以图搜图（demo创建流程）

window10添加向量数据库以及调用

创建docker

1，在windows功能中打开Hyper-V 和容器

2，进入https://www.docker.com/ ，下载windows版本进行安装

创建milvus及连接

1，创建milvus文件夹，在文件夹下建立conf，db，logs，pic，wal五个文件夹，把docker-compose.yml和server_config.yaml放如conf文件夹中，使用命令提示符进入到conf文件夹中，执行docker-compose up -d，执行结束后，再执行docker-compose up -d来查看运行状态，然后运行docker run -p 3000:3000 -e HOST_URL=http://192.168.10.171:3000 -e MILVUS_URL=192.168.10.171:19530 milvusdb/milvus-insight:latest 。在docker中即可看到

点击3000端口，通过3000接口进入到milvus界面。

2，python程序

1》创建集合

from pymilvus import FieldSchema, DataType, CollectionSchema, connections, Collection

#创建存储字段

id = FieldSchema(

name="id",

dtype=DataType.INT64,

is_primary=True,

)

vec = FieldSchema(

name="vec",

dtype=DataType.FLOAT_VECTOR,

dim=2048

)

schema = CollectionSchema(

fields=[id, vec],

description="Test search"

)

collection_name = "animal"

print("#########连接数据库##############")

connections.connect(

alias="default",

host='192.168.10.171',

port='19530'

)

print("#########根据上面得信息创建集合##############")

collection = Collection(

name=collection_name,

schema=schema,

using='default',

shards_num=2

)

print("#########关闭连接##############")

connections.disconnect("default")

2》添加数据

#print("#########连接数据库##############")

from towhee import pipeline

from pymilvus import connections, Collection

connections.connect(

alias="default",

host='192.168.10.171',

port='19530'

)

#print("#########插入数据##############")

p = pipeline('image-embedding')

output = p('http://localhost:54867/7.jpg')

data = [

[7],

[output],

]

collection = Collection("animal")

mr = collection.insert(data)

print(mr)

3》查询数据

import towhee

from django.http import HttpResponse

from pymilvus import connections,Collection

from towhee import pipeline

#获取图片向量查询的数据

def selectData(request):

connections.connect(host='192.168.10.171', port='19530')

t = (

towhee.glob['path']('E://milvus//coreCode//getImages//getImages//wwwroot//7.jpg')

.image_decode['path', 'img']()

.image_embedding.timm['img', 'vec'](model_name='resnet50')

.milvus_search['vec', 'results'](collection='animal')

.select['results']() # 选择指定列；

.to_list()

)

tr = "";

for i in t:

for j in i.results:

tr = tr + " " + str(j.id)

return HttpResponse(tr, content_type="application/json")

def selectvector(request):

#print("#########连接数据库##############")

connections.connect(

alias="default",

host='192.168.10.171',

port='19530'

)

#print("#########查询数据##############")

p = pipeline('image-embedding')

output = p('http://localhost:54867/7.jpg')

collection = Collection("animal")

search_params = {"metric_type": "L2", "params": {"nprobe": 1}, "search_length": 100}

tt = collection.search(

data=[output],

anns_field="vec",

param=search_params,

offset=0,

limit=3,

expr=None

)

#print("#########查询结果##############")

return HttpResponse(tt, content_type="application/json")

巴特西

以图搜图（demo创建流程）

window10添加向量数据库以及调用

创建docker

创建milvus及连接

最新文章

热门文章