Link to this section Cách xây dựng công cụ tìm kiếm hình ảnh ngữ nghĩa (semantic image search) với OpenAI CLIP#

Hướng dẫn này sẽ giúp bạn xây dựng một công cụ tìm kiếm hình ảnh ngữ nghĩa sử dụng OpenAI CLIP và Flask. Bằng cách kết hợp các embeddings ngôn ngữ-hình ảnh của CLIP với tính năng tìm kiếm độ tương đồng cosine tốc độ cao được cung cấp bởi NumPy, bạn có thể xây dựng một giao diện web cho phép truy xuất các hình ảnh liên quan từ các truy vấn ngôn ngữ tự nhiên mà không cần nhãn hay danh mục.

Gói Python của Ultralytics bao bọc toàn bộ pipeline này đằng sau hai class, giúp bạn có thể khởi chạy một ứng dụng tìm kiếm hoạt động tốt hoặc chạy các truy vấn theo lập trình chỉ với vài dòng code. Hướng dẫn này bao gồm lý do tại sao tìm kiếm ngữ nghĩa hữu ích, cách thức hoạt động, chạy ứng dụng web, tìm kiếm theo lập trình, và cấu hình tham số.

Link to this sectionTại sao nên sử dụng tìm kiếm hình ảnh ngữ nghĩa?#

Việc xây dựng hệ thống tìm kiếm hình ảnh ngữ nghĩa của riêng bạn với CLIP mang lại một số lợi thế hấp dẫn:

• Khả năng zero-shot: Bạn không cần huấn luyện trên tập dữ liệu của mình. Zero-shot learning của CLIP cho phép bạn truy vấn bất kỳ bộ sưu tập hình ảnh nào bằng ngôn ngữ tự nhiên tự do, giúp tiết kiệm thời gian và tài nguyên.
• Khả năng hiểu như con người: Khác với tìm kiếm bằng từ khóa, CLIP hiểu ngữ cảnh ngữ nghĩa và truy xuất hình ảnh từ các truy vấn trừu tượng, cảm xúc hoặc mang tính liên hệ như "một đứa trẻ hạnh phúc trong thiên nhiên" hoặc "đường chân trời thành phố tương lai vào ban đêm."
• Không cần nhãn hoặc siêu dữ liệu: Phương pháp này chỉ cần dữ liệu ảnh thô. CLIP tự tạo ra các embedding mà không cần bất kỳ thao tác gắn nhãn thủ công nào.
• Tìm kiếm nhẹ và chính xác: Một phép nhân ma trận chuẩn hóa duy nhất trong NumPy sẽ xếp hạng mọi hình ảnh theo độ tương đồng cosine, mang lại kết quả chính xác với phản hồi thời gian thực trên hàng nghìn embedding mà không cần cài đặt hoặc quản lý thêm phụ thuộc tìm kiếm nào.
• Ứng dụng đa lĩnh vực: Cho dù bạn đang xây dựng kho lưu trữ ảnh cá nhân, công cụ truyền cảm hứng sáng tạo, công cụ tìm kiếm sản phẩm hay hệ thống gợi ý nghệ thuật, cùng một ngăn xếp công nghệ này đều có thể thích ứng với rất ít tùy chỉnh.

Link to this sectionCách thức tìm kiếm hình ảnh ngữ nghĩa hoạt động#

Pipeline này kết hợp ba thành phần, mỗi thành phần xử lý một giai đoạn chuyển đổi hình ảnh và văn bản thành các kết quả có thứ hạng:

• CLIP sử dụng một vision encoder (ví dụ: ResNet hoặc ViT) cho hình ảnh và một text encoder (dựa trên Transformer) cho ngôn ngữ để chiếu cả hai vào cùng một không gian embedding đa phương thức. Điều này cho phép so sánh trực tiếp giữa văn bản và hình ảnh bằng cosine similarity.
• NumPy lưu trữ các embedding hình ảnh dưới dạng một mảng duy nhất và xếp hạng chúng so với một embedding truy vấn bằng một phép nhân ma trận, trả về các vector gần nhất theo độ tương đồng cosine mà không cần phụ thuộc vào chỉ mục (indexing) bổ sung.
• Flask cung cấp giao diện web đơn giản để gửi các truy vấn ngôn ngữ tự nhiên và hiển thị các hình ảnh phù hợp về mặt ngữ nghĩa từ index.

Vì cả hình ảnh và văn bản đều nằm trong cùng một không gian vector, việc truy xuất là zero-shot: bạn không cần nhãn hay danh mục, chỉ cần dữ liệu ảnh và một câu lệnh (prompt) tốt.

Link to this sectionChạy ứng dụng web tìm kiếm ngữ nghĩa#

Lớp SearchApp khởi chạy giao diện Flask hoàn chỉnh. Trong lần chạy đầu tiên, nó sẽ tải xuống một bộ hình ảnh mẫu, xây dựng chỉ mục embedding và phục vụ một trang web nơi bạn có thể nhập truy vấn và xem kết quả đã được xếp hạng.

