利用OpenAI CLIP、Claude Sonnet 3.5和pgvector构建一个AI图库

Posted on by Sun, Rock

本文探讨了使用 OpenAI CLIP、Claude Sonnet 3.5 和 pgvector 构建 AI 驱动的图片库的 RAG 应用挑战。

译自 Building an AI Image Gallery: Advanced RAG With Pgvector and Claude Sonnet 3.5，作者 Haziqa Sajid。

Anthropic 是人工智能 (AI) 研究领域的一家巨头，主要专注于安全和道德的人工智能系统，它推出了另一个家族成员，Claude Sonnet 3.5。对于许多人来说，Claude 家族的最新成员凭借其智能、速度和成本效益，迅速取代了 GPT-4o 成为默认的大型语言模型 (LLM)，树立了新的行业标准。Sonnet 3.5 不仅用途广泛，而且可靠性也使其在开发人员中广受好评。

这些大型语言模型可以理解和处理各种模态，例如图像、文本和音频，使它们能够为从多模态搜索引擎到先进的 AI 驱动的创意工具等各种未来应用提供支持。 在之前的一篇文章中，您了解了如何使用 Claude Sonnet 3.5 和 pgvector 构建一个简单的检索增强生成 (RAG) 应用程序。

在本文中，我们将提高挑战级别，创建一个AI 图像库，让您搜索图像并提出问题。我们将使用相同的工具构建一个 RAG 应用程序：带有 pgvector 的 PostgreSQL 作为向量数据库，以及 Claude Sonnet 3.5 作为 LLM。

RAG 不仅仅是向量搜索.

RAG 概述

RAG，即检索增强生成，是一种 AI 框架，通过将生成式语言模型与传统的信息检索系统相结合来增强生成式语言模型。

RAG 采用两个主要步骤：

  1. 检索和预处理: 强大的搜索算法查询外部数据源，检索到的信息会经过预处理，例如分词和去除停用词。

  2. 生成: 预处理后的数据被整合到 LLM 中，丰富其上下文，从而实现更准确、信息丰富和引人入胜的响应。

让我们深入了解我们将用于 RAG 应用程序的工具的详细信息。

工具详细信息

对于 RAG 应用程序，我们将使用带有 pgvector 的 PostgreSQL 作为我们的向量数据库，Claude Sonnet 3.5 将作为我们的 LLM。让我们讨论它们是什么以及它们的功能。

Pgvector

从 PostgreSQL 16 开始，原生向量支持不可用，但pgvector通过允许您在 PostgreSQL 中存储和搜索向量数据来弥补了这一差距。这个开源扩展允许 PostgreSQL 执行通常与向量数据库相关的任务，包括：

  • 高级搜索: Pgvector 允许将数据存储为向量，支持各种最近邻搜索算法，例如 L2、内积和余弦距离，用于精确和近似搜索。这些算法使根据您的查询有效地找到相似和相关的内容成为可能。
  • 多功能应用: 它可以根据各种属性找到类似的项目，例如图像、文档或产品，从而增强各种领域的搜索功能。
  • 与 PostgreSQL 功能集成: pgvector 与 PostgreSQL 的标准功能无缝集成，包括：，这确保了事务完整性。
    • ACID 合规，确保事务完整性。
    • 时间点恢复，实现恢复到指定时刻。
    • JOIN 支持，方便将来自多个表格的数据组合起来。

Claude Sonnet 3.5

Anthropic 的 Claude Sonnet 3.5 在各种评估中优于竞争对手和 Claude 3 Opus，同时与 Claude 3 Sonnet 的速度和成本相匹配。以下是 Claude Sonnet 3.5 LLM 的一些关键功能：

  • 速度: 它比 Claude 3 Opus 快两倍。
  • 成本: 它按百万个 token 定价，比 Opus 低五倍。
  • 性能:
    • Claude Sonnet 3.5 在研究生级推理 (GPQA)、本科生级知识 (MMLU) 和编码能力 (HumanEval) 方面表现出色。
    • 它优于竞争对手模型，例如 OpenAI 的 GPT-4o 和 Google 的 Gemini 1.5 Pro。
  • 用户体验:
    • 开发人员报告编码任务的生产力提高了 3-4 倍。
    • 该模型以其自然直观的交互方式而受到赞赏。
  • 可用性:
    • 免费访问 Claude.ai 和 Claude iOS 应用程序
    • Claude Pro 和 Team 计划订阅者享有更高的速率限制
    • 可通过 Anthropic API、Amazon Bedrock 和 Google Cloud 的 Vertex AI 获取
    • 也提供 Web 应用程序访问
  • 输入上下文窗口: 支持高达 200,000 个 token
  • 最大输出 token: 每次请求最多可生成 4,096 个 token

Claude 3.5 Sonnet 的成本和智能展示

Claude 3.5 Sonnet 的成本和智能展示

高级 RAG 实现

如需了解使用 Claude Sonnet 3.5 和 pgvector 来执行基本 RAG 应用程序示例（或仅仅为了复习你的知识），你随时可以查看我们的前一篇文章。为了本教程，我们将构建一个智能图像库，在那里你可以用自然语言查询图像并对它们进行提问。

