本教程在前述教程（DashVector + ModelScope 玩转多模态检索）的基础之上，基于 DashScope 上新推出的 ONE-PEACE 通用多模态表征模型结合向量检索服务 DashVector 来对多模态检索进行升级，接下来我们将展示更丰富的多模态检索能力。
整体流程
主要分为两个阶段：
多模态数据 Embedding 入库。通过 ONE-PEACE 模型服务Embedding接口将多种模态的数据集数据转化为高维向量。
多模态 Query 检索。基于 ONE-PEACE 模型提供的多模态 Embedding 能力，我们可以自由组合不同模态的输入，例如单文本、文本+音频、音频+图片等多模态输入，获取 Embedding 向量后通过 DashVector 跨模态检索相似结果。
前提准备
1. API-KEY 准备
2. 环境准备
本教程使用的多模态推理模型服务是 DashScope 最新的ONE-PEACE模型。ONE-PEACE 是一个图文音三模态通用表征模型，在语义分割、音文检索、音频分类和视觉定位几个任务都达到了新 SOTA 表现，在视频分类、图像分类图文检索、以及多模态经典 benchmark 也都取得了比较领先的结果。模型相关的环境依赖如下：
说明
需要提前安装 Python3.7 及以上版本，请确保相应的 python 版本。
# 安装 dashscope 和 dashvector sdkpip3 install dashscope dashvector
复制代码
基本检索
1. 数据准备
说明
由于 DashScope 的 ONE-PEACE 模型服务当前只支持 URL 形式的图片、音频输入，因此需要将数据集提前上传到公共网络存储（例如 oss/s3），并获取对应图片、音频的 url 地址列表。
当前示例场景使用ImageNet-1k的 validation 数据集作为入库的图片数据集，将原始图片数据 Embedding 入库。检索时使用ESC-50数据集作为音频输入，文本和图片输入由用户自定义，用户也可对不同模态数据自由组合。
2. 数据 Embedding 入库
说明
本教程所涉及的 your-xxx-api-key 以及 your-xxx-cluster-endpoint ，均需要替换为您自己的 API-KAY 及 CLUSTER_ENDPOINT 后，代码才能正常运行。
ImageNet-1k 的 validation 数据集包含 50000 张标注好的图片数据，其中包含 1000 个类别，每个类别 50 张图片，这里我们基于 ONE-PEACE 模型提取原始图片的 Embedding 向量入库，另外为了方便后续的图片展示，我们也将原始图片的 url 一起入库。代码示例如下：
import dashscopefrom dashscope import MultiModalEmbeddingfrom dashvector import Client, Doc, DashVectorException
dashscope.api_key = '{your-dashscope-api-key}'
# 由于 ONE-PEACE 模型服务当前只支持 url 形式的图片、音频输入，因此用户需要将数据集提前上传到# 公共网络存储（例如 oss/s3），并获取对应图片、音频的 url 列表。# 该文件每行存储数据集单张图片的公共 url，与当前python脚本位于同目录下IMAGENET1K_URLS_FILE_PATH = "imagenet1k-urls.txt"
def index_image(): # 初始化 dashvector client client = Client( api_key='{your-dashvector-api-key}', endpoint='{your-dashvector-cluster-endpoint}' )
# 创建集合：指定集合名称和向量维度, ONE-PEACE 模型产生的向量统一为 1536 维 rsp = client.create('imagenet1k_val_embedding', 1536) if not rsp: raise DashVectorException(rsp.code, reason=rsp.message)
# 调用 dashscope ONE-PEACE 模型生成图片 Embedding，并插入 dashvector collection = client.get('imagenet1k_val_embedding') with open(IMAGENET1K_URLS_FILE_PATH, 'r') as file: for i, line in enumerate(file): url = line.strip('\n') input = [{'image': url}] result = MultiModalEmbedding.call(model=MultiModalEmbedding.Models.multimodal_embedding_one_peace_v1, input=input, auto_truncation=True) if result.status_code != 200: print(f"ONE-PEACE failed to generate embedding of {url}, result: {result}") continue embedding = result.output["embedding"] collection.insert( Doc( id=str(i), vector=embedding, fields={'image_url': url} ) ) if (i + 1) % 100 == 0: print(f"---- Succeeded to insert {i + 1} image embeddings")
if __name__ == '__main__': index_image()
复制代码
说明
1.上述代码需要访问 DashScope 的 ONE-PEACE 多模态 Embedding 模型，总体运行速度视用户开通该服务的 qps 有所不同。
2. 因图片大小影响 ONE-PEACE 模型获取 Embedding 的成功与否，上述代码运行后最终入库数据可能小于 50000 条。
3. 模态检索
3.1. 文本检索
对于单文本模态检索，可以通过 ONE-PEACE 模型获取文本 Embedding 向量，再通过 DashVector 向量检索服务的检索接口，快速检索相似的底库图片。这里文本 query 是猫 "cat"，代码示例如下：
import dashscopefrom dashscope import MultiModalEmbeddingfrom dashvector import Clientfrom urllib.request import urlopenfrom PIL import Image
dashscope.api_key = '{your-dashscope-api-key}'
def show_image(image_list): for img in image_list: # 注意：show() 函数在 Linux 服务器上可能需要安装必要的图像浏览器组件才生效 # 建议在支持 jupyter notebook 的服务器上运行该代码 img.show()
