Nomic / nomic-embed-vision-v1.5
Milvus Integrated
Tâche: Intégration
Modalité: Image
Métrique de similarité: Cosinus
Licence: Apache 2.0
Dimensions: 768
Tokens d'entrée max:
Prix: Gratuit
Introduction à nomic-embed-vision-v1.5
Le modèle nomic-embed-vision-v1.5 est un modèle d’embedding visuel entièrement réplicable, aligné sur l’espace latent de nomic-embed-text-v1.5, rendant tous les embeddings de texte multimodaux et directement compatibles avec les embeddings d’images. Son encodeur visuel de 92M de paramètres permet l’embedding d’images et de texte, la recherche sémantique unimodale et la récupération multimodale sur les deux types de données.
Comment créer des embeddings avec nomic-embed-vision-v1.5
Il existe deux principales façons de générer des embeddings vectoriels :
- PyMilvus : le SDK Python pour Milvus qui intègre parfaitement le modèle
nomic-embed-vision-v1.5. - Le module
embeddans le SDK Python Nomic fournit une fonctionnalité d’embedding à l’aide de la Nomic Embedding API.
Une fois les embeddings vectoriels générés, ils peuvent être stockés dans Zilliz Cloud (un service de base de données vectorielle entièrement géré, propulsé par Milvus) et utilisés pour la recherche de similarité sémantique. Voici quatre étapes clés :
- Inscrivez-vous gratuitement pour créer un compte Zilliz Cloud.
- Configurez un cluster serverless et obtenez le Public Endpoint et la clé API.
- Créez une collection vectorielle et insérez vos embeddings vectoriels.
- Exécutez une recherche sémantique sur les embeddings stockés.
Créer des embeddings via PyMilvus et les insérer dans Zilliz Cloud pour la recherche sémantique
from pymilvus import MilvusClient
from nomic import embed
# Prepare images (can be local paths or URLs)
images = ["path/to/image1.jpg", "path/to/image2.jpg", "path/to/image3.jpg"]
# Generate embeddings for images using nomic-embed-vision-v1.5
image_embeddings = embed.image(images=images, model="nomic-embed-vision-v1.5")[
"embeddings"
]
# Prepare query image
query_images = ["path/to/query_image.jpg"]
# Generate embeddings for query
query_embeddings = embed.image(images=query_images, model="nomic-embed-vision-v1.5")[
"embeddings"
]
# Connect to Zilliz Cloud with Public Endpoint and API Key
client = MilvusClient(uri=ZILLIZ_PUBLIC_ENDPOINT, token=ZILLIZ_API_KEY)
COLLECTION = "nomic_vision_v1_5_images"
# Drop collection if it exists
if client.has_collection(collection_name=COLLECTION):
client.drop_collection(collection_name=COLLECTION)
# Create collection with dimension 768 (nomic-embed-vision-v1.5 output dimension)
client.create_collection(collection_name=COLLECTION, dimension=768, auto_id=True)
# Insert images with embeddings
for image, embedding in zip(images, image_embeddings):
client.insert(COLLECTION, {"image_path": image, "vector": embedding})
# Search for similar images
results = client.search(
collection_name=COLLECTION,
data=query_embeddings,
# consistency_level="Strong", # Strong consistency ensures accurate results but may increase latency
output_fields=["image_path"],
limit=3,
)
# Print search results
print("Similar images found:")
for result in results[0]:
print(f" - {result['entity']['image_path']} (distance: {result['distance']:.4f})")
Pour plus d’informations, consultez notre documentation sur le modèle d’embedding PyMilvus.
- Introduction à nomic-embed-vision-v1.5
- Comment créer des embeddings avec nomic-embed-vision-v1.5
Contenu
Workflows IA fluides
Des embeddings à la recherche IA évolutive - Zilliz Cloud vous permet de stocker, indexer et récupérer des embeddings avec une vitesse et une efficacité inégalées.
Essayer Zilliz Cloud gratuitement