我们使用 RAG 的 AI 画廊应用程序的示意图

  • 图像：这个流程从一系列图像开始。这些图像将作为处理和查询的原始数据。这里，我们将 Flickr30 用作我们的数据集。
  • 图像嵌入 (CLIP)：然后将图像通过一个如 CLIP (对比式语言图像预训练) 的模型，该模型会为每张图像生成嵌入。
  • 向量数据库：生成的图像嵌入存储在一个向量数据库中。此数据库托管在时序云上，允许对高维度向量进行高效编制索引和查询。
  • 查询：用户或系统输入一条查询，这是一条文本描述。此查询也会转换为一个嵌入，然后用于在向量数据库中搜索相似的图像。
  • 最相关结果：向量数据库会根据向量嵌入返回与查询最相似的顶部图像。这些结果是数据库中找到的最相关图像。
  • 提示和查询：然后将原始提示(如适用)和查询组合起来。上下文和查询的此组合用于进一步细化结果或生成最终响应。
  • LLM：将组合的提示和查询传递给 LLM，该 LLM 会使用来自向量搜索的上下文信息和最佳结果，生成最终输出或响应。
  • 结果：最终输出生成文本描述，它会回答最初的查询。

Flickr30 dataset

随着我们构建智能图像库应用程序，我们的数据集必须反映与典型手机用户类似的图像。Flickr30k数据集是出于此目的的绝佳选择。它是一个著名的基于句子的图像描述基准，其中包含31,783张描绘人们从事日常活动和事件的图像。

Flickr30k被广泛用作标准基准，非常适合评估生成基于句子的图像描述的模型。为了更贴近现实，我们不会提供标题，因为在手机上拍照时通常不会包含标题。该数据集可以在Kaggle上找到，并且可以轻松下载。以下是如何操作：

od.download("https://www.kaggle.com/datasets/hsankesara/flickr-image-dataset")

该代码会提示您输入凭证，您可以通过导航到设置>>创建新令牌轻松生成凭证：

为 Kaggle 创建新令牌的设置

由于数据集非常大，大约为 8 GB，我们取 100 张图片大小的样本。以下代码使用 shutil 随机选取 100 张图片并将其复制到目标文件夹。

# Define the path to the folder containing the images
folder_path = 'flickr-image-dataset/flickr30k_images/flickr30k_images'
destination_folder = 'Subset_dataset'
num_images_to_select = 100

# Ensure the destination folder exists
os.makedirs(destination_folder, exist_ok=True)

# List all files in the folder
all_files = os.listdir(folder_path)

# Optionally filter out non-image files (if necessary)
image_extensions = ['.jpg', '.jpeg', '.png', '.gif', '.bmp', '.tiff']
image_files = [file for file in all_files if any(file.lower().endswith(ext) for ext in image_extensions)]

# Randomly select 100 images
selected_images = random.sample(image_files, num_images_to_select)

# Copy the selected images to the destination folder
for image in selected_images:
    src_path = os.path.join(folder_path, image)
    dst_path = os.path.join(destination_folder, image)
    shutil.copy(src_path, dst_path)



destination_files = os.listdir(destination_folder)
destination_filepaths = [os.path.join(destination_folder, file) for file in destination_files]

图像嵌入

为了将图像转换为嵌入，我们将使用 OpenAI 开发的 CLIP（对比语言图像预训练）。CLIP 是一个通过从图像和描述中学习来链接视觉和文本文档的模型。在下面的代码中，我们：

  • 加载模型：clip-ViT-B-32 是使用 SentenceTransformer 加载的。
  • 对图像进行编码：model.encode 函数为从 destination_filepaths 打开的图像生成嵌入，捕获可供进一步使用的基本视觉特征。
from sentence_transformers import SentenceTransformer
from PIL import Image

# Load CLIP model
img_model = SentenceTransformer("clip-ViT-B-32")

# Encode an image:
img_emb = model.encode([Image.open(filepath) for filepath in destination_filepaths])
img_emb = img_emb.tolist()

创建表格并插入数据

我们将创建 image_gallery 表来存储我们的图像及其嵌入。通常，图像不会直接存储在数据库中；而是存储对包含图像的文件系统的引用。我们将采用相同的方式。该表将包含以下列：

  • Id: 充当主键，用于唯一标识每一行。
  • Path: 存储图像的文件路径，类型为 TEXT。
  • Embedding: 存储图像嵌入，类型为 VECTOR。VECTOR 的大小设置为 512，即用于图像表示的嵌入的维度。
cursor.execute(document_table)
conn.commit()

以下代码构建了一个 SQL INSERT 语句，用于将图像文件路径及其嵌入添加到 image_gallery 表中。它通过交错文件路径和嵌入来准备参数，然后执行语句并将事务提交到数据库。

sql = 'INSERT INTO image_gallery (path, embedding) VALUES ' + ', '.join(['(%s, %s)' for _ in img_emb])
params = list(itertools.chain(*zip(destination_filepaths, img_emb)))

cursor.execute(sql, params)
conn.commit()
Creating the ivfflat index just like before:
ivfflat = """CREATE INDEX ON image_gallery USING ivfflat (embedding vector_cosine_ops)"""
cursor.execute(ivfflat)
conn.commit()

