वीओसी अन्वेषण उदाहरण¶

中文 | 한국어 | 日本語 | Русский | Deutsch | Français | Español | Português | हिन्दी | العربية

में आपका स्वागत है Ultralytics एक्सप्लोरर एपीआई नोटबुक! यह नोटबुक उपयोग प्रारंभ करने में आपकी मदद करने के लिए उपलब्ध विभिन्न संसाधनों का अन्वेषण करने के लिए प्रारंभिक बिंदु के रूप में कार्य करती है Ultralytics सिमेंटिक खोज की शक्ति का उपयोग करके अपने डेटासेट का पता लगाने के लिए। आप उपयोगिताओं को बॉक्स से बाहर कर सकते हैं जो आपको वेक्टर खोज या यहां तक कि एसक्यूएल प्रश्नों का उपयोग करके विशिष्ट प्रकार के लेबल की जांच करने की अनुमति देते हैं।

हम आशा करते हैं कि इस नोटबुक के संसाधन इसका अधिकतम लाभ उठाने में आपकी मदद करेंगे Ultralytics. कृपया विवरण के लिए एक्सप्लोरर डॉक्स ब्राउज़ करें , समर्थन के लिए GitHub पर एक मुद्दा उठाएं, और प्रश्नों और चर्चाओं के लिए हमारे डिस्कॉर्ड समुदाय में शामिल हों!

कोशिश करना yolo explorer Exlorer API द्वारा संचालित

भर pip install ultralytics और चलाएं yolo explorer अपने टर्मिनल में अपने ब्राउज़र के अंदर अपने डेटासेट पर कस्टम क्वेरी और सिमेंटिक खोज चलाने के लिए!

सेटअप¶

पिप स्थापित करें ultralytics और निर्भरताएँ और सॉफ्टवेयर और हार्डवेयर की जांच करें।

समानता खोज¶

एम्बेडिंग स्पेस में उनकी दूरी के साथ अपने डेटासेट में समान डेटा बिंदुओं को खोजने के लिए वेक्टर समानता खोज की शक्ति का उपयोग करें। बस दिए गए डेटासेट-मॉडल जोड़ी के लिए एक एम्बेडिंग तालिका बनाएं। इसकी केवल एक बार आवश्यकता होती है और इसे स्वचालित रूप से पुन: उपयोग किया जाता है।

एक एम्बेडिंग तालिका बनाई गई है, आप निम्न में से किसी भी तरीके से सिमेंटिक खोज चला सकते हैं:

• डेटासेट में दिए गए सूचकांक/सूचकांकों की सूची पर जैसे - exp.get_similar(idx=[1,10], limit=10)
• किसी भी छवि/छवियों की सूची पर जो डेटासेट में नहीं है - exp.get_similar(img=["path/to/img1", "path/to/img2"], limit=10) कई इनपुट के मामले में, उनके एम्बेडिंग के एग्रीगेड का उपयोग किया जाता है।

आपको एक पांडा डेटाफ्रेम मिलता है limit अधिकांश समान डेटा की संख्या इनपुट को इंगित करती है, साथ ही एम्बेडिंग स्पेस में उनकी दूरी के साथ। आप आगे फ़िल्टरिंग करने के लिए इस डेटासेट का उपयोग कर सकते हैं

आप भी इसी तरह के नमूनों का उपयोग कर सीधे साजिश का उपयोग कर सकते हैं plot_similar यूटिल

2. एआई से पूछें: प्राकृतिक भाषा के साथ खोजें या फ़िल्टर करें¶

आप एक्सप्लोरर ऑब्जेक्ट को उस प्रकार के डेटा बिंदुओं के साथ संकेत दे सकते हैं जिन्हें आप देखना चाहते हैं और यह उन लोगों के साथ डेटाफ़्रेम वापस करने का प्रयास करेगा। क्योंकि यह एलएलएम द्वारा संचालित है, यह हमेशा इसे सही नहीं करता है। उस स्थिति में, यह कोई नहीं लौटाएगा।

इन परिणामों को प्लॉट करने के लिए आप उपयोग कर सकते हैं plot_query_result यूटिल उदाहरण:

plt = plot_query_result(exp.ask_ai("show me 10 images containing exactly 2 persons"))
Image.fromarray(plt)

3. अपने डेटासेट पर SQL क्वेरी चलाएँ! ¶

कभी-कभी आप अपने डेटासेट में एक निश्चित प्रकार की प्रविष्टियों की जांच करना चाह सकते हैं। इसके लिए एक्सप्लोरर आपको SQL प्रश्नों को निष्पादित करने की अनुमति देता है। यह किसी भी प्रारूप को स्वीकार करता है:

• "WHERE" से शुरू होने वाली क्वेरीज़ स्वचालित रूप से सभी स्तंभों का चयन करेंगी. इसे शॉर्ट-हैंड क्वेरी के रूप में सोचा जा सकता है
• आप पूर्ण क्वेरीज़ भी लिख सकते हैं जहाँ आप निर्दिष्ट कर सकते हैं कि कौन से कॉलम का चयन करना है

