Knowledge Graph

了解知识图谱如何为 AI 组织现实世界的实体和关系。探索如何使用 Ultralytics YOLO26 提取节点并增强 ML 模型。

知识图谱是对现实世界实体及其相互关系的一种结构化表示。与将数据存储在僵化行列中的标准数据库不同，知识图谱将信息组织为节点（代表对象、人员或概念）和边（代表这些节点之间的连接或交互）的网络。这种结构模仿了人类组织信息的方式，使人工智能 (AI) 系统能够以更具语义和互联的方式理解上下文、推断新事实并进行数据推理。

Link to this section理解其结构#

知识图谱的核心是构成“三元组”（主体-谓词-客体）的三个主要组件：

节点（实体）： 这些是独特的数点，例如“伦敦”、“Python”或“Ultralytics YOLO26”。在计算机视觉任务中，这些可能代表检测到的对象，如“汽车”或“行人”。
边（关系）： 这些独特的线连接节点并定义它们如何关联。例如，一条边可以将“伦敦”和“英国”之间的关系标记为“是...的首都”。
属性（特性）： 描述节点的额外细节，例如城市人口或对象检测的置信度分数。

这种网状结构使系统能够执行语义搜索，引擎在该搜索中理解用户的意图，而不仅仅是匹配关键词。例如，知道“Jaguar”既是动物也是汽车品牌，使系统能够根据上下文区分结果。

Link to this section与机器学习的集成#

知识图谱对于增强机器学习 (ML) 模型正变得越来越重要。虽然深度学习模型擅长统计模式识别，但它们往往缺乏事实基础。集成知识图谱允许模型访问经过验证的“世界观”。

检索增强生成 (RAG)： 生成式模型有时会产生看似合理但错误的信息。通过利用知识图谱为大型语言模型 (LLM) 提供基础，AI 代理可以在生成响应之前查询经过验证的事实来源。这显著减少了 LLM 中的幻觉，并提高了企业应用的准确性。
推荐系统： 在零售业 AI 中，图谱映射了用户与产品之间复杂的关系。如果顾客购买了一台相机，图谱会理解其与“SD 卡”或“三脚架”的功能性联系，从而实现比简单协同过滤更智能的建议。

Link to this section代码示例：为图谱提取实体#

计算机视觉模型通过识别现实世界中的物理实体，成为填充知识图谱的绝佳切入点。以下 Python 代码片段展示了如何使用 Ultralytics YOLO26 模型来检测图像中的对象。这些检测到的类别可以作为节点，然后可以在图数据库（如 Neo4j 或 Amazon Neptune）中进行关联。

from ultralytics import YOLO

# Load the latest YOLO26 model (released Jan 2026)
model = YOLO("yolo26n.pt")

# Run inference on an image to find entities
results = model("https://ultralytics.com/images/bus.jpg")

# Extract unique detected object names to serve as graph nodes
# e.g., {'bus', 'person'}
detected_entities = {results[0].names[int(c)] for c in results[0].boxes.cls}

print(f"Graph Nodes: {detected_entities}")

Link to this section实际应用#

医疗保健中的药物研发： 医疗保健 AI 的研究人员利用知识图谱来模拟生物相互作用。通过从 UniProt 等数据库中链接基因、蛋白质和化合物等实体，算法可以预测潜在的药物靶点和副作用，从而加速新疗法的开发。
供应链数字孪生： 物流公司采用知识图谱来创建其运营的“数字孪生”。节点代表供应商、仓库和库存，而边代表运输路线和依赖关系。这种结构促进了大数据分析，使管理者能够预测延误并动态优化路线。

Link to this section知识图谱与关系型数据库的对比#

将知识图谱与传统的 关系型数据库 (RDBMS) 区分开来非常重要。关系型数据库将数据存储在通过外键链接的僵化表中，这对于结构化的事务性数据（如银行账簿）非常有效。然而，查询复杂的关系（例如“寻找喜欢科幻小说的朋友的朋友”）需要昂贵的“连接 (join)”操作。

相比之下，知识图谱（通常存储在图数据库中）将关系视为一等公民。遍历连接是即时的，这使得图谱在涉及高度互联数据的任务（如欺诈检测环或社交网络分析）中表现优异。虽然 RDBMS 在存储和检索特定记录方面表现出色，但知识图谱在发现连接本身内部的模式和隐藏洞察方面表现优异。

Link to this section多模态 AI 的未来展望#

知识图谱的未来在于多模态学习。随着像 Ultralytics YOLO26 这样的模型在目标检测和姿态估计领域不断进步，它们将自动把视觉上下文反馈到图谱中。这创造了不仅能“阅读”文本，还能“看到”世界的系统，将视觉概念与语言定义联系起来。通过使用 Ultralytics Platform，开发者可以训练这些专门的视觉模型来识别自定义实体，从而有效地为下一代知识感知 AI 系统构建感知器官。