Vector Search
Esplora come la ricerca vettoriale utilizza gli embedding per trovare dati simili. Impara a generare vettori di alta qualità con Ultralytics YOLO26 per un recupero preciso delle informazioni.
La ricerca vettoriale è un metodo sofisticato di recupero delle informazioni che identifica elementi simili all'interno di un set di dati in base alle loro caratteristiche matematiche anziché a corrispondenze esatte di parole chiave. A differenza della tradizionale ricerca per parole chiave, che si basa sulla ricerca di stringhe di caratteri specifiche, la ricerca vettoriale analizza il significato semantico sottostante dei dati. Questa tecnica è fondamentale per le moderne applicazioni di intelligenza artificiale (IA) perché consente ai computer di comprendere le relazioni tra concetti astratti, elaborando dati non strutturati come immagini, file audio e testo in linguaggio naturale con notevole precisione.
Come funziona la ricerca vettoriale#
Il nucleo della ricerca vettoriale consiste nel trasformare i dati grezzi in vettori numerici ad alta dimensionalità noti come embedding. Questo processo mappa gli elementi su punti in uno spazio multidimensionale in cui elementi concettualmente simili si trovano vicini tra loro.
-
Vectorization: A deep learning (DL) model processes the input data—for example, an image of a dog—and outputs a feature vector. Advanced models like YOLO26 are often used to generate these rich feature representations efficiently.
-
Indicizzazione: Per eseguire ricerche rapidamente, questi vettori sono organizzati utilizzando algoritmi specializzati, spesso memorizzati in un database vettoriale dedicato.
-
Calcolo della somiglianza: Quando un utente invia una query, il sistema converte tale query in un vettore e misura la distanza dai vettori memorizzati utilizzando metriche come la somiglianza del coseno o la distanza euclidea.
-
Recupero: Il sistema restituisce i "vicini più prossimi", che rappresentano i risultati contestualmente più rilevanti.
Esempio in Python: Generazione di embeddings#
Per implementare la ricerca vettoriale, devi prima convertire i tuoi dati in vettori. Il seguente frammento di codice dimostra come generare mappe di caratteristiche ed embedding da un'immagine utilizzando il pacchetto ultralytics e un modello YOLO26 pre-addestrato.
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}")Applicazioni nel mondo reale#
La ricerca vettoriale è il motore alla base di molte funzionalità intuitive nell'ecosistema software odierno, colmando il divario tra la visione artificiale (CV) e l'intento dell'utente.
- Sistemi di raccomandazione visiva: Nel settore dell'IA nel settore retail, la ricerca vettoriale alimenta le funzioni "shop the look" (acquista il look). Se a un cliente piace una borsa specifica, il sistema trova articoli con vettori visivi simili—corrispondenti per forma, consistenza e stile—creando un sistema di raccomandazione personalizzato.
- Generazione aumentata da recupero (RAG): Per migliorare i modelli linguistici di grandi dimensioni (LLM), gli sviluppatori utilizzano la ricerca vettoriale per recuperare documenti pertinenti da una base di conoscenza. Ciò fornisce contesto all'IA, riducendo le allucinazioni e migliorando la precisione nelle interazioni con i chatbot.
- Rilevamento delle anomalie: Raggruppando i vettori di operazioni "normali", i sistemi possono identificare valori anomali che si discostano notevolmente dal cluster. Questo è fondamentale per il rilevamento delle anomalie nel controllo qualità manifatturiero e nella sicurezza dei dati.
Distinguere concetti correlati#
È utile differenziare la ricerca vettoriale da termini simili per comprendere l'intera pipeline di machine learning (ML).
- Ricerca vettoriale vs Ricerca semantica: La ricerca semantica è l'applicazione più ampia della comprensione dell'intento dell'utente (il "cosa"). La ricerca vettoriale è il metodo algoritmico specifico utilizzato per ottenere ciò calcolando la prossimità vettoriale (il "come").
- Ricerca vettoriale vs Database vettoriale: Un database vettoriale è l'infrastruttura progettata per memorizzare e gestire gli embedding su scala. La ricerca vettoriale è il processo di interrogazione di quel database per recuperare informazioni.
- Ricerca vettoriale vs Ricerca per parole chiave: La ricerca per parole chiave corrisponde a stringhe di testo esatte (ad esempio, "mela" corrisponde a "mela"). La ricerca vettoriale corrisponde al significato, quindi "mela" potrebbe corrispondere a "frutto" o "rosso", anche se le parole differiscono.
Integrazione con la Piattaforma Ultralytics#
For teams building similarity search systems, managing datasets and training embedding models is a crucial first step. The Ultralytics Platform simplifies this workflow by providing tools for data management, cloud training, and model deployment. By ensuring your base models—whether for object detection or classification—are high-performing, you ensure the resulting vectors provide accurate and meaningful search results.
