conjunto de dados LAION 5B

Crie a tabela laion_5b_10m para armazenar os embeddings e os atributos associados:

CREATE TABLE laion_5b_10m
(
    id UInt32,
    image_path String,
    caption String,
    NSFW Nullable(String) default 'unknown',
    similarity Float32,
    LICENSE Nullable(String),
    url String,
    key String,
    status LowCardinality(String),
    width Int32,
    height Int32,
    original_width Int32,
    original_height Int32,
    exif Nullable(String),
    md5 String,
    vector Array(Float32) CODEC(NONE)
) ENGINE = MergeTree ORDER BY (id)

O id é apenas um número inteiro sequencial. Os atributos adicionais podem ser usados em predicados para compreender a busca por similaridade vetorial combinada com pós-filtragem/pré-filtragem, conforme explicado na documentação

Para carregar o conjunto de dados, execute a seguinte instrução SQL:

INSERT INTO laion_5b_10m SELECT * FROM s3('https://clickhouse-datasets.s3.amazonaws.com/laion-5b/laion5b_100m_part_1_of_10.parquet', NOSIGN);

O carregamento de 10 milhões de linhas na tabela levará alguns minutos.

A busca KNN (k - vizinhos mais próximos) ou por força bruta consiste em calcular a distância entre cada vetor do conjunto de dados e o vetor de embedding da busca e, em seguida, ordenar as distâncias para obter os vizinhos mais próximos. Podemos usar um dos vetores do próprio conjunto de dados como vetor de busca. Por exemplo:

SELECT id, url 
FROM laion_5b_10m
ORDER BY cosineDistance( vector, (SELECT vector FROM laion_5b_10m WHERE id = 9999) ) ASC
LIMIT 20

The vector in the row with id = 9999 is the embedding for an image of a Deli restaurant.

Anote a latência da consulta para podermos compará-la com a latência da consulta com ANN (usando índice vetorial). Com 10 milhões de linhas, a consulta acima, sem um índice vetorial, pode levar alguns segundos ou minutos para ser concluída.

Execute o SQL a seguir para definir e criar um índice de similaridade de vetores na coluna vector da tabela laion_5b_10m:

ALTER TABLE laion_5b_10m ADD INDEX vector_index vector TYPE vector_similarity('hnsw', 'cosineDistance', 768, 'bf16', 64, 512);

ALTER TABLE laion_5b_10m MATERIALIZE INDEX vector_index SETTINGS mutations_sync = 2;

Os parâmetros e as considerações de desempenho para a criação e a busca de índices são descritos na documentação. A instrução acima usa os valores 64 e 512, respectivamente, para os hiperparâmetros HNSW M e ef_construction. Você precisa selecionar cuidadosamente os valores ideais desses parâmetros, avaliando o tempo de criação do índice e a qualidade dos resultados de busca correspondentes aos valores selecionados.

A criação e o salvamento do índice podem levar bastante tempo para o subconjunto de 10 milhões de linhas, dependendo do número de núcleos de CPU disponíveis e da largura de banda de armazenamento.

Depois que o índice de similaridade vetorial for criado, as consultas de busca vetorial usarão o índice automaticamente:

SELECT id, url 
FROM laion_5b_10m
ORDER BY cosineDistance( vector, (SELECT vector FROM laion_5b_10m WHERE id = 9999) ) ASC
LIMIT 20

O carregamento inicial do índice vetorial na memória pode levar alguns segundos/minutos.

Os vetores de embedding do conjunto de dados LAION 5b foram gerados usando o modelo ViT-L/14 do OpenAI CLIP.

Um exemplo de script em Python é fornecido abaixo para demonstrar como gerar programaticamente vetores de embedding usando as APIs do CLIP. Em seguida, o vetor de embedding de busca é passado como argumento para a função cosineDistance() na consulta SELECT.

Para instalar o pacote clip, consulte o repositório do OpenAI no GitHub.

import torch
import clip
import numpy as np
import sys
import clickhouse_connect

device = "cuda" if torch.cuda.is_available() else "cpu"
model, preprocess = clip.load("ViT-L/14", device=device)

# Search for images that contain both a dog and a cat
text = clip.tokenize(["a dog and a cat"]).to(device)

with torch.no_grad():
    text_features = model.encode_text(text)
    np_arr = text_features.detach().cpu().numpy()

    # Pass ClickHouse credentials here
    chclient = clickhouse_connect.get_client()

    params = {'v1': list(np_arr[0])}
    result = chclient.query("SELECT id, url FROM laion_5b_10m ORDER BY cosineDistance(vector, %(v1)s) LIMIT 100",
                            parameters=params)

    # Write the results to a simple HTML page that can be opened in the browser. Some URLs may have become obsolete.
    print("<html>")
    for r in result.result_rows:
        print("<img src = ", r[1], 'width="200" height="200">')
    print("</html>")

O resultado da busca acima é exibido abaixo: