Vector Search
Erkunde, wie die Vektorsuche Einbettungen nutzt, um ähnliche Daten zu finden. Lerne, hochwertige Vektoren mit Ultralytics YOLO26 für präzise Informationsabrufe zu generieren.
Die Vektorsuche ist eine hochentwickelte Methode der Informationsbeschaffung, die ähnliche Elemente innerhalb eines Datensatzes basierend auf ihren mathematischen Eigenschaften identifiziert, anstatt auf exakten Schlüsselwortübereinstimmungen zu basieren. Im Gegensatz zur traditionellen Keyword-Suche, die darauf angewiesen ist, spezifische Zeichenfolgen zu finden, analysiert die Vektorsuche die zugrunde liegende semantische Bedeutung der Daten. Diese Technik ist grundlegend für moderne Anwendungen der künstlichen Intelligenz (KI), da sie Computern erlaubt, Beziehungen zwischen abstrakten Konzepten zu verstehen und unstrukturierte Daten wie Bilder, Audiodateien und natürlichsprachlichen Text mit bemerkenswerter Genauigkeit zu verarbeiten.
Link to this sectionWie die Vektorsuche funktioniert#
Der Kern der Vektorsuche besteht darin, Rohdaten in hochdimensionale numerische Vektoren, sogenannte Embeddings, umzuwandeln. Dieser Prozess bildet Elemente auf Punkte in einem mehrdimensionalen Raum ab, in dem sich konzeptionell ähnliche Elemente nahe beieinander befinden.
-
Vektorisierung: Ein Deep-Learning (DL)-Modell verarbeitet die Eingabedaten – zum Beispiel das Bild eines Hundes – und gibt einen Merkmalsvektor aus. Fortschrittliche Modelle wie YOLO26 werden oft verwendet, um diese reichhaltigen Merkmalsrepräsentationen effizient zu generieren.
-
Indizierung: Um Suchen schnell durchzuführen, werden diese Vektoren mithilfe spezieller Algorithmen organisiert und oft in einer dedizierten Vektordatenbank gespeichert.
-
Ähnlichkeitsberechnung: Wenn ein Benutzer eine Abfrage sendet, wandelt das System diese Abfrage in einen Vektor um und misst den Abstand zu gespeicherten Vektoren unter Verwendung von Metriken wie Kosinus-Ähnlichkeit oder Euklidischem Abstand.
-
Abruf: Das System gibt die "nächsten Nachbarn" zurück, die die kontextuell relevantesten Ergebnisse darstellen.
Link to this sectionPython-Beispiel: Embeddings generieren#
Um die Vektorsuche zu implementieren, musst du deine Daten zuerst in Vektoren umwandeln. Der folgende Code-Schnipsel zeigt, wie man Feature Maps und Embeddings aus einem Bild mithilfe des ultralytics-Pakets und eines vortrainierten YOLO26-Modells generiert.
from ultralytics import YOLO
# Load a pre-trained YOLO26 classification model
model = YOLO("yolo26n-cls.pt")
# Generate feature embeddings for an image URL
# The 'embed' method returns the high-dimensional vector representation
results = model.embed("https://ultralytics.com/images/bus.jpg")
# Print the shape of the resulting embedding vector
print(f"Embedding vector shape: {results[0].shape}")Link to this sectionPraxisanwendungen#
Die Vektorsuche ist der Motor hinter vielen intuitiven Funktionen im heutigen Software-Ökosystem und schließt die Lücke zwischen Computer Vision (CV) und der Absicht des Benutzers.
- Visuelle Empfehlungssysteme: Im Bereich KI im Einzelhandel treibt die Vektorsuche "Shop the Look"-Funktionen an. Wenn ein Kunde eine bestimmte Handtasche mag, findet das System Elemente mit ähnlichen visuellen Vektoren – passend in Form, Textur und Stil – und erstellt so ein personalisiertes Empfehlungssystem.
- Retrieval-Augmented Generation (RAG): Um Large Language Models (LLMs) zu verbessern, nutzen Entwickler die Vektorsuche, um relevante Dokumente aus einer Wissensdatenbank abzurufen. Dies liefert der KI Kontext, reduziert Halluzinationen und verbessert die Genauigkeit bei Chatbot-Interaktionen.
- Anomalieerkennung: Durch das Clustern von Vektoren "normaler" Betriebsabläufe können Systeme Ausreißer identifizieren, die weit vom Cluster abweichen. Dies ist entscheidend für die Anomalieerkennung in der Qualitätskontrolle der Fertigung und in der Datensicherheit.
Link to this sectionUnterscheidung verwandter Konzepte#
Es ist hilfreich, die Vektorsuche von ähnlichen Begriffen zu unterscheiden, um die vollständige Machine Learning (ML)-Pipeline zu verstehen.
- Vektorsuche vs. Semantische Suche: Die semantische Suche ist die breitere Anwendung des Verstehens der Benutzerabsicht (das "Was"). Die Vektorsuche ist die spezifische algorithmische Methode, die verwendet wird, um dies durch die Berechnung von Vektornähe zu erreichen (das "Wie").
- Vektorsuche vs. Vektordatenbank: Eine Vektordatenbank ist die Infrastruktur, die darauf ausgelegt ist, Embeddings in großem Maßstab zu speichern und zu verwalten. Die Vektorsuche ist der Prozess des Abfragens dieser Datenbank, um Informationen abzurufen.
- Vektorsuche vs. Keyword-Suche: Die Keyword-Suche gleicht exakte Textzeichenfolgen ab (z. B. "Apfel" entspricht "Apfel"). Die Vektorsuche gleicht Bedeutungen ab, sodass "Apfel" möglicherweise zu "Obst" oder "rot" passt, auch wenn sich die Wörter unterscheiden.
Link to this sectionIntegration mit der Ultralytics-Plattform#
Für Teams, die Systeme für die Ähnlichkeitssuche bauen, ist die Verwaltung von Datensätzen und das Training von Embedding-Modellen ein entscheidender erster Schritt. Die Ultralytics-Plattform vereinfacht diesen Arbeitsablauf durch die Bereitstellung von Tools für Datenmanagement, Cloud-Training und Modellbereitstellung. Indem du sicherstellst, dass deine Basismodelle – egal ob für Objekterkennung oder Klassifizierung – leistungsstark sind, stellst du sicher, dass die resultierenden Vektoren genaue und aussagekräftige Suchergebnisse liefern.
