通过ModelScope开源多模态Embedding模型进行向量生成

本文介绍如何通过ModelScope魔搭社区中的多模态表征开源模型进行多模态向量生成，并入库至向量检索服务DashVector中进行向量检索。

ModelScope魔搭社区旨在打造下一代开源的模型即服务共享平台，为泛AI开发者提供灵活、易用、低成本的一站式模型服务产品，让模型应用更简单。

ModelScope魔搭社区的愿景是汇集行业领先的预训练模型，减少开发者的重复研发成本，提供更加绿色环保、开源开放的AI开发环境和模型服务，助力绿色“数字经济”事业的建设。 ModelScope魔搭社区将以开源的方式提供多类优质模型，开发者可在平台上免费体验与下载使用。

在ModelScope魔搭社区，您可以：

免费使用平台提供的预训练模型，支持免费下载运行
一行命令实现模型预测，简单快速验证模型效果
用自己的数据对模型进行调优，定制自己的个性化模型
学习系统性的知识，结合实训，有效提升模型研发能力
分享和贡献你的想法、评论与模型，让更多人认识你，在社区中成长

前提条件

DashVector：
- 已创建Cluster：创建Cluster
- 已获得API-KEY：API-KEY管理
- 已安装最新版SDK：安装DashVector SDK
ModelScope：
- 已安装最新版SDK：pip install -U modelscope

CLIP模型

简介

本项目为CLIP模型的中文版本，使用大规模中文数据进行训练（~2亿图文对），可用于图文检索和图像、文本的表征提取，应用于搜索、推荐等应用场景。

说明

关于CLIP模型更多信息请参考：CLIP模型

使用示例

说明

需要进行如下替换代码才能正常运行：

DashVector api-key替换示例中的{your-dashvector-api-key}
DashVector Cluster Endpoint替换示例中的{your-dashvector-cluster-endpoint}
使用上表中模型ID替换示例中的{model_id}
使用上表中向量维度替换示例中的{model_dim}

Python

from modelscope.utils.constant import Tasks from modelscope.pipelines import pipeline from modelscope.preprocessors.image import load_image from typing import List from dashvector import Client pipeline = pipeline(task=Tasks.multi_modal_embedding, model='{model_id}') def generate_text_embeddings(texts: List[str]): inputs = {'text': texts} result = pipeline.forward(input=inputs) return result['text_embedding'].numpy() def generate_img_embeddings(img: str): input_img = load_image(img) inputs = {'img': input_img} result = pipeline.forward(input=inputs) return result['img_embedding'].numpy()[0] # 创建DashVector Client client = Client( api_key='{your-dashvector-api-key}', endpoint='{your-dashvector-cluster-endpoint}' ) # 创建DashVector Collection rsp = client.create('CLIP-embedding', dimension={model_dim}) assert rsp collection = client.get('CLIP-embedding') assert collection # 向量入库DashVector collection.insert( [ ('ID1', generate_text_embeddings(['阿里云向量检索服务DashVector是性能、性价比具佳的向量数据库之一'])[0]), ('ID2', generate_img_embeddings('https://clip-cn-beijing.oss-cn-beijing.aliyuncs.com/pokemon.jpeg')) ] ) # 向量检索 docs = collection.query( generate_text_embeddings(['The best vector database'])[0] ) print(docs)