CLIP-ImageSearch-NCNN

CLIP-ImageSearch-NCNN

利用CLIP快速进行手机相册中的自然语言图像搜索

CLIP-ImageSearch-NCNN项目在移动设备和x86平台上使用CLIP模型实现了自然语言图像检索功能。通过图像和文本特征提取,支持以图搜图、以字搜图等多种搜索方式,提供高效的图像搜索体验。项目包含适用于Android和x86平台的demo,利用ncnn进行部署,广泛适用于手机相册等图像搜索应用。

CLIPncnn图片搜索自然语言检索模型Github开源项目

项目介绍:CLIP-ImageSearch-NCNN

项目概述

CLIP-ImageSearch-NCNN是一个将自然语言与图像进行匹配的工具,旨在优化手机相册中的图片搜索功能。它可以通过在后台自动提取每张图片的特征,从而实现快速的搜索结果展示。同时,项目还可以显示每个图片与搜索内容的匹配概率,并按照概率从高到低返回结果。

项目的动机

项目的灵感来源于作者在开发GPT模型时的经验。在开发过程中,作者意识到CLIP与GPT具备相似的灵活性,因此萌生了将CLIP应用于图像搜索的想法。作者特别关注了一个名为“natural-language-image-search”的项目,该项目能够通过输入自然语言来搜索图像,这正是CLIP-ImageSearch-NCNN的核心功能。

技术和实现

该项目使用ncnn框架部署了CLIP模型,实现了自然语言图像检索功能。目标是提供在x86和Android端都可以使用的demo。目前,所有的模型文件和可执行程序均已上传至Github,供用户下载和使用。

使用指南

Android端

  1. 下载并运行提供的APK。
  2. 点击“扫描相册”,扫描手机中的图片。
  3. 选择一个时间段进行特征抽取,过程与图片数量成正比。
  4. 在搜索框中输入英文描述,点击“搜”。
  5. 程序将自动显示最匹配的结果。

x86端

  1. 运行提供的EXE文件。
  2. 点击“1.选择图库”选择待搜索的图片文件夹。
  3. 点击“2.抽取图库特征”以提取图片特征。
  4. 输入描述性英文句子。
  5. 点击“4.搜”以查看匹配结果。

项目结构

  • android文件夹:包含APK程序的源代码。
  • x86文件夹:包括基于QT开发的EXE程序的源代码。
  • gallery文件夹:一个小型图库供测试使用。
  • resources文件夹:README的资源文件。

工作原理

项目通过以下步骤实现图像搜索:

  1. 使用CLIP的encode_image提取图片特征,建立图库特征向量。
  2. 使用CLIP的encode_text提取文本特征,建立文本特征向量。
  3. 计算两个特征向量的相似度,返回最高匹配概率的图片。
  4. 支持多种玩法,例如以字搜图、以图搜字等。

构建图库所有图片的特征向量是项目中最耗时的部分,项目使用“RN50”模型进行特征提取。

项目成果

  • PyTorch模型的梳理与导出。
  • 实现了x86和Android端的演示程序,用户可以通过百度网盘下载相关的二进制文件并进行编译和运行。

参考项目

  1. ncnn
  2. CLIP
  3. natural-language-image-search

CLIP-ImageSearch-NCNN在逐步更新中,作者希望通过这个项目进一步提升自然语言图像搜索的效率和用户体验,并期待更多用户的关注和支持。

编辑推荐精选

openai-agents-python

openai-agents-python

OpenAI Agents SDK,助力开发者便捷使用 OpenAI 相关功能。

openai-agents-python 是 OpenAI 推出的一款强大 Python SDK,它为开发者提供了与 OpenAI 模型交互的高效工具,支持工具调用、结果处理、追踪等功能,涵盖多种应用场景,如研究助手、财务研究等,能显著提升开发效率,让开发者更轻松地利用 OpenAI 的技术优势。

Hunyuan3D-2

Hunyuan3D-2

高分辨率纹理 3D 资产生成

Hunyuan3D-2 是腾讯开发的用于 3D 资产生成的强大工具,支持从文本描述、单张图片或多视角图片生成 3D 模型,具备快速形状生成能力,可生成带纹理的高质量 3D 模型,适用于多个领域,为 3D 创作提供了高效解决方案。