def text_search(input_text): # 初始化 dashvector client client = Client( api_key='{your-dashvector-api-key}', endpoint='{your-dashvector-cluster-endpoint}' )
# 获取上述入库的集合 collection = client.get('imagenet1k_val_embedding')
# 获取文本 query 的 Embedding 向量 input = [{'text': input_text}] result = MultiModalEmbedding.call(model=MultiModalEmbedding.Models.multimodal_embedding_one_peace_v1, input=input, auto_truncation=True) if result.status_code != 200: raise Exception(f"ONE-PEACE failed to generate embedding of {input}, result: {result}") text_vector = result.output["embedding"]
# DashVector 向量检索 rsp = collection.query(text_vector, topk=3) image_list = list() for doc in rsp: img_url = doc.fields['image_url'] img = Image.open(urlopen(img_url)) image_list.append(img) return image_list
if __name__ == '__main__': """文本检索""" # 猫 text_query = "cat" show_image(text_search(text_query))
复制代码
运行上述代码，检索结果如下：
3.2. 音频检索
单音频模态检索与文本检索类似，这里音频 query 取自 ESC-50 的"猫叫声"片段，代码示例如下：
import dashscopefrom dashscope import MultiModalEmbeddingfrom dashvector import Clientfrom urllib.request import urlopenfrom PIL import Image
dashscope.api_key = '{your-dashscope-api-key}'
def show_image(image_list): for img in image_list: # 注意：show() 函数在 Linux 服务器上可能需要安装必要的图像浏览器组件才生效 # 建议在支持 jupyter notebook 的服务器上运行该代码 img.show()
def audio_search(input_audio): # 初始化 dashvector client client = Client( api_key='{your-dashvector-api-key}', endpoint='{your-dashvector-cluster-endpoint}' )
# 获取上述入库的集合 collection = client.get('imagenet1k_val_embedding')
# 获取音频 query 的 Embedding 向量 input = [{'audio': input_audio}] result = MultiModalEmbedding.call(model=MultiModalEmbedding.Models.multimodal_embedding_one_peace_v1, input=input, auto_truncation=True) if result.status_code != 200: raise Exception(f"ONE-PEACE failed to generate embedding of {input}, result: {result}") audio_vector = result.output["embedding"]
# DashVector 向量检索 rsp = collection.query(audio_vector, topk=3) image_list = list() for doc in rsp: img_url = doc.fields['image_url'] img = Image.open(urlopen(img_url)) image_list.append(img) return image_list
if __name__ == '__main__': """音频检索""" # 猫叫声 audio_url = "http://proxima-internal.oss-cn-zhangjiakou.aliyuncs.com/audio-dataset/esc-50/1-47819-A-5.wav" show_image(audio_search(audio_url))
复制代码
运行上述代码，检索结果如下：
3.3. 文本+音频检索
接下来，我们尝试"文本+音频"联合模态检索，同上，首先通过 ONE-PEACE 模型获取"文本+音频"输入的 Embedding 向量，再通过 DashVector 向量检索服务检索结果。这里的文本 query 选取的是草地"grass"，音频 query 依然选择的是 ESC-50 的"猫叫声"片段。代码示例如下：
import dashscopefrom dashscope import MultiModalEmbeddingfrom dashvector import Clientfrom urllib.request import urlopenfrom PIL import Image
dashscope.api_key = '{your-dashscope-api-key}'
def show_image(image_list): for img in image_list: # 注意：show() 函数在 Linux 服务器上可能需要安装必要的图像浏览器组件才生效 # 建议在支持 jupyter notebook 的服务器上运行该代码 img.show()
def text_audio_search(input_text, input_audio): # 初始化 dashvector client client = Client( api_key='{your-dashvector-api-key}', endpoint='{your-dashvector-cluster-endpoint}' )
