视频教学｜轻松三步搭建 Milvus 以图搜图系统

Zilliz Planet

于 2020-03-20 11:13:04 发布

阅读量1.3k

点赞数

CC 4.0 BY-SA版权

分类专栏： Milvus 文章标签：深度学习 tensorflow pytorch 算法

本文链接：https://blog.csdn.net/weixin_44839084/article/details/104985597

Milvus 专栏收录该内容

218 篇文章

订阅专栏

【戴口罩特别版】Milvus 手把手教你搭建以图搜图系统

响应众多朋友对以图搜图技术的热情，本周三我们推出了 Milvus 第一期线上直播。用 Milvus 以图搜图真的很简单，别说我骗你，我们有以上影片为证

| 三步轻松上手 Milvus

第一步：打开视频

第二步：跟着视频操作

第三步：加入 Milvus 交流群

这三步有记起来了吗？

| 欢迎加入 Milvus 社区

github.com/milvus-io/milvus | 源码

milvus.io | 官网

milvusio.slack.com | Slack 社区

zhihu.com/org/zilliz-11/columns | 知乎

zilliz.blog.csdn.net | CSDN 博客

扫码进入技术交流群

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

Zilliz Planet

关注关注

0
点赞
踩
3

收藏

觉得还不错? 一键收藏
1
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

专栏目录

1 条评论您还未登录，请先登录后发表或查看评论

博客

最佳实践|Zilliz 如何助力MiniMax的AI落地与预训练数据管理

08-06

409

但通常来说，这数百亿文档中会存在大量重复冗余内容，不仅浪费计算资源，更导致大模型反复“咀嚼”相同的知识，在重复内容上过拟合，降低了对新信息的泛化能力。其中，MinHash 负责将文档压缩为签名（目前，MinHash 向量，需要用户自己生成），LSH 负责高效缩小搜索空间，从而快速定位潜在重复，帮助企业完成百亿级语料下的预处理优化。更关键的是，这些数据并不是静态的。为此，我们不仅需要更大的计算资源，也对非结构化数据的管理提出了更高的要求，对应的数据存储、处理、传输和检索系统升级已经迫在眉睫。

博客

Milvus × 联想：向量数据库如何让制造业库存周转率提升10%

07-31

973

要补的话，补多少才合适？早期我们主要靠人工加正则表达式，从这些描述里提取关键词来判断机型，但部分物料的模糊匹配准确率并不理想，而随着物料越来越多、描述越来越乱，这套方法不仅效率低，出错率还不小，维护起来也特别头大。更重要的是，大家不仅能回忆当初，还能基于数据做出更扎实的总结和判断，帮助采购团队精准制定补货策略，避免缺货风险，同时控制好库存规模，提升资金效率。有了这个基础，不管是老物料还是新物料，只要录入信息，就能通过相似度检索快速找到最像的那类物料，然后一键分类搞定，效率和准确率都上了一个台阶。

博客

Milvus北辰使者的来信：Milvus Workshop是什么，我们为什么做这件事

07-25

881

Milvus Workshop 通过提供结构化、动手实践的学习体验，为用户在其 AI 和 ML 项目中充分利用 Milvus 提供了入门指南。它通过提供丰富的教程、示例代码和实践项目，降低 Milvus 的学习门槛，帮助开发者更高效地掌握和应用向量数据库技术。社区协作需求：开发者希望有一个开放的平台，可以分享 Milvus 的使用经验、案例和最佳实践。促进社区协作：鼓励开发者贡献自己的案例、工具和经验，打造一个活跃的 Milvus 学习社区。Milvus 的崛起与社区需求。Milvus北辰使者。

