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

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。

HunyuanVideo

HunyuanVideo

HunyuanVideo 是一个可基于文本生成高质量图像和视频的项目。

HunyuanVideo 是一个专注于文本到图像及视频生成的项目。它具备强大的视频生成能力,支持多种分辨率和视频长度选择,能根据用户输入的文本生成逼真的图像和视频。使用先进的技术架构和算法,可灵活调整生成参数,满足不同场景的需求,是文本生成图像视频领域的优质工具。

WebUI for Browser Use

WebUI for Browser Use

一个基于 Gradio 构建的 WebUI,支持与浏览器智能体进行便捷交互。

WebUI for Browser Use 是一个强大的项目,它集成了多种大型语言模型,支持自定义浏览器使用,具备持久化浏览器会话等功能。用户可以通过简洁友好的界面轻松控制浏览器智能体完成各类任务,无论是数据提取、网页导航还是表单填写等操作都能高效实现,有利于提高工作效率和获取信息的便捷性。该项目适合开发者、研究人员以及需要自动化浏览器操作的人群使用,在 SEO 优化方面,其关键词涵盖浏览器使用、WebUI、大型语言模型集成等,有助于提高网页在搜索引擎中的曝光度。

xiaozhi-esp32

xiaozhi-esp32

基于 ESP32 的小智 AI 开发项目,支持多种网络连接与协议,实现语音交互等功能。

xiaozhi-esp32 是一个极具创新性的基于 ESP32 的开发项目,专注于人工智能语音交互领域。项目涵盖了丰富的功能,如网络连接、OTA 升级、设备激活等,同时支持多种语言。无论是开发爱好者还是专业开发者,都能借助该项目快速搭建起高效的 AI 语音交互系统,为智能设备开发提供强大助力。

olmocr

olmocr

一个用于 OCR 的项目,支持多种模型和服务器进行 PDF 到 Markdown 的转换,并提供测试和报告功能。

olmocr 是一个专注于光学字符识别(OCR)的 Python 项目,由 Allen Institute for Artificial Intelligence 开发。它支持多种模型和服务器,如 vllm、sglang、OpenAI 等,可将 PDF 文件的页面转换为 Markdown 格式。项目还提供了测试框架和 HTML 报告生成功能,方便用户对 OCR 结果进行评估和分析。适用于科研、文档处理等领域,有助于提高工作效率和准确性。

飞书多维表格

飞书多维表格

飞书多维表格 ×DeepSeek R1 满血版

飞书多维表格联合 DeepSeek R1 模型,提供 AI 自动化解决方案,支持批量写作、数据分析、跨模态处理等功能,适用于电商、短视频、影视创作等场景,提升企业生产力与创作效率。关键词:飞书多维表格、DeepSeek R1、AI 自动化、批量处理、企业协同工具。

下拉加载更多