执行完毕后可以通过向量检索服务控制台，查看下向量数据：

文本检索

通过文本检索向量数据库中的数据，我输入cat检索出三张（我们代码中设置的 topk=3）图片, 可以查看下效果，两张是猫的照片，但是有一张是狗的照片：

这是因为这张狗和猫是存在相似性的，接下来我们将topk设置为2，理论上就检测不出这个狗了，我们看下效果，果然就没有狗了：

之所以会出现狗，是因为我往向量库中存入了4张动物图片，2张猫的，2张狗的，如果我们的 topk 设置为3，就会多检测出一张狗的。

完整代码

multi_model.py文件如下：

import osimport dashscope
from dashvector import Client, Doc, DashVectorException
from dashscope import MultiModalEmbedding
from dashvector import Client
from urllib.request import urlopen
from PIL import Imageclass DashVectorMultiModel:def __init__(self):# 我们需要同时开通 DASHSCOPE_API_KEY 和 DASHVECTOR_API_KEYos.environ["DASHSCOPE_API_KEY"] = ""os.environ["DASHVECTOR_API_KEY"] = ""os.environ["DASHVECTOR_ENDPOINT"] = ""dashscope.api_key = os.environ["DASHSCOPE_API_KEY"]# 由于 ONE-PEACE 模型服务当前只支持 url 形式的图片、音频输入，因此用户需要将数据集提前上传到# 公共网络存储（例如 oss/s3），并获取对应图片、音频的 url 列表。# 该文件每行存储数据集单张图片的公共 url，与当前python脚本位于同目录下self.IMAGENET1K_URLS_FILE_PATH = "imagenet1k-urls.txt"self.vector_client = self.init_vector_client()self.vector_collection_name = 'imagenet1k_val_embedding'def init_vector_client(self):return Client(api_key=os.environ["DASHVECTOR_API_KEY"],endpoint=os.environ["DASHVECTOR_ENDPOINT"])def index_image(self):# 创建集合：指定集合名称和向量维度, ONE-PEACE 模型产生的向量统一为 1536 维collection = self.vector_client.get(self.vector_collection_name)if not collection:rsp = self.vector_client.create(self.vector_collection_name, 1536)collection = self.vector_client.get(self.vector_collection_name)if not rsp:raise DashVectorException(rsp.code, reason=rsp.message)# 调用 dashscope ONE-PEACE 模型生成图片 Embedding，并插入 dashvectorwith open(self.IMAGENET1K_URLS_FILE_PATH, 'r') as file:for i, line in enumerate(file):url = line.strip('\n')input = [{'image': url}]result = MultiModalEmbedding.call(model=MultiModalEmbedding.Models.multimodal_embedding_one_peace_v1,input=input,api_key=os.environ["DASHSCOPE_API_KEY"],auto_truncation=True)if result.status_code != 200:print(f"ONE-PEACE failed to generate embedding of {url}, result: {result}")continueembedding = result.output["embedding"]collection.insert(Doc(id=str(i),vector=embedding,fields={'image_url': url}))if (i + 1) % 100 == 0:print(f"---- Succeeded to insert {i + 1} image embeddings")def show_image(self, image_list):for img in image_list:# 注意：show() 函数在 Linux 服务器上可能需要安装必要的图像浏览器组件才生效# 建议在支持 jupyter notebook 的服务器上运行该代码img.show()def text_search(self, input_text):# 获取上述入库的集合collection = self.vector_client.get('imagenet1k_val_embedding')# 获取文本 query 的 Embedding 向量input = [{'text': input_text}]result = MultiModalEmbedding.call(model=MultiModalEmbedding.Models.multimodal_embedding_one_peace_v1,input=input,api_key=os.environ["DASHSCOPE_API_KEY"],auto_truncation=True)if result.status_code != 200:raise Exception(f"ONE-PEACE failed to generate embedding of {input}, result: {result}")text_vector = result.output["embedding"]# DashVector 向量检索rsp = collection.query(text_vector, topk=2)image_list = list()for doc in rsp:img_url = doc.fields['image_url']img = Image.open(urlopen(img_url))image_list.append(img)return image_listif __name__ == '__main__':a = DashVectorMultiModel()# 执行 embedding 操作a.index_image()# 文本检索text_query = "Traffic light"a.show_image(a.text_search(text_query))

• 开通 DashScope 和 DashVector 的 API KEY 后替换上边的DASHSCOPE_API_KEY,DASHVECTOR_API_KEY,DASHVECTOR_ENDPOINT

代码目录结构如下，将 txt 文件和py 文件放在同级目录下：

---

补充说明

• 使用本地图片：我是将图片上传至 OSS 的，也可以使用本地的图片文件，将 txt 中的文件路径替换为本地图片路径，如下：

  

• 如果使用本地图片的话，我们就得修改下上边的代码了，修改下边的代码：

  # 将 img = Image.open(urlopen(img_url)) 替换为下边的代码
  img = Image.open(img_url)