博客

直播预告丨运维部署有妙招！Milvus 稳定运行秘籍大公开

07-24

202

刘川丰将结合实战经验，详解 Milvus 运维部署的最佳实践，助力大家解决日常运维中的痛点问题，让 Milvus 运行更稳定高效。欢迎大家锁定 Zilliz 视频号直播间，和我们一起探索 Milvus 运维部署的门道，提升 Milvus 使用体验！客户催上线，老板一句“今天下班前搞定”，你却要手动改一堆 YAML、调资源、配高可用、还得盯着监控别挂了服务？更有自由讨论环节开放提问，现场提出在 Milvus 运维部署中遇到的困惑，与讲师深入交流。7 月 31 日 20:00-21:0。

博客

ES vs Milvus vs PG vector :LLM时代的向量数据库选型指南

07-17

833

但只有开源是不够的，大型开源项目的迭代维护是需要很高的人力投入，单靠个人开发者几乎无法支撑，业界知名的数据服务相关的开源项目，比如Spark、MongoDB、Kafka，背后都是有成熟的商业化公司在运营。在此基础上，VDB的商业化方案，则应该保持云中立，在保证弹性、低运维投入的基础上，能满足不同业务、不同地区产品，以及不同阶段企业的多样化需求。Top-K相似性检索是最常见的向量检索需求，但除此之外过滤检索、阈值检索、分组检索和混合检索，也是一个企业级向量数据库的必备功能。互联网时代，关系型数据库为王。

博客

实战|从grok4与kimi2谈谈，大模型进入十万亿训练数据时代，如何做数据查重

07-15

927

但一个问题是，来自公域互联网的这些预训练数据中往往会存在大量重复冗余内容，如果将其一股脑不加选择的用于预训练，不仅浪费计算资源，更会导致大模型反复“咀嚼”相同的知识，在重复内容上过拟合，降低了对新信息的泛化能力。根据IDC的预测，到2027年，全球范围内，没有统一格式、缺乏明确定义字段的非结构化数据，总量将达到近250ZB，占比达到整体数据总量的86.8%。（2）能用上Minhash LSH的场景，通常是针对百亿、千亿甚至万亿数据的查重，这对服务背后的性能、工程化能力全都提出了极为苛刻的要求。

博客

直播预告丨解锁运维部署最佳实践，让你的 Milvus 更稳定！

07-14

421

博客

推出了四个MCP后，我们发现MCP的落地速度已经赶不上吹牛速度

07-08

682

目前已经支持使用英语、中文、西班牙语等语言与数据库交互，例如：“查找与该产品描述相似的文档” 或 “创建一个存储 512 维图像嵌入的集合”，“创建一个免费的 Milvus 集群”，用户无需打开控制台，也不需要配置细节，即可获得即用型数据库实例。更直白来说，MCP本身很好，但大模型在精准理解人类意图环节就出了问题，或者大模型本身在执行过程中有幻觉，那MCP自然也无法满足需求。开发成本降低，大模型的工具使用能力增加，过去一些繁琐专业的操作，可以借助大模型以自然语言交互的方式来完成。

博客

超级黑马Read AI如何在美国把会议转录做成一门大生意

07-07

916

Assistant（会议助手）：自动加入 Zoom、Meet、Teams 等会议，实时收集发言、注意力、情感、发言频率等互动数据，自动记录每个发言人的“语气”和“情绪走势”（这是其核心功能，也是其争议来源）。Read AI 选择扩充其产品矩阵：日历同步、CRM同步、邮件汇总、即时通讯汇总、视频会议汇总功能依次上线，基于以上数据，Read AI又推出了会议总结、会议分析、多平台信息检索等功能，从前，用户要自己提问，才能得到回应。此外，用户要的不是原话，而是理解：他想知道，客户是不是在动摇；

博客

我们是向量数据库的领军企业，我们在等你来

07-03

1048

回顾历史，过去四十年的PC时代，如何更好的管理基础数据，诞生了Oracle这样三万亿（RMB）市值的巨头；目之所及，所有你听过的全球知名企业：英伟达、苹果、OpenAI、PayPal、AWS、微软、Google、阿里云……2. 精通Pulsar/Kafka/RabbitMQ、Etcd/Zookeeper等主流中间件系统的应用、排障、调优，并具备一定的二次定制能力。很显然，面对人工智能这样一个更广阔的市场，非结构化数据这样一个更大的蓝海，我们关于未来的想象力，不止于此。

博客

深度分析 | 自动驾驶数据挖掘的三座大山与向量数据库胜负手

07-03

1075

在自动驾驶算法持续迭代的背景下，Zilliz 允许对已有数据的 embedding 进行批量替换，配合 alias 机制可帮助业务在无感切换模型的同时保持数据查询的稳定性：Zilliz 支持同时写入由不同模型生成的向量，并可通过混合搜索（hybrid search）对多向量列进行检索，为模型对比和联合分析提供便利。同一时期，作为国内智驾投入最为激进的车企，小鹏正式宣布，面向智驾经验用户即刻推送无限XNGP智能辅助驾驶功能，并且，该功能将不限城市、不限路线，有导航的地方就能使用。

博客

G2发布最新向量数据库报告，Zilliz斩获最佳性能与最易用荣誉

07-02

764

举个简单的例子，很多向量数据库的报告，主要看的还是一些古早Benchmark测评数据，但这些Benchmark通常会做出一些不切实际的假设：比如，所有数据默认已经全部导入，索引已经完全建立。此外， Zilliz Cloud还提供了“易于使用的仪表盘和 API，用于数据库管理和监控”，以及简洁明了的文档体系，便于用户上手。从应用广度来看，向量数据库的场景仍在不断横向拓展，从RAG建设、知识库构建，搜索、推荐，再到生物制药、大模型数据管理、自动驾驶数据挖掘，每一个场景都有着完全不同的成本、性能、安全性考量。

博客

从8万+数据源提炼洞察，ChatGPT+Zilliz +LangChain如何成创新药研发新范式

07-01

912

与此同时，创新药产业还长期被专利悬崖所制约：即一款创新药的专利有效期通常仅有20年，而除掉漫长的6-10年临床，企业对药品的实际独占权仅有12-14年。也就是说，在这中间，加速任何一个环节尤其是耗时最久的临床期的效率与变革，无论对药企的发展，还是对病人的生存质量，都至关重要。，以及企业的内部私有数据，在进行数据汇总时，会分析和交叉核对不同来源的数据进行二次验证，从而保证信息的准确性以及及时性。能够处理数十亿个向量、具备商业级的系统可靠性、能够同时处理结构化信息，以及PDF在内格式复杂的非结构化内容。

博客

开源|VDBBench 1.0正式官宣，完全复刻业务场景，支持用户自定义数据集

06-27

843

比如，SIFT 和 GloVe 这类数据集通常用于较小规模的低维向量，但如今的模型，尤其是大模型（例如 OpenAI 和 Cohere 的嵌入模型），其向量维度通常远超这些传统数据集，且规模上也大得多。通常来说，带过滤条件的搜索是一个常见的实际应用场景，比如，在电商或推荐系统中，用户往往会根据不同的标签或特征筛选数据（如“颜色==红色”）。通过这样的数据集，我们能够测试系统在大规模高维数据上的表现，包括存储、查询和检索的性能，确保测试结果能够真实反映现代大数据场景下的挑战。

博客

直播预告丨聊聊Milvus 2.6新功能及背后的开发故事

06-26

283

圆桌环节更有技术负责人、QA大佬和社区主理人分享 Milvus 2.6 开发背后的故事，并现场解答社区用户问题。7 月 1 日晚上 20:00-21:00，Zilliz 视频号直播间，Zilliz 合伙人。欢迎大家锁定 Zilliz 视频号直播间，与我们一起探索 Milvus 2.6 的技术魅力！和研发VP 栾小凡将带来《一步到位，详解 Milvus 2.6 新功能》的分享，点击下方预约，共享知识探索之旅！开发者生产力拉满的新功能。性能不打折的技术升级。

