Ultralytics 탐색기 API

소개

Explorer API는 데이터 세트를 탐색하기 위한 Python API입니다. SQL 쿼리, 벡터 유사성 검색, 시맨틱 검색을 사용하여 데이터 집합을 필터링하고 검색할 수 있습니다.

Watch: Ultralytics Explorer API 개요

설치

Explorer는 일부 기능을 외부 라이브러리에 의존합니다. 이러한 라이브러리는 사용 시 자동으로 설치됩니다. 이러한 종속성을 수동으로 설치하려면 다음 명령을 사용하세요:

pip install ultralytics[explorer]

사용법

from ultralytics import Explorer

# Create an Explorer object
explorer = Explorer(data="coco128.yaml", model="yolo11n.pt")

# Create embeddings for your dataset
explorer.create_embeddings_table()

# Search for similar images to a given image/images
dataframe = explorer.get_similar(img="path/to/image.jpg")

# Or search for similar images to a given index/indices
dataframe = explorer.get_similar(idx=0)

임베딩 테이블을 강제로 업데이트하려면 다음과 같이 전달할 수 있습니다. force=True 에 create_embeddings_table 메서드를 사용합니다.

LanceDB 테이블 개체에 직접 액세스하여 고급 분석을 수행할 수 있습니다. 임베딩 테이블로 작업하기 섹션에서 자세히 알아보세요.

1. 유사 검색

유사도 검색은 주어진 이미지와 유사한 이미지를 찾는 기술입니다. 비슷한 이미지에는 비슷한 임베딩이 있을 것이라는 생각에 기반합니다. 임베딩 테이블이 구축되면 다음 중 한 가지 방법으로 시맨틱 검색을 실행할 수 있습니다:

• 데이터 집합의 지정된 인덱스 또는 인덱스 목록에서: exp.get_similar(idx=[1,10], limit=10)
• 데이터 세트에 없는 이미지 또는 이미지 목록에서: exp.get_similar(img=["path/to/img1", "path/to/img2"], limit=10)

여러 개의 입력이 있는 경우 임베딩된 항목의 합산값이 사용됩니다.

판다 데이터 프레임이 포함된 limit 임베딩 공간에서의 거리와 함께 입력과 가장 유사한 데이터 포인트의 수입니다. 이 데이터 세트를 사용하여 추가 필터링을 수행할 수 있습니다.

from ultralytics import Explorer

# create an Explorer object
exp = Explorer(data="coco128.yaml", model="yolo11n.pt")
exp.create_embeddings_table()

similar = exp.get_similar(img="https://ultralytics.com/images/bus.jpg", limit=10)
print(similar.head())

# Search using multiple indices
similar = exp.get_similar(
    img=["https://ultralytics.com/images/bus.jpg", "https://ultralytics.com/images/bus.jpg"],
    limit=10,
)
print(similar.head())

from ultralytics import Explorer

# create an Explorer object
exp = Explorer(data="coco128.yaml", model="yolo11n.pt")
exp.create_embeddings_table()

similar = exp.get_similar(idx=1, limit=10)
print(similar.head())

# Search using multiple indices
similar = exp.get_similar(idx=[1, 10], limit=10)
print(similar.head())

유사한 이미지 플로팅

유사한 이미지를 사용하여 플로팅할 수도 있습니다. plot_similar 메서드를 사용합니다. 이 메서드는 다음과 동일한 인수를 사용합니다. get_similar 를 클릭하고 유사한 이미지를 그리드에 표시합니다.

from ultralytics import Explorer

# create an Explorer object
exp = Explorer(data="coco128.yaml", model="yolo11n.pt")
exp.create_embeddings_table()

plt = exp.plot_similar(img="https://ultralytics.com/images/bus.jpg", limit=10)
plt.show()

from ultralytics import Explorer

# create an Explorer object
exp = Explorer(data="coco128.yaml", model="yolo11n.pt")
exp.create_embeddings_table()

plt = exp.plot_similar(idx=1, limit=10)
plt.show()

2. AI에게 질문(자연어 쿼리)

이를 통해 자연어를 사용하여 데이터 집합을 필터링하는 방법을 작성할 수 있습니다. SQL 쿼리 작성에 능숙할 필요는 없습니다. AI 기반 쿼리 생성기가 자동으로 처리해 줍니다. 예를 들어, "사람과 개가 정확히 한 마리씩 있는 이미지 100장을 보여주세요. 다른 개체도 있을 수 있어"라고 말하면 내부적으로 쿼리를 생성하고 그 결과를 보여줍니다. 참고: 이 기능은 내부적으로 LLM을 사용하여 작동하므로 결과는 확률적이기 때문에 가끔 잘못된 결과가 나올 수 있습니다.

