企业级的以图搜图实战——milvus+minio+gradio+resnet - 知乎

安宇雨 - 随手采集
2025-08-23 14:25:46
随手采集
0000-未整理-等待研究

今天笔者带来一个企业级的以图搜图的实战教程。其主要目的是学习一下以图搜图如果产品化后，需要用到一些什么样得数据存储，数据检索工具。此项目技术选项如下：

图片数据存储工具：

minio 一个轻量化的oss的分布式对象存储引擎

图片向量数据存储和检索工具：milvus 向量存储和检索引擎，内置了faiss，HNSW,annoy等多种ann向量检索算法。

图片向量化：resnet 算法进行图片向量抽取

前后端demo工具：gradio一个轻便的机器学习模型的demo部署包

上述工具的使用使得此以图搜图服务非常接近企业级别的可用程度，只需将前后端工具升级替换一下，就可以上线提供服务了。

接下来我就手把手的教大家开发一个以图搜图服务。

项目简介

milvus这个目录: 是milvus 和 minio 安装yaml，milvus 服务和 minio服务都是通过docker 进行安装的,这样比较契合云原生的服务部署思想。
ILSVRC2012_img_val目录：本次服务的测试图片，只放了500多张图片。
model目录：放的是resnet的在 imagenet上预训练的模型权重下载地址，将模型下载下来后放到此文件夹下。
tools 这个目录：

1.MilvusTools.py： milvus 客户端代码，实现了向量的插入，索引的构建，索引的加载和向量检索功能

2.MinioTools.py： minio 客户端代码，目前没实现特别有价值的代码。

3.ResNetEmbeding.py：图片向量化工具的脚本

SearchServer.py：基于gradio实现的服务代码

项目地址在此https://github.com/wp931120/picSearch

project.png

milvus和minio的简介和安装

进入milvus 目录后执行一下命令，milvus 和 minio服务就启动起来了。备注：milvus 单机版已经包含minio服务。

docker-compose up -d

接下来我们在安装一下milvus的可视化客户端 attu,执行一下命令。

docker run --name attu -p 8000:3000 -d -e MILVUS_URL={your machine IP} zilliz/attu:latest

从docker的面板上就可以看到目前启动了4个容器，一个milvus；一个 minio，端口是9090和9000 ；一个 attu，端口是3000, 还有一个etcd（此服务是一个key-value存储服务，主要用于共享配置和服务发现）。

docker.png

通过localhost:3000即可访问attu服务，查看milvus存储的向量情况。

attu.png

通过localhost:9000即可访问minio web服务客户端去查看存储的对象文件。并可以进行文件的增删改查。

minio.png

图片导入minio

新建一个picture bucket，为了此bucket能被公网访问，将隐私设置改为public。然后就可以将图片上传到此bucket。

minio.png

笔者将ILSVRC2012_img_val文件夹下的图片全部上传到minio。这样通过 http://localhost9000/picture/+图片名 即可访问到minio中的图片了。

iminio.png

milvus插入并加载图片向量

运行MilvusTools.py中的主函数，代码如下，主要做了如下动作： 1.远程拿到minio中的图片 2.采用预训练的resnet 对图片的特征向量进行抽取 3.将图片向量存入milvus向量数据库，并构建索引 4.想图片向量索引加载到内存，提高检索服务

milvusTool = MilvusTools() 
    miniotool = MinioTools()
    pics = miniotool.lists_bucket("picture") ### 列出minio picture bucket中所有存储的图片
    resnet = ResNetEmbeding("../model/resnet50_weights_tf_dim_ordering_tf_kernels_notop.h5") ###加载resnet 预训练向量
    paths = []
    embs = []
    for i in pics:
        path = "http://localhost:9000/picture/" + i
        emb = resnet.extract_feature(path) ###抽取图片向量
        paths.append(path)
        embs.append(emb)
    data = [paths, embs]
    print(len(data[1]))
    milvusTool.create_collection("picture") ###创建cellection
    milvusTool.insert_data("picture", data) ###插入图片向量
    milvusTool.build_index("picture", "pic_vec")###构建index
    milvusTool.load("picture")###加载cellection到内存，提供检索

完成上述步骤后，我们就可以通过attu看到我们刚刚插入并加载的图片向量。

collection.png

还可以看一看向量数据每个字段的具体取值。其中检索返回后返回的就是图片的minio地址。