博客

成本降50%、准确率提升40%，美国头部地产AI 公司用Agent弯道超车

06-25

589

针对关键交易，检索到的上下文会通过多个大型语言模型（如 Claude 或 OpenAI GPT）进行验证，以确保信息的准确性与多视角的理解，从而增强系统的稳健性和可信度。如此一来，你问：“XX交易的关联方以及各自适用的交易规则都有哪些”时，大模型无法直接回答的问题，使用RAG技术，将相关的历史资料汇集，就能生成一个足够准确又智能的回复。与此同时，客户的要求也越来越多，比如交易完成，所有的embedding数据就要删除，来保护客户隐私——高频的数据增删，对索引的构建与维护能力，提出了巨大的要求。

博客

干货|从FiDRAG到GraphRAG，RAG选型终极指南

06-24

840

随着RAG技术的不断演进，开发者可以根据需求选择合适的变体，应用于不同的领域和场景，解锁AI技术的新潜力。它能够快速定位关键信息，支持文本和图像的多模态检索，提升了检索的速度和精度。：与传统方法一次性检索所有数据的模式不同，新的RAG模型能够根据问题的具体需求，动态判断是否进行外部信息检索，显著提升了效率并减少了不必要的数据浪费。通过Zilliz Cloud的托管Milvus服务，开发者可以轻松地部署这些先进的RAG变体，推动AI技术的发展，助力各行业创造更加智能和高效的系统。

博客

官宣|Zilliz Cloud 建表功能大升级，更多检索类型支持，更低成本

06-20

837

本次调整，在 Schema 设计中将其与标量列、向量列并列展示，并辅以描述和使用场景说明，帮助用户理解这也是一种特殊的列类型，并了解其能力差异。本次优化我们将这些设置收起，既满足了功能需求，又确保了高频操作的易用性，使主要的建表流程更加简洁。现在，我们直接在界面中展示这些默认配置，并支持您根据实际需求进行修改，同时还提供了不同配置的作用及最佳实践，帮助用户轻松做出最适合的选择。同时，界面默认仅创建向量索引，缺乏对标量索引作用的说明，导致许多用户在高频使用标量字段进行筛选时未配置索引，进而严重影响查询性能。

博客

热点|Anthropic vs Devin：成本15倍换90%性能提升，Multi-Agent没有未来？

06-19

296

多智能体系统中，每个AI都有自己的"认知边界"和"知识盲区"，当它们各自处理信息片段时，缺乏全局视角的统一协调机制。现阶段，多智能体系统是不是"好"，最终还是要看它能解决什么问题，以及解决这个问题的价值是不是大于它消耗的成本。现在最强的模型上下文窗口也就200万tokens，看起来很多，但真正处理复杂任务时根本不够用，一旦记忆爆满就直接出现“失忆”的尴尬情况，而多智能体就能很好的解决这个问题。现在，是时候来聊聊那个最扎心的问题了：多智能体系统，在2025年的今天，它到底是个"天使"还是个"魔鬼"？

博客

索引选不对，成本贵十倍！一文读懂向量索引选型

06-18

996

其中，DiskANN是基于 Vamana 图结构，通过 PQ 压缩向量，在硬盘上建立可导航索引，适用于十亿级数据集。基于此前提，Milvus 仅扫描质心接近查询向量的桶内向量，而非整个数据集，从而在保持可接受精度的同时，降低计算成本。在向量检索中，索引能显著提升查询效率，但也会带来一定的预处理时间开销、额外的存储空间占用，以及在搜索过程中更高的内存消耗。此外，使用索引相对于暴搜而言，通常召回率会出现一定的下降，虽然影响有限，但在对精度有要求的场景中仍需关注。在思考如何挑选索引之前，我们需要知道什么是索引。

视频教学｜ 轻松三步搭建 Milvus 以图搜图系统

| 三步轻松上手 Milvus

| 欢迎加入 Milvus 社区

视频教学｜轻松三步搭建 Milvus 以图搜图系统