Vector Search

Vektör arama, veri kümesindeki benzer öğeleri tam anahtar kelime eşleşmeleri yerine matematiksel özelliklerine göre tanımlayan sofistike bir bilgi edinme yöntemidir. Belirli karakter dizilerini bulmaya dayanan geleneksel anahtar kelime aramasından farklı olarak, vektör arama verinin altında yatan anlamsal anlamı analiz eder. Bu teknik, modern yapay zeka (YZ) uygulamaları için temeldir çünkü bilgisayarların soyut kavramlar arasındaki ilişkileri anlamasını sağlar ve görüntüler, ses dosyaları ve doğal dil metni gibi yapılandırılmamış verileri olağanüstü bir doğrulukla işlemesine olanak tanır.

Link to this sectionVektör Arama Nasıl Çalışır?#

Vektör aramanın temeli, ham verileri gömülü vektörlere (embeddings) dönüştürmeyi içerir. Bu işlem, öğeleri kavramsal olarak benzer öğelerin birbirine yakın konumlandığı çok boyutlu bir uzaydaki noktalara eşler.

1. Vektörleştirme: Bir derin öğrenme (DL) modeli, girdi verisini (örneğin, bir köpek resmi) işler ve bir özellik vektörü çıkarır. YOLO26 gibi gelişmiş modeller, bu zengin özellik temsillerini verimli bir şekilde oluşturmak için sıklıkla kullanılır.

2. İndeksleme: Aramaları hızlı bir şekilde gerçekleştirmek için bu vektörler özel algoritmalar kullanılarak düzenlenir ve genellikle özel bir vektör veritabanında saklanır.

3. Benzerlik Hesaplama: Bir kullanıcı sorgu gönderdiğinde, sistem bu sorguyu bir vektöre dönüştürür ve kosinüs benzerliği veya Öklid mesafesi gibi metrikleri kullanarak depolanan vektörlere olan mesafeyi ölçer.

4. Getirme: Sistem, bağlamsal olarak en alakalı sonuçları temsil eden "en yakın komşuları" döndürür.

Link to this sectionPython Örneği: Gömülü Vektörler Oluşturma#

To implement vector search, you must first convert your data into vectors. The following code snippet demonstrates how to generate feature maps and embeddings from an image using the ultralytics package and a pre-trained YOLO26 model.

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 sectionGerçek Dünya Uygulamaları#

Vektör arama, günümüz yazılım ekosistemindeki birçok sezgisel özelliğin arkasındaki motor olup bilgisayarlı görü (CV) ile kullanıcı niyeti arasındaki boşluğu doldurur.

• Görsel Tavsiye Sistemleri: Perakendede YZ sektöründe vektör arama, "görünümü satın al" özelliklerine güç verir. Bir müşteri belirli bir el çantasını beğenirse, sistem benzer görsel vektörlere sahip öğeleri (şekil, doku ve stil eşleşmesi) bulur ve kişiselleştirilmiş bir tavsiye sistemi oluşturur.
• RAG (Retrieval-Augmented Generation): Büyük Dil Modellerini (LLM'ler) geliştirmek için geliştiriciler, bir bilgi tabanından ilgili belgeleri getirmek amacıyla vektör aramayı kullanır. Bu, YZ'ye bağlam sağlayarak sohbet robotu etkileşimlerinde halüsinasyonları azaltır ve doğruluğu artırır.
• Anomaly Detection: By clustering vectors of "normal" operations, systems can identify outliers that drift far from the cluster. This is critical for anomaly detection in manufacturing quality control and data security.

Link to this sectionİlgili Kavramları Ayırt Etme#

Tüm makine öğrenimi (ML) hattını anlamak için vektör aramayı benzer terimlerden ayırt etmek faydalıdır.

• Vektör Arama ve Anlamsal Arama: Anlamsal arama, kullanıcı niyetini ("ne") anlamanın daha geniş bir uygulamasıdır. Vektör arama, vektör yakınlığını hesaplayarak bunu başarmak için kullanılan özel algoritmik yöntemdir ("nasıl").
• Vektör Arama ve Vektör Veritabanı: Vektör veritabanı, gömülü vektörleri ölçekli olarak depolamak ve yönetmek için tasarlanmış altyapıdır. Vektör arama ise bilgiyi getirmek için bu veritabanını sorgulama sürecidir.
• Vektör Arama ve Anahtar Kelime Araması: Anahtar kelime araması tam metin dizilerini eşleştirir (örneğin, "elma" ile "elma" eşleşir). Vektör arama anlamı eşleştirir, bu yüzden kelimeler farklı olsa bile "elma", "meyve" veya "kırmızı" ile eşleşebilir.

Link to this sectionUltralytics Platformu ile Entegrasyon#

Benzerlik araması sistemleri kuran ekipler için veri kümelerini yönetmek ve gömülü vektör modelleri eğitmek çok önemli bir ilk adımdır. Ultralytics Platformu, veri yönetimi, bulut eğitimi ve model dağıtımı için araçlar sağlayarak bu iş akışını basitleştirir. İster nesne tespiti ister sınıflandırma için olsun, temel modellerinin yüksek performanslı olmasını sağlayarak, ortaya çıkan vektörlerin doğru ve anlamlı arama sonuçları sunmasını garanti edersin.