3FS

3FS

一个具备存储、管理和客户端操作等多种功能的分布式文件系统相关项目。

3FS 是一个功能强大的分布式文件系统项目,涵盖了存储引擎、元数据管理、客户端工具等多个模块。它支持多种文件操作,如创建文件和目录、设置布局等,同时具备高效的事件循环、节点选择和协程池管理等特性。适用于需要大规模数据存储和管理的场景,能够提高系统的性能和可靠性,是分布式存储领域的优质解决方案。

TRELLIS

TRELLIS

用于可扩展和多功能 3D 生成的结构化 3D 潜在表示

TRELLIS 是一个专注于 3D 生成的项目,它利用结构化 3D 潜在表示技术,实现了可扩展且多功能的 3D 生成。项目提供了多种 3D 生成的方法和工具,包括文本到 3D、图像到 3D 等,并且支持多种输出格式,如 3D 高斯、辐射场和网格等。通过 TRELLIS,用户可以根据文本描述或图像输入快速生成高质量的 3D 资产,适用于游戏开发、动画制作、虚拟现实等多个领域。

ai-agents-for-beginners

ai-agents-for-beginners

10 节课教你开启构建 AI 代理所需的一切知识

AI Agents for Beginners 是一个专为初学者打造的课程项目,提供 10 节课程,涵盖构建 AI 代理的必备知识,支持多种语言,包含规划设计、工具使用、多代理等丰富内容,助您快速入门 AI 代理领域。

AEE

AEE

AI Excel全自动制表工具

AEE 在线 AI 全自动 Excel 编辑器,提供智能录入、自动公式、数据整理、图表生成等功能,高效处理 Excel 任务,提升办公效率。支持自动高亮数据、批量计算、不规则数据录入,适用于企业、教育、金融等多场景。

UI-TARS-desktop

UI-TARS-desktop

基于 UI-TARS 视觉语言模型的桌面应用,可通过自然语言控制计算机进行多模态操作。

UI-TARS-desktop 是一款功能强大的桌面应用,基于 UI-TARS(视觉语言模型)构建。它具备自然语言控制、截图与视觉识别、精确的鼠标键盘控制等功能,支持跨平台使用(Windows/MacOS),能提供实时反馈和状态显示,且数据完全本地处理,保障隐私安全。该应用集成了多种大语言模型和搜索方式,还可进行文件系统操作。适用于需要智能交互和自动化任务的场景,如信息检索、文件管理等。其提供了详细的文档,包括快速启动、部署、贡献指南和 SDK 使用说明等,方便开发者使用和扩展。

Wan2.1

Wan2.1

开源且先进的大规模视频生成模型项目

Wan2.1 是一个开源且先进的大规模视频生成模型项目,支持文本到图像、文本到视频、图像到视频等多种生成任务。它具备丰富的配置选项,可调整分辨率、扩散步数等参数,还能对提示词进行增强。使用了多种先进技术和工具,在视频和图像生成领域具有广泛应用前景,适合研究人员和开发者使用。

爱图表

爱图表

全流程 AI 驱动的数据可视化工具,助力用户轻松创作高颜值图表

爱图表(aitubiao.com)就是AI图表,是由镝数科技推出的一款创新型智能数据可视化平台,专注于为用户提供便捷的图表生成、数据分析和报告撰写服务。爱图表是中国首个在图表场景接入DeepSeek的产品。通过接入前沿的DeepSeek系列AI模型,爱图表结合强大的数据处理能力与智能化功能,致力于帮助职场人士高效处理和表达数据,提升工作效率和报告质量。

Qwen2.5-VL

Qwen2.5-VL

一款强大的视觉语言模型,支持图像和视频输入

Qwen2.5-VL 是一款强大的视觉语言模型,支持图像和视频输入,可用于多种场景,如商品特点总结、图像文字识别等。项目提供了 OpenAI API 服务、Web UI 示例等部署方式,还包含了视觉处理工具,有助于开发者快速集成和使用,提升工作效率。

下拉加载更多