Vector Search

向量搜索是一种复杂的信息检索方法，它根据数据集内部项的数学特征而不是精确的关键词匹配来识别相似项。与依赖查找特定字符字符串的传统 keyword search 不同，向量搜索会分析数据的潜在语义。这项技术是现代 artificial intelligence (AI) 应用的基础，因为它允许计算机理解抽象概念之间的关系，并以卓越的准确率处理诸如图像、音频文件和自然语言文本之类的 unstructured data。

向量搜索的工作原理#

向量搜索的核心在于将原始数据转换为被称为 embeddings 的高维数值向量。此过程将各项映射到多维空间中的点，其中概念相似的各项彼此靠得很近。

1. 向量化：一个 deep learning (DL) 模型处理输入数据（例如，一只狗的图像）并输出特征向量。像 YOLO26 这样先进的模型经常被用来高效地生成这些丰富的特征表示。

2. 索引：为了快速执行搜索，这些向量会使用专门的算法进行组织，通常存储在专用的 vector database 中。

3. 相似度计算：当用户提交查询时，系统会将该查询转换为向量，并使用诸如 cosine similarity 或 Euclidean distance 等指标测量到存储向量的距离。

4. 检索：系统返回“最近邻”，即代表上下文相关性最高的结果。

Python 示例：生成嵌入#

要实现向量搜索，你必须首先将数据转换为向量。以下代码片段演示了如何使用 ultralytics 软件包和一个预训练的 YOLO26 模型从图像中生成 feature maps 和 embeddings。

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}")

实际应用#

向量搜索是当今软件生态系统中许多直观功能背后的引擎，它架起了 computer vision (CV) 与用户意图之间的桥梁。

• 视觉推荐系统：在 AI in retail 领域，向量搜索为“同款搭配”功能提供支持。如果客户喜欢特定的手提包，系统就会查找具有相似视觉向量（匹配形状、纹理和风格）的商品，从而创建一个个性化的 recommendation system。
• 检索增强生成 (RAG)：为了增强 Large Language Models (LLMs)，开发者使用向量搜索从知识库中检索相关文档。这为 AI 提供了上下文，从而减少幻觉并提高 chatbot 交互的准确性。
• 异常检测：通过对“正常”操作的向量进行聚类，系统可以识别偏离聚类很远的异常值。这对于制造质量控制和 data security 中的 anomaly detection 至关重要。

区分相关概念#

将向量搜索与类似术语进行区分，有助于理解整个 machine learning (ML) 管道。

• 向量搜索与 Semantic Search：语义 search 是理解用户意图（“是什么”）的更广泛应用。向量搜索是通过计算向量邻近度（“怎么做”）来实现这一点的具体算法方法。
• 向量搜索与 Vector Database：向量数据库是旨在大规模存储和管理 embeddings 的基础设施。向量搜索是查询该数据库以检索信息的过程。
• 向量搜索与 Keyword Search：关键词搜索匹配精确的文本字符串（例如，“apple”匹配“apple”）。向量搜索匹配的是含义，因此即使词语不同，“apple”也可能匹配“fruit”或“red”。

与 Ultralytics 平台集成#

对于构建 similarity search 系统的团队来说，管理数据集和训练 embedding 模型是至关重要的第一步。Ultralytics Platform 通过提供数据管理、云端训练和模型部署工具简化了这一工作流。通过确保你的基础模型（无论是用于 object detection 还是分类）具有高性能，你可以确保生成的向量提供准确且有意义的搜索结果。