इसका उपयोग मॉडल प्रदर्शन और विशिष्ट डेटा बिंदुओं की जांच के लिए किया जा सकता है। उदाहरण के लिए:

• मान लीजिए कि आपका मॉडल उन छवियों पर संघर्ष करता है जिनमें मनुष्य और कुत्ते हैं। आप उन बिंदुओं का चयन करने के लिए इस तरह एक क्वेरी लिख सकते हैं जिनमें कम से कम 2 इंसान और कम से कम एक कुत्ता है।

आप विशिष्ट प्रकार के परिणामों को फ़िल्टर करने के लिए SQL क्वेरी और सिमेंटिक खोज को जोड़ सकते हैं

समानता खोज की तरह, आपको सीधे एसक्यूएल प्रश्नों का उपयोग करके प्लॉट करने के लिए एक उपयोगिता भी मिलती है exp.plot_sql_query

3. एम्बेडिंग तालिका (उन्नत)¶ के साथ कार्य करना

एक्सप्लोरर पर काम करता है लांसडीबी आंतरिक रूप से तालिकाएँ। आप का उपयोग कर सीधे इस तालिका तक पहुँच सकते हैं Explorer.table ऑब्जेक्ट करें और कच्चे प्रश्नों को चलाएं, प्री और पोस्ट फ़िल्टर आदि को नीचे धकेलें।

कच्चे प्रश्न चलाएँ¶

वेक्टर खोज डेटाबेस से निकटतम वैक्टर ढूंढता है। एक सिफारिश प्रणाली या खोज इंजन में, आप अपने द्वारा खोजे गए समान उत्पादों को पा सकते हैं। एलएलएम और अन्य एआई अनुप्रयोगों में, प्रत्येक डेटा बिंदु को कुछ मॉडलों से उत्पन्न एम्बेडिंग द्वारा प्रस्तुत किया जा सकता है, यह सबसे प्रासंगिक सुविधाओं को लौटाता है।

उच्च-आयामी वेक्टर स्पेस में एक खोज, क्वेरी वेक्टर के के-निकटतम-पड़ोसियों (केएनएन) को ढूंढना है।

परिमाणात्‍मक लांसडीबी में, एक मीट्रिक वैक्टर की एक जोड़ी के बीच की दूरी का वर्णन करने का तरीका है। वर्तमान में, यह निम्नलिखित मीट्रिक का समर्थन करता है:

• L2
• कोज्‍या
• बिंदु लगाना एक्सप्लोरर की समानता खोज डिफ़ॉल्ट रूप से L2 का उपयोग करती है। आप सीधे तालिकाओं पर क्वेरी चला सकते हैं, या डेटासेट प्रबंधित करने के लिए कस्टम उपयोगिताओं के निर्माण के लिए लांस प्रारूप का उपयोग कर सकते हैं। डॉक्स में उपलब्ध लांसडीबी टेबल ऑप्स पर अधिक जानकारी

लोकप्रिय डेटा प्रारूपों में अंतर-रूपांतरण¶

एम्बेडिंग¶ के साथ काम करें

आप लांसडीबी टेबल से कच्चे एम्बेडिंग तक पहुंच सकते हैं और इसका विश्लेषण कर सकते हैं। छवि एम्बेडिंग कॉलम में संग्रहीत की जाती हैं vector

स्कैटरप्लॉट¶

एम्बेडिंग का विश्लेषण करने में प्रारंभिक चरणों में से एक उन्हें आयामीता में कमी के माध्यम से 2 डी स्पेस में प्लॉट करना है। आइए एक उदाहरण देखें

4. समानता सूचकांक¶

यहां एम्बेडिंग तालिका द्वारा संचालित ऑपरेशन का एक सरल उदाहरण दिया गया है। एक्सप्लोरर एक के साथ आता है similarity_index परिचालन-

• यह अनुमान लगाने की कोशिश करता है कि शेष डेटासेट के साथ प्रत्येक डेटा बिंदु कितना समान है।
• यह गिनती करके करता है कि कितने छवि एम्बेडिंग करीब झूठ बोलते हैं max_dist उत्पन्न एम्बेडिंग स्थान में वर्तमान छवि के लिए, विचार करते हुए top_k एक समय में इसी तरह की छवियां।

किसी दिए गए डेटासेट के लिए, मॉडल, max_dist & top_k एक बार उत्पन्न समानता सूचकांक का पुन: उपयोग किया जाएगा। यदि आपका डेटासेट बदल गया है, या आपको बस समानता सूचकांक को पुन: उत्पन्न करने की आवश्यकता है, तो आप पास कर सकते हैं force=True. वेक्टर और एसक्यूएल खोज के समान, यह भी सीधे इसे प्लॉट करने के लिए एक उपयोगिता के साथ आता है। आइए पहले प्लॉट को देखें

अब आइए ऑपरेशन के आउटपुट को देखें

आइए यह देखने के लिए एक क्वेरी बनाएं कि किन डेटा बिंदुओं में 30 से अधिक की समानता गणना है और उनके समान छवियों को प्लॉट करें।

आपको कुछ इस तरह देखना चाहिए