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
  • 已获得API-KEY
  • 已安装最新版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。

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：

1. DashVector api-key替换示例中的

2. DashVector Cluster Endpoint替换示例中的

3. 使用上表中 模型ID 替换示例中的

4. 使用上表中 向量维度 替换示例中的

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)