اكتشف كيف تدير قواعد البيانات المتجهة التضمينات عالية الأبعاد لاسترجاع المعاني. تعلم كيفية تشغيل تطبيقات الذكاء الاصطناعي باستخدام Ultralytics والبحث عن التشابه.
قاعدة بيانات المتجهات هي نظام تخزين متخصص مصمم لإدارة وفهرسة واستعلام البيانات المتجهة عالية الأبعاد، والتي يشار إليها غالبًا باسم التضمينات. على عكس قاعدة البيانات العلائقية التقليدية، التي تنظم البيانات المنظمة في صفوف وأعمدة لمطابقة الكلمات الرئيسية بدقة، فإن قاعدة بيانات المتجهات مُحسّنة للاسترجاع الدلالي. وهي تمكّن الأنظمة الذكية من العثور على نقاط البيانات المتشابهة من الناحية المفاهيمية بدلاً من المتطابقة. هذه القدرة أساسية للبنية التحتية الحديثة للذكاء الاصطناعي (AI) ، حيث تسمح للتطبيقات بمعالجة وفهم البيانات غير المنظمة— مثل الصور والصوت والفيديو والنصوص — من خلال تحليل العلاقات الرياضية بينها. تعمل قواعد البيانات هذه كذاكرة طويلة المدى للعوامل الذكية، مما يسهل مهام مثل البحث المرئي والتوصيات المخصصة.
تتمحور وظيفة قاعدة البيانات المتجهة حول مفهوم الفضاء المتجه، حيث يتم تعيين عناصر البيانات كنقاط في نظام إحداثيات متعدد الأبعاد. تبدأ العملية باستخراج الميزات، حيث يقوم نموذج التعلم العميق (DL) بتحويل المدخلات الأولية إلى متجهات رقمية. تستخدم قاعدة البيانات المتجهة هذه المتجهات الرقمية لتنفيذ عمليات البحث والتحليل.
يوضح Python التالي Python كيفية إنشاء تضمينات باستخدام معيار ultralytics النموذج،
وهو الخطوة الأساسية قبل ملء قاعدة بيانات متجهة.
from ultralytics import YOLO
# Load a pre-trained YOLO26 classification model
model = YOLO("yolo26n-cls.pt")
# Generate feature embeddings for an image file
# The 'embed' method creates the vector representation needed for the database
results = model.embed("https://ultralytics.com/images/bus.jpg")
# Output the shape of the resulting embedding vector
print(f"Embedding vector shape: {results[0].shape}")
قواعد البيانات المتجهة هي المحرك وراء العديد من تطبيقات الرؤية الحاسوبية (CV) ومعالجة اللغة الطبيعية (NLP) المتقدمة المستخدمة في بيئات المؤسسات اليوم. تستخدم قواعد البيانات المتجهة في العديد من التطبيقات الحديثة، مثل
لتنفيذ هذه الأنظمة بفعالية، من المفيد التمييز بين قاعدة بيانات المتجهات والتقنيات ذات الصلة في مجال عمليات التعلم الآلي (MLOps) .
غالبًا ما يتضمن تنفيذ قاعدة بيانات متجهة خط أنابيب حيث تعمل نماذج مثل YOLO26 الفعالة كمحرك تضمين. تعالج هذه النماذج البيانات المرئية على الحافة أو في السحابة، ويتم دفع المتجهات الناتجة إلى حلول مثل Pinecone أو Milvus أو Qdrant.
بالنسبة للفرق التي تسعى إلى تبسيط دورة الحياة هذه بالكامل — بدءًا من تنظيم البيانات والتعليق التلقائي وحتى تدريب النماذج ونشرها — توفر Ultralytics بيئة شاملة . من خلال دمج تدريب النماذج مع استراتيجيات النشر الفعالة، يمكن للمطورين ضمان دقة التضمينات التي تغذي قواعد بياناتهم المتجهة، مما يؤدي إلى نتائج بحث عالية الجودة ووكلاء ذكاء اصطناعي أكثر ذكاءً .
.webp)