向量搜索

向量搜索是一种复杂的信息检索方法，它基于数据集内项目的数学特征而非精确关键词匹配来识别相似项。 与依赖特定字符串匹配的传统关键词搜索不同，向量搜索能解析数据的深层语义含义。该技术是现代人工智能（AI）应用的基础，它使计算机能够理解抽象概念间的关联，并以惊人精度处理图像、音频文件及自然语言文本等非结构化数据。

矢量搜索的工作原理

向量搜索的核心在于将原始数据转换为高维数值向量，即所谓的嵌入向量。该过程将项目映射到多维空间中的点，在该空间中概念相似的项目彼此邻近。

1. 向量化： 深度学习（DL）模型处理输入数据——例如一只狗的图像——并输出特征向量。诸如YOLO26等先进模型常被用于高效生成这些丰富的特征表示。
2. 索引：为实现快速检索，这些向量通过专用算法进行组织， 通常存储于专用的向量数据库中。
3. 相似度计算：当用户提交查询时，系统将该查询转换为向量， 并使用余弦相似度 或欧几里得距离等度量标准 测量其与存储向量之间的距离。
4. 检索：系统返回“最近邻”，这些结果代表了上下文相关性最高的检索结果。

Python 示例：生成嵌入

要实现向量搜索，必须先将数据转换为向量。以下代码片段演示了如何生成向量： 特征图 以及图像的嵌入 使用 ultralytics 包和一个预训练的YOLO26模型。

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}")

实际应用

向量搜索是当今软件生态系统中诸多直观功能背后的核心引擎，它弥合了计算机视觉（CV）与用户意图之间的鸿沟。

• 视觉推荐系统：在零售业人工智能领域，向量搜索技术驱动着"同款穿搭"功能。当顾客钟意某款手袋时，系统会根据视觉向量（包括形状、质地和风格）匹配相似商品，从而构建个性化推荐体系。
• 检索增强生成（RAG）：为增强大型语言模型（LLMs）的能力，开发者利用向量搜索从知识库中检索相关文档。这为人工智能提供了上下文信息，从而减少幻觉现象，并提升聊天机器人交互的准确性。
• 异常检测：通过聚类分析"正常"操作的向量，系统能够识别 偏离聚类范围的异常值。这对于 制造质量控制和数据安全中的异常检测至关重要。

区分相关概念

区分向量搜索与类似术语有助于理解完整的机器学习（ML）流程。

• 向量搜索与语义搜索：语义搜索是理解用户意图（“什么”）的更广泛应用。向量搜索则是通过计算向量距离（“如何”）来实现这一目标的具体算法方法。
• 向量搜索与向量数据库：向量数据库是为大规模存储和管理嵌入向量而设计的基础设施。向量搜索则是查询该数据库以检索信息的过程。
• 向量搜索与 关键词搜索：关键词搜索匹配精确文本字符串（例如"苹果"匹配"苹果"）。向量搜索 匹配语义，因此"苹果"可能匹配"水果"或"红色"，即使单词不同。

Ultralytics 集成

对于构建相似性搜索系统的团队而言， 管理数据集和训练嵌入模型是至关重要的第一步。 Ultralytics 提供数据管理、云端训练和模型部署工具， 简化了这一工作流程。通过确保基础模型——无论是用于 目标检测还是分类——都具备高性能， 您就能确保生成的向量提供准确且有意义的搜索结果。