# 获取上述入库的集合 collection = client.get('imagenet1k_val_embedding')
# 获取文本+音频 query 的 Embedding 向量 input = [ {'text': input_text}, {'audio': input_audio}, ] result = MultiModalEmbedding.call(model=MultiModalEmbedding.Models.multimodal_embedding_one_peace_v1, input=input, auto_truncation=True) if result.status_code != 200: raise Exception(f"ONE-PEACE failed to generate embedding of {input}, result: {result}") text_audio_vector = result.output["embedding"]
# DashVector 向量检索 rsp = collection.query(text_audio_vector, topk=3) image_list = list() for doc in rsp: img_url = doc.fields['image_url'] img = Image.open(urlopen(img_url)) image_list.append(img) return image_list
if __name__ == '__main__': """文本+音频检索""" # 草地 text_query = "grass" # 猫叫声 audio_url = "http://proxima-internal.oss-cn-zhangjiakou.aliyuncs.com/audio-dataset/esc-50/1-47819-A-5.wav" show_image(text_audio_search(text_query, audio_url))
复制代码
运行上述代码，检索结果如下：
3.4. 图片+音频检索
我们再尝试下"图片+音频"联合模态检索，与前述"文本+音频"检索类似，这里的图片选取的是草地图像（需先上传到公共网络存储并获取 url），音频 query 依然选择的是 ESC-50 的"猫叫声"片段。代码示例如下：
import dashscopefrom dashscope import MultiModalEmbeddingfrom dashvector import Clientfrom urllib.request import urlopenfrom PIL import Image
dashscope.api_key = '{your-dashscope-api-key}'
def show_image(image_list): for img in image_list: # 注意：show() 函数在 Linux 服务器上可能需要安装必要的图像浏览器组件才生效 # 建议在支持 jupyter notebook 的服务器上运行该代码 img.show()
def image_audio_search(input_image, input_audio): # 初始化 dashvector client client = Client( api_key='{your-dashvector-api-key}', endpoint='{your-dashvector-cluster-endpoint}' )
# 获取上述入库的集合 collection = client.get('imagenet1k_val_embedding')
# 获取图片+音频 query 的 Embedding 向量 # 注意，这里音频 audio 模态输入的权重参数 factor 为 2（默认为1） # 目的是为了增大音频输入（猫叫声）对检索结果的影响 input = [ {'factor': 1, 'image': input_image}, {'factor': 2, 'audio': input_audio}, ] result = MultiModalEmbedding.call(model=MultiModalEmbedding.Models.multimodal_embedding_one_peace_v1, input=input, auto_truncation=True) if result.status_code != 200: raise Exception(f"ONE-PEACE failed to generate embedding of {input}, result: {result}") image_audio_vector = result.output["embedding"]
# DashVector 向量检索 rsp = collection.query(image_audio_vector, topk=3) image_list = list() for doc in rsp: img_url = doc.fields['image_url'] img = Image.open(urlopen(img_url)) image_list.append(img) return image_list
if __name__ == '__main__': """图片+音频检索""" # 草地 image_url = "http://proxima-internal.oss-cn-zhangjiakou.aliyuncs.com/image-dataset/grass-field.jpeg" # 猫叫声 audio_url = "http://proxima-internal.oss-cn-zhangjiakou.aliyuncs.com/audio-dataset/esc-50/1-47819-A-5.wav" show_image(image_audio_search(image_url, audio_url))
复制代码
输入示意图如下：
运行代码，检索结果如下：
进阶使用
上述场景里作为检索底库数据的是单模态的图片数据，这里我们也可以将多种模态的数据同时通过 ONE-PEACE 模型获取 Embedding 向量，将 Embedding 向量作为检索库数据入库检索，观察检索效果。
1. 数据准备
本示例场景使用微软COCO在 Captioning 场景下的 validation 数据集，将图片以及对应的图片描述 caption 文本两种模态数据一起 Embedding 入库。对于检索时输入的图片、音频与文本等多模态数据，用户可以自定义，也可以使用公共数据集的数据。
2. 数据 Embedding 入库
说明
本教程所涉及的 your-xxx-api-key 以及 your-xxx-cluster-endpoint ，均需要替换为您自己的 API-KAY 及 CLUSTER_ENDPOINT 后，代码才能正常运行。
微软 COCO 的 Captioning validation 验证集包含 5000 张标注良好的图片及对应的说明文本，这里我们需要通过 DashScope 的 ONE-PEACE 模型提取数据集的"图片+文本"的 Embedding 向量入库，另外为了方便后续的图片展示，我们也将原始图片 url 和对应 caption 文本一起入库。代码示例如下：
import dashscopefrom dashscope import MultiModalEmbeddingfrom dashvector import Client, Doc, DashVectorException
dashscope.api_key = '{your-dashscope-api-key}'