Cảnh báo về đường dẫn ảnh

Link to this sectionTìm kiếm hình ảnh theo lập trình#

Class VisualAISearch thực hiện tất cả các thao tác backend mà không cần lớp web:

• Tải hoặc xây dựng một chỉ mục embedding từ các hình ảnh cục bộ.
• Trích xuất các embeddings hình ảnh và văn bản bằng cách sử dụng CLIP.
• Thực hiện tìm kiếm tương đồng bằng cosine similarity.

Gọi trình tìm kiếm với truy vấn ngôn ngữ tự nhiên để nhận lại danh sách các tên tệp hình ảnh khớp, được xếp hạng theo độ tương đồng:

Link to this sectionCấu hình các tham số VisualAISearch#

Bảng dưới đây phác thảo các tham số có sẵn cho VisualAISearch:

Link to this sectionKết luận#

Với CLIP và gói Python Ultralytics, bạn có thể thiết lập một công cụ tìm kiếm hình ảnh ngữ nghĩa zero-shot chỉ trong vài dòng code, dưới dạng ứng dụng web Flask hoặc backend tìm kiếm theo chương trình. Từ đây, hãy trỏ data vào thư mục hình ảnh của riêng bạn để đánh chỉ mục, sau đó khám phá các Ultralytics Solutions khác để xây dựng trên các workflow thị giác máy tính của bạn.

Link to this sectionCâu hỏi thường gặp#

Link to this sectionCLIP hiểu cả hình ảnh và văn bản như thế nào?#

CLIP (Contrastive Language Image Pretraining) là một model được phát triển bởi OpenAI giúp kết nối thông tin thị giác và ngôn ngữ. Nó được huấn luyện trên một tập dữ liệu khổng lồ gồm hình ảnh đi kèm với chú thích ngôn ngữ tự nhiên. Quá trình huấn luyện này cho phép nó ánh xạ cả hình ảnh và văn bản vào một không gian embedding chung, giúp bạn có thể so sánh chúng trực tiếp bằng độ tương đồng vector.

Link to this sectionTại sao CLIP được coi là mạnh mẽ đối với các tác vụ AI?#

Điều làm nên sự nổi bật của CLIP là khả năng tổng quát hóa. Thay vì chỉ được huấn luyện cho các nhãn hoặc tác vụ cụ thể, nó học từ chính ngôn ngữ tự nhiên. Điều này cho phép nó xử lý các truy vấn linh hoạt như "một người đàn ông đang lái mô tô nước" hoặc "một khung cảnh giấc mơ siêu thực", giúp nó hữu ích cho mọi thứ từ phân loại đến tìm kiếm ngữ nghĩa sáng tạo mà không cần huấn luyện lại.

Link to this sectionHình ảnh được xếp hạng như thế nào so với một truy vấn văn bản?#

Khi CLIP chuyển đổi hình ảnh của bạn thành các embedding, gói Ultralytics sẽ thực hiện L2-normalize và lưu trữ chúng trong một mảng NumPy duy nhất. Một truy vấn được xếp hạng bằng một phép nhân ma trận tính toán độ tương đồng cosine giữa embedding truy vấn và mọi embedding hình ảnh, sau đó sắp xếp các điểm số. Tìm kiếm brute-force này rất chính xác và nhanh chóng đối với các bộ sưu tập hình ảnh thông thường, không cần thêm phụ thuộc cơ sở dữ liệu vector để cài đặt hoặc quản lý.

Link to this sectionTại sao lại sử dụng Ultralytics Python package nếu CLIP là từ OpenAI?#

Mặc dù CLIP được phát triển bởi OpenAI, Ultralytics Python package bao bọc việc tạo embedding, đánh chỉ mục và tìm kiếm độ tương đồng cosine thành một pipeline tìm kiếm hình ảnh ngữ nghĩa hoàn chỉnh phía sau một vài dòng code hoạt động ngay lập tức:

Việc triển khai cấp cao này xử lý:

• Tạo embedding hình ảnh và văn bản dựa trên CLIP.
• Tạo và quản lý chỉ mục embedding.
• Tìm kiếm ngữ nghĩa hiệu quả với cosine similarity.
• Tải hình ảnh dựa trên thư mục và trực quan hóa.

Link to this sectionTôi có thể tùy chỉnh frontend của ứng dụng này không?#

Có. Thiết lập hiện tại sử dụng Flask với một frontend HTML cơ bản, nhưng bạn có thể thay thế nó bằng HTML của riêng bạn hoặc xây dựng một giao diện người dùng (UI) động hơn với React, Vue hoặc các framework frontend khác. Flask có thể đóng vai trò là REST API backend cho giao diện tùy chỉnh của bạn.

Link to this sectionCó thể tìm kiếm qua video thay vì hình ảnh tĩnh không?#

Không trực tiếp. Một giải pháp thay thế đơn giản là trích xuất các khung hình riêng lẻ từ video của bạn (ví dụ: một khung hình mỗi giây), coi chúng như các hình ảnh độc lập và đưa chúng vào hệ thống. Bằng cách này, công cụ tìm kiếm có thể index các khoảnh khắc thị giác từ video của bạn một cách ngữ nghĩa.