Vektör Arama

Vektör arama, bir veri kümesindeki benzer öğeleri, tam anahtar kelime eşleşmeleri yerine matematiksel özelliklerine göre tanımlayan sofistike bir bilgi erişim yöntemidir. Geleneksel Belirli karakter dizilerini bulmaya dayanan geleneksel anahtar kelime aramasından farklı olarak vektör arama, verilerin altında yatan anlamsal anlamı analiz eder. Bu teknik, bilgisayarların soyut kavramlar arasındaki ilişkileri anlamasına ve görüntüler, ses dosyaları ve doğal dil metinleri gibi yapılandırılmamış verileri olağanüstü bir doğrulukla işlemesine olanak tanıdığından, modern yapay zeka (AI)

Vektör Arama Nasıl Çalışır?

Vektör aramanın özü, ham verileri gömme olarak bilinen yüksek boyutlu sayısal vektörlere dönüştürmeyi içerir. Bu süreç, öğeleri kavramsal olarak benzer öğelerin birbirine yakın olduğu çok boyutlu bir uzaydaki noktalara eşler.

1. Vektörleştirme: Bir derin öğrenme (DL) modeli, girdi verilerini (örneğin, bir köpeğin görüntüsü) işler ve bir özellik vektörü çıkarır. YOLO26 gibi gelişmiş modeller, bu zengin özellik temsillerini verimli bir şekilde oluşturmak için sıklıkla kullanılır. .
2. Dizinleme: Aramaları hızlı bir şekilde gerçekleştirmek için, bu vektörler özel algoritmalar kullanılarak düzenlenir ve genellikle özel bir vektör veritabanında saklanır.
3. Benzerlik Hesaplaması: Bir kullanıcı bir sorgu gönderdiğinde, sistem bu sorguyu bir vektöre dönüştürür ve kosinüs benzerliği veya Öklid mesafesi gibi ölçütleri kullanarak depolanan vektörlere olan mesafeyi ölçer. Öklid mesafesi,
4. Geri getirme: Sistem, bağlamsal olarak en alakalı sonuçları temsil eden "en yakın komşuları" döndürür. bağlamsal olarak en alakalı sonuçları temsil eden "en yakın komşuları" döndürür.

Python Örneği: Gömme Oluşturma

Vektör aramayı uygulamak için, önce verilerinizi vektörlere dönüştürmeniz gerekir. Aşağıdaki kod parçacığı, nasıl üretileceğini gösterir özellik haritaları ve bir görüntüden gömülü öğeler kullanarak ultralytics paket ve önceden eğitilmiş YOLO26 modeli.

from ultralytics import YOLO

# Load a pre-trained YOLO26 classification model
model = YOLO("yolo26n-cls.pt")

# Generate feature embeddings for an image URL
# The 'embed' method returns the high-dimensional vector representation
results = model.embed("https://ultralytics.com/images/bus.jpg")

# Print the shape of the resulting embedding vector
print(f"Embedding vector shape: {results[0].shape}")

Gerçek Dünya Uygulamaları

Vektör arama, günümüzün yazılım ekosistemindeki birçok sezgisel özelliğin arkasındaki motor olup, bilgisayar görüşü (CV) ile kullanıcı niyeti arasındaki boşluğu doldurmaktadır.

• Görsel Öneri Sistemleri: Perakende sektöründe yapay zeka alanında, vektör arama "shop the look" özelliklerini desteklemektedir. Bir müşteri belirli bir çantayı beğenirse, sistem benzer görsel vektörlere sahip ürünleri bulur — şekil, doku ve stil açısından eşleşen — ve kişiselleştirilmiş bir öneri sistemi oluşturur.
• Geri Alma ile Güçlendirilmiş Üretim (RAG): Büyük Dil Modellerini (LLM'ler) geliştirmek için geliştiriciler, bilgi tabanından ilgili belgeleri geri almak için vektör aramasını kullanır. Bu, AI'ya bağlam sağlar, halüsinasyonları azaltır ve chatbot etkileşimlerinde doğruluğu artırır.
• Anomali Tespiti: "Normal" işlemlerin vektörlerini kümeleyerek, sistemler kümeden uzaklaşan aykırı değerleri tespit edebilir. Bu, üretim kalite kontrolü ve veri güvenliğinde anomali tespiti için çok önemlidir.

İlgili Kavramları Ayırt Etme

Vektör aramayı benzer terimlerden ayırmak, makine öğreniminin (ML) tüm sürecini anlamak için yararlıdır. makine öğrenimi (ML) süreci.

• Vektör Arama ve Anlamsal Arama: Anlamsal arama, kullanıcı niyetini ("ne") anlamanın daha geniş bir uygulamasıdır. Vektör arama ise vektör yakınlığını ("nasıl") hesaplayarak bunu başarmak için kullanılan özel bir algoritmik yöntemdir.
• Vektör Arama ve Vektör Veritabanı: Vektör veritabanı, gömülü öğeleri büyük ölçekte depolamak ve yönetmek için tasarlanmış bir altyapıdır. Vektör arama ise, bilgi almak için bu veritabanında sorgulama yapma işlemidir.
• Vektör Arama ve Anahtar Kelime Arama: Anahtar kelime arama, tam metin dizelerini eşleştirir (örneğin, "elma" "elma" ile eşleşir). Vektör arama anlamı eşleştirir, bu nedenle "elma" kelimesi, kelimeler farklı olsa bile "meyve" veya "kırmızı" ile eşleşebilir.

Ultralytics ile Entegrasyon

Benzerlik arama sistemleri geliştiren ekipler için, veri kümelerini yönetmek ve gömme modellerini eğitmek çok önemli bir ilk adımdır. Ultralytics , veri yönetimi, bulut eğitimi ve model dağıtımı için araçlar sağlayarak bu iş akışını basitleştirir. Nesne algılama veya sınıflandırma için olsun, temel modellerinizin yüksek performanslı olmasını sağlayarak, sonuç vektörlerinin doğru ve anlamlı arama sonuçları vermesini garanti edersiniz. Ultralytics , veri yönetimi, bulut eğitimi ve model dağıtımı için araçlar sağlayarak bu iş akışını basitleştirir. Nesne algılama veya sınıflandırma için olsun, temel modellerinizin yüksek performanslı olmasını sağlayarak, sonuç vektörlerinin doğru ve anlamlı arama sonuçları vermesini garanti edersiniz.