# 由于 ONE-PEACE 模型服务当前只支持 url 形式的图片、音频输入，因此用户需要将数据集提前上传到# 公共网络存储（例如 oss/s3），并获取对应图片、音频的 url 列表。# 该文件每行存储数据集单张图片的公共 url 和对应的 caption 文本，以`;`分割COCO_CAPTIONING_URLS_FILE_PATH = "cocoval5k-urls-captions.txt"
def index_image_text(): # 初始化 dashvector client client = Client( api_key='{your-dashvector-api-key}', endpoint='{your-dashvector-cluster-endpoint}' )
# 创建集合：指定集合名称和向量维度, ONE-PEACE 模型产生的向量统一为 1536 维 rsp = client.create('coco_val_embedding', 1536) if not rsp: raise DashVectorException(rsp.code, reason=rsp.message)
# 调用 dashscope ONE-PEACE 模型生成图片 Embedding，并插入 dashvector collection = client.get('coco_val_embedding') with open(COCO_CAPTIONING_URLS_FILE_PATH, 'r') as file: for i, line in enumerate(file): url, caption = line.strip('\n').split(";") input = [ {'text': caption}, {'image': url}, ] result = MultiModalEmbedding.call(model=MultiModalEmbedding.Models.multimodal_embedding_one_peace_v1, input=input, auto_truncation=True) if result.status_code != 200: print(f"ONE-PEACE failed to generate embedding of {url}, result: {result}") continue embedding = result.output["embedding"] collection.insert( Doc( id=str(i), vector=embedding, fields={'image_url': url, 'image_caption': caption} ) ) if (i + 1) % 20 == 0: print(f"---- Succeeded to insert {i + 1} image embeddings")
if __name__ == '__main__': index_image_text()
复制代码
说明
上述代码需要访问 DashScope 的 ONE-PEACE 多模态 Embedding 模型，总体运行速度视用户开通该服务的 qps 有所不同。
3. 模态检索
3.1. 文本检索
首先我们尝试单文本模态检索。代码示例如下：
import dashscopefrom dashscope import MultiModalEmbeddingfrom dashvector import Clientfrom urllib.request import urlopenfrom PIL import Image
dashscope.api_key = '{your-dashscope-api-key}'
def show_image_text(image_text_list): for img, cap in image_text_list: # 注意：show() 函数在 Linux 服务器上可能需要安装必要的图像浏览器组件才生效 # 建议在支持 jupyter notebook 的服务器上运行该代码 img.show() print(cap)
def text_search(input_text): # 初始化 dashvector client client = Client( api_key='{your-dashvector-api-key}', endpoint='{your-dashvector-cluster-endpoint}' )
# 获取上述入库的集合 collection = client.get('coco_val_embedding')
# 获取文本 query 的 Embedding 向量 input = [{'text': input_text}] result = MultiModalEmbedding.call(model=MultiModalEmbedding.Models.multimodal_embedding_one_peace_v1, input=input, auto_truncation=True) if result.status_code != 200: raise Exception(f"ONE-PEACE failed to generate embedding of {input}, result: {result}") text_vector = result.output["embedding"]
# DashVector 向量检索 rsp = collection.query(text_vector, topk=3) image_text_list = list() for doc in rsp: img_url = doc.fields['image_url'] img_cap = doc.fields['image_caption'] img = Image.open(urlopen(img_url)) image_text_list.append((img, img_cap)) return image_text_list
if __name__ == '__main__': """文本检索""" # 狗 text_query = "dog" show_image_text(text_search(text_query))
复制代码
运行上述代码，检索结果如下：
3.2. 音频检索
我们再尝试单音频模态检索。我们使用 ESC-50 数据集的"狗叫声片段"作为音频输入，代码示例如下：
import dashscopefrom dashscope import MultiModalEmbeddingfrom dashvector import Clientfrom urllib.request import urlopenfrom PIL import Image
dashscope.api_key = '{your-dashscope-api-key}'
def show_image_text(image_text_list): for img, cap in image_text_list: # 注意：show() 函数在 Linux 服务器上可能需要安装必要的图像浏览器组件才生效 # 建议在支持 jupyter notebook 的服务器上运行该代码 img.show() print(cap)
def audio_search(input_audio): # 初始化 dashvector client client = Client( api_key='{your-dashvector-api-key}', endpoint='{your-dashvector-cluster-endpoint}' )