from ultralytics import Explorer
from ultralytics.data.explorer import plot_query_result

# create an Explorer object
exp = Explorer(data="coco128.yaml", model="yolo11n.pt")
exp.create_embeddings_table()

df = exp.ask_ai("show me 100 images with exactly one person and 2 dogs. There can be other objects too")
print(df.head())

# plot the results
plt = plot_query_result(df)
plt.show()

3. SQL 쿼리

다음을 사용하여 데이터 집합에서 SQL 쿼리를 실행할 수 있습니다. sql_query 메서드를 호출합니다. 이 메서드는 SQL 쿼리를 입력으로 받아 결과와 함께 판다스 데이터 프레임을 반환합니다.

from ultralytics import Explorer

# create an Explorer object
exp = Explorer(data="coco128.yaml", model="yolo11n.pt")
exp.create_embeddings_table()

df = exp.sql_query("WHERE labels LIKE '%person%' AND labels LIKE '%dog%'")
print(df.head())

SQL 쿼리 결과 플로팅

또한 다음을 사용하여 SQL 쿼리 결과를 플로팅할 수도 있습니다. plot_sql_query 메서드를 사용합니다. 이 메서드는 다음과 동일한 인수를 사용합니다. sql_query 를 클릭하고 결과를 그리드에 표시합니다.

from ultralytics import Explorer

# create an Explorer object
exp = Explorer(data="coco128.yaml", model="yolo11n.pt")
exp.create_embeddings_table()

# plot the SQL Query
exp.plot_sql_query("WHERE labels LIKE '%person%' AND labels LIKE '%dog%' LIMIT 10")

4. 임베딩 테이블로 작업하기

임베딩 테이블로 직접 작업할 수도 있습니다. 임베딩 테이블이 생성되면 임베딩 테이블에 액세스할 수 있습니다. Explorer.table

from ultralytics import Explorer

exp = Explorer()
exp.create_embeddings_table()
table = exp.table

다음은 표로 할 수 있는 몇 가지 예시입니다:

원시 임베딩 가져오기

from ultralytics import Explorer

exp = Explorer()
exp.create_embeddings_table()
table = exp.table

embeddings = table.to_pandas()["vector"]
print(embeddings)

사전 및 사후 필터를 사용한 고급 쿼리 기능

from ultralytics import Explorer

exp = Explorer(model="yolo11n.pt")
exp.create_embeddings_table()
table = exp.table

# Dummy embedding
embedding = [i for i in range(256)]
rs = table.search(embedding).metric("cosine").where("").limit(10)

벡터 인덱스 생성

대규모 데이터 집합을 사용하는 경우 더 빠른 쿼리를 위해 전용 벡터 인덱스를 만들 수도 있습니다. 이 작업은 create_index 메서드를 사용합니다.

table.create_index(num_partitions=..., num_sub_vectors=...)

사용 가능한 벡터 인덱스 유형 및 매개변수에 대한 자세한 내용은 여기에서 확인하세요. 향후에는 탐색기 API에서 직접 벡터 인덱스를 생성할 수 있는 기능을 추가할 예정입니다.

5. 임베딩 애플리케이션

임베딩 테이블을 사용하여 다양한 탐색 분석을 수행할 수 있습니다. 다음은 몇 가지 예입니다:

유사성 지수

Explorer는 다음과 같이 제공됩니다. similarity_index 작동합니다:

• 각 데이터 포인트가 나머지 데이터 세트와 얼마나 유사한지 추정합니다.
• 얼마나 많은 이미지 임베딩이 다음보다 가까운 곳에 있는지 계산하여 이를 수행합니다. max_dist 를 생성된 임베딩 공간의 현재 이미지에 추가합니다. top_k 비슷한 이미지를 한 번에 볼 수 있습니다.

다음 열이 포함된 판다 데이터 프레임을 반환합니다:

• idx: 데이터 세트의 이미지 인덱스
• im_file: 이미지 파일 경로
• count: 데이터 세트에서 다음보다 가까운 이미지 수 max_dist 를 현재 이미지로
• sim_im_files: 경로 목록 count 유사한 이미지

from ultralytics import Explorer

exp = Explorer()
exp.create_embeddings_table()

sim_idx = exp.similarity_index()

유사성 인덱스를 사용하여 사용자 지정 조건을 작성하여 데이터 집합을 필터링할 수 있습니다. 예를 들어 다음 코드를 사용하여 데이터 세트의 다른 이미지와 유사하지 않은 이미지를 필터링할 수 있습니다:

import numpy as np

sim_count = np.array(sim_idx["count"])
sim_idx["im_file"][sim_count > 30]