图像搜索

以下代码根据文本查询执行图像搜索。它定义了一个名为 image_search 的函数，该函数将查询编码为嵌入。然后，它在 image_gallery 表中搜索前五个最接近的图像嵌入，并返回其文件路径。

def image_search(conn, query):
    query_embeddings = img_model.encode(query).tolist()

    with conn.cursor() as cur:
        cur.execute('SELECT path FROM image_gallery ORDER BY embedding <=> %s::vector LIMIT 5', (query_embeddings))
        return cur.fetchall()

query = ["What is my grandpa holding"]
print(image_search(conn, query))

这是从函数中检索到的图像：

一位老人拿着一个小木柜

根据嵌入距离计算，图片搜索返回的结果

现在，让我们向 Claude 模型询问更多关于图像的信息。

结合 LLM 和搜索

您可以将以下代码分解为以下部分：

  • 检索相关图像：
    • 调用 image_search 以根据文本查询获取相关图像
    • 将图像编码为 base64 字符串
  • 增强查询：
    • 创建一个查询字符串，其中包含文本查询和有关图像的上下文
  • 查询 Claude 模型：
    • 向 Claude 模型发送一个请求，其中包含增强的查询和编码的图像。
    • 请求模型描述图像
  • 返回结果：
    • 返回相关图像的文件路径和模型的响应
  • 示例用法：
    • 使用示例查询执行 rag_function
    • 使用 matplotlib 显示检索到的图像

以下是代码：

def Smart_gallery(conn, client, model_name, query):

    relevant_images = image_search(conn, query)

    image_media_type = "image/jpeg"
    with open(relevant_images[0][0], "rb") as image_file:
      encoded_string = base64.b64encode(image_file.read())

    image_data =encoded_string.decode('utf-8')

    full_query = (f"Context: The following are relevant pictures for the given query.\n"
        f"Based on the image, explain what is the picture about:\n"
        f"Question: {query[0]}")

    message = client.messages.create(
    model="claude-3-5-sonnet-20240620",
    max_tokens=1024,
    messages=[
        {
            "role": "user",
            "content": [
                {
                    "type": "image",
                    "source": {
                        "type": "base64",
                        "media_type": image_media_type,
                        "data": image_data,
                    },
                },
                {
                    "type": "text",
                    "text": "Describe this image."
                }
            ],
        }
    ],
)


    return relevant_images[0][0], message.content

# Example usage:
query = ["What is my grandpa holding"]
image, text = Smart_gallery(conn, client, "claude-3-5-sonnet-20240620", query)

plt.imshow(Image.open(image))
print(text)

以下是检索到的图像和查询结果：

一位老人拿着一个小木柜

该模型通过计算图像搜索检索到的结果的嵌入距离和文本，并进行分析后，提供了结果。

>>> 图像显示一位头发花白、留着白胡子的老人，手里拿着一个看起来像是手工制作的木制橱柜或小型结构。他穿着灰色 T 恤，里面是白色长袖衬衫。他手中的木制品看起来像是玩具屋、宠物围栏或装饰性储物柜。它有雕刻的小门和小窗，看起来像房子。这位老人似乎是在家中，背景中可以看到窗帘。他的表情表明他可能正在检查或展示这件木制品，可能是他自己制作的。

万事俱备！感谢 pgvector 和 Claude Sonnet 3.5，我们成功地完成了 AI 驱动的图像库。

结论

受增强型检索增强生成 (RAG) 与 LLM 能力的启发，我们开发了一个 AI 图像搜索库。该系统根据文本查询检索类似图像，并将它们用作 Sonnet 3.5 的上下文。

为了将图像和文本链接起来，我们使用 CLIP 模型生成嵌入，然后使用 pgvector 将其存储在 PostgreSQL 中。我们执行了相似性搜索以检索图像路径，然后将其提供给 Sonnet 3.5 用于上下文。

Timescale 可以帮助您更快、更高效地构建 AI 应用程序。使用 Timescale Cloud，开发人员可以访问 pgvector、pgvectorscale 和 pgai——这些扩展将 PostgreSQL 变成易于使用且高性能的向量数据库，以及完全托管的云数据库体验。

pgia 和 pgvectorscale 均在 PostgreSQL 许可证下开源。如欲安装，请查看 pgia 和 pgvectorscale 的 GitHub 存储库（欢迎 ⭐！）。您可以在 Timescale Cloud PostgreSQL 平台上的任何数据库服务上访问 pgai 和 pgvectorscale。立即使用 Timescale Cloud 构建您的 AI 应用程序。

相关文章：

  1. 用AI制作应用
  2. Pgvector与Pinecone向量数据库对比
  3. AI武装的老专家怎么写程序？

发表回复

您的邮箱地址不会被公开。 必填项已用 * 标注