# 获取上述入库的集合 collection = client.get('coco_val_embedding')
# 获取音频 query 的 Embedding 向量 input = [{'audio': input_audio}] result = MultiModalEmbedding.call(model=MultiModalEmbedding.Models.multimodal_embedding_one_peace_v1, input=input, auto_truncation=True) if result.status_code != 200: raise Exception(f"ONE-PEACE failed to generate embedding of {input}, result: {result}") audio_vector = result.output["embedding"]
# DashVector 向量检索 rsp = collection.query(audio_vector, topk=3) image_text_list = list() for doc in rsp: img_url = doc.fields['image_url'] img_cap = doc.fields['image_caption'] img = Image.open(urlopen(img_url)) image_text_list.append((img, img_cap)) return image_text_list
if __name__ == '__main__': """"音频检索""" # dog bark audio_url = "http://proxima-internal.oss-cn-zhangjiakou.aliyuncs.com/audio-dataset/esc-50/1-100032-A-0.wav" show_image_text(audio_search(audio_url))
复制代码
运行上述代码，检索结果如下：
3.3. 文本+音频检索
进一步的，我们尝试使用"文本+音频"进行双模态检索。这里使用 ESC-50 数据集的"狗叫声片段"作为音频输入，另外使用"beach"作为文本输入，代码示例如下：
import dashscopefrom dashscope import MultiModalEmbeddingfrom dashvector import Clientfrom urllib.request import urlopenfrom PIL import Image
dashscope.api_key = '{your-dashscope-api-key}'
def show_image_text(image_text_list): for img, cap in image_text_list: # 注意：show() 函数在 Linux 服务器上可能需要安装必要的图像浏览器组件才生效 # 建议在支持 jupyter notebook 的服务器上运行该代码 img.show() print(cap)
def text_audio_search(input_text, input_audio): # 初始化 dashvector client client = Client( api_key='{your-dashvector-api-key}', endpoint='{your-dashvector-cluster-endpoint}' )
# 获取上述入库的集合 collection = client.get('coco_val_embedding')
# 获取文本+音频 query 的 Embedding 向量 input = [ {'text': input_text}, {'audio': input_audio}, ] result = MultiModalEmbedding.call(model=MultiModalEmbedding.Models.multimodal_embedding_one_peace_v1, input=input, auto_truncation=True) if result.status_code != 200: raise Exception(f"ONE-PEACE failed to generate embedding of {input}, result: {result}") text_audio_vector = result.output["embedding"]
# DashVector 向量检索 rsp = collection.query(text_audio_vector, topk=3) image_text_list = list() for doc in rsp: img_url = doc.fields['image_url'] img_cap = doc.fields['image_caption'] img = Image.open(urlopen(img_url)) image_text_list.append((img, img_cap)) return image_text_list
if __name__ == '__main__': """文本+音频检索""" text_query = "beach" # 狗叫声 audio_url = "http://proxima-internal.oss-cn-zhangjiakou.aliyuncs.com/audio-dataset/esc-50/1-100032-A-0.wav" show_image_text(text_audio_search(text_query, audio_url))
复制代码
运行上述代码，检索结果如下：
观察上述检索结果，发现后两张图的重点更多的是在展示 "beach" 文本输入对应的沙滩，而 "狗叫声片段"音频输入指示的狗的图片形象则不明显，其中第二张图需要放大后才可以看到图片中站立在水中的狗，第三张图中基本没有狗的形象。
对于上述情况，我们可以通过调整不同输入的权重来设置 mbedding 向量中哪种模态占更大的比重，从而在检索中突出重点。例如对于上述代码，我们可以给予"狗叫声片段"更大的权重，重点突出检索结果里狗的形象。
# 其他代码一致
# 通过 `factor` 参数来调整不同模态输入的权重，默认为 1，这里设置 audio 为 2input = [ {'factor': 1, 'text': input_text}, {'factor': 2, 'audio': input_audio},]
复制代码
替换 input后，运行上述代码，结果如下：
写在最后
本文结合DashScope的 ONE-PEACE 模型的和DashVector向量检索服务向大家展示了丰富多样的多模态检索示例，得益于 ONE-PEACE 模型优秀的多模态 Embedding 能力和 DashVector 强大的向量检索能力，我们能初步看到 AI 多模态检索令人惊喜的效果。
本文的范例中，我们的向量检索服务，模型服务以及数据均可以公开获取，我们提供的示例也只是有限的展示了多模态检索的效果，非常欢迎大家来体验，自由发掘多模态检索的潜力。
免费体验阿里云高性能向量检索服务：https://www.aliyun.com/product/ai/dashvector
评论