임베딩 공간 시각화

원하는 플로팅 도구를 사용하여 임베딩 공간을 시각화할 수도 있습니다. 예를 들어 다음은 matplotlib를 사용한 간단한 예시입니다:

import matplotlib.pyplot as plt
from sklearn.decomposition import PCA

# Reduce dimensions using PCA to 3 components for visualization in 3D
pca = PCA(n_components=3)
reduced_data = pca.fit_transform(embeddings)

# Create a 3D scatter plot using Matplotlib Axes3D
fig = plt.figure(figsize=(8, 6))
ax = fig.add_subplot(111, projection="3d")

# Scatter plot
ax.scatter(reduced_data[:, 0], reduced_data[:, 1], reduced_data[:, 2], alpha=0.5)
ax.set_title("3D Scatter Plot of Reduced 256-Dimensional Data (PCA)")
ax.set_xlabel("Component 1")
ax.set_ylabel("Component 2")
ax.set_zlabel("Component 3")

plt.show()

탐색기 API를 사용하여 나만의 이력서 데이터 세트 탐색 보고서를 만들어 보세요. 영감을 얻으려면

Ultralytics 탐색기를 사용하여 구축한 앱

익스플로러 API 기반 GUI 데모 체험하기

곧 출시 예정

• [ ] 데이터 집합에서 특정 레이블을 병합합니다. 예 - 모두 가져오기 person 라벨과 car 도시 풍경의 레이블
• [ ] 지정된 임계값보다 유사도 지수가 높은 이미지를 제거합니다.
• [ ] 항목 병합/제거 후 새 데이터 세트 자동 유지
• [ ] 고급 데이터 집합 시각화

자주 묻는 질문

Ultralytics 익스플로러 API는 어떤 용도로 사용되나요?

Ultralytics Explorer API는 포괄적인 데이터 세트 탐색을 위해 설계되었습니다. 사용자는 SQL 쿼리, 벡터 유사성 검색, 시맨틱 검색을 사용해 데이터 세트를 필터링하고 검색할 수 있습니다. 이 강력한 Python API는 대규모 데이터 세트를 처리할 수 있어 Ultralytics 모델을 사용하는 다양한 컴퓨터 비전 작업에 이상적입니다.

Ultralytics 익스플로러 API는 어떻게 설치하나요?

Ultralytics Explorer API를 종속 요소와 함께 설치하려면 다음 명령을 사용합니다:

pip install ultralytics[explorer]

이렇게 하면 탐색기 API 기능에 필요한 모든 외부 라이브러리가 자동으로 설치됩니다. 추가 설정에 대한 자세한 내용은 문서의 설치 섹션을 참조하세요.

유사도 검색에 Ultralytics 익스플로러 API를 사용하려면 어떻게 해야 하나요?

Ultralytics Explorer API를 사용하여 임베딩 테이블을 생성하고 유사한 이미지를 쿼리하여 유사성 검색을 수행할 수 있습니다. 다음은 기본적인 예시입니다:

from ultralytics import Explorer

# Create an Explorer object
explorer = Explorer(data="coco128.yaml", model="yolo11n.pt")
explorer.create_embeddings_table()

# Search for similar images to a given image
similar_images_df = explorer.get_similar(img="path/to/image.jpg")
print(similar_images_df.head())

자세한 내용은 유사도 검색 섹션을 참조하세요.

Ultralytics Explorer와 함께 LanceDB를 사용하면 어떤 이점이 있나요?

Ultralytics Explorer에서 내부적으로 사용하는 LanceDB는 확장 가능한 온디스크 임베딩 테이블을 제공합니다. 따라서 COCO와 같은 대규모 데이터 세트에 대해 메모리 부족 없이 임베딩을 생성하고 재사용할 수 있습니다. 이러한 테이블은 한 번만 생성되고 재사용할 수 있으므로 데이터 처리의 효율성이 향상됩니다.

'AI에게 질문' 기능은 Ultralytics 탐색기 API에서 어떻게 작동하나요?

'AI에 질문' 기능을 사용하면 자연어 쿼리를 사용하여 데이터 세트를 필터링할 수 있습니다. 이 기능은 LLM을 활용하여 이러한 쿼리를 백그라운드에서 SQL 쿼리로 변환합니다. 다음은 예시입니다:

from ultralytics import Explorer

# Create an Explorer object
explorer = Explorer(data="coco128.yaml", model="yolo11n.pt")
explorer.create_embeddings_table()

# Query with natural language
query_result = explorer.ask_ai("show me 100 images with exactly one person and 2 dogs. There can be other objects too")
print(query_result.head())

더 많은 예시를 보려면 AI에게 질문하기 섹션을 참조하세요.

11개월 전 생성됨 ✏️ 1개월 전 업데이트됨

댓글