examples

项目介绍：Towhee 示例

Towhee 示例项目提供了通过Towhee工具对非结构化数据进行分析的范例，如图片反向搜索、视频反向搜索、音频分类、问答系统和分子搜索等。Towhee的目标是通过机器学习模型和其他运算，生成嵌入向量，并且使x2vec的实现更加民主化。无论是初学者还是大型组织，只需几行代码就可以使用Towhee生成高密度嵌入。

关于Towhee示例

Towhee示例项目的目的就是帮助用户更加轻松地处理各种非结构化数据，包括图像、音频、视频等。用户可以方便地在自己的设备上运行这些示例，亲自体验数据处理的便捷。

有趣的示例列表

入门

Pipeline入门： 通过Pipeline的介绍，可以帮助用户更好地学习如何利用Towhee进行数据处理。

图像

• 图像反向搜索： 搜索与输入图像相似或相关的图片。支持多种模型，如ResNet、VGG、EfficientNet、ViT等。
• 图像动画： 将静态图像转换为动态图片。
• 图像去重： 查找图片集中完全一致或几乎一致的图片。
• 文本图像搜索： 通过输入的文本描述来返回相关的图片，实现跨模式的检索。
• 可视化： 展示嵌入模型和图像搜索中的ANN索引的底层工作。

自然语言处理（NLP）

• 问答系统： 处理用户的问题并通过自然语言技术给出答案。
• 文本搜索： 搜索与查询文本最相似的文本。

视频

• 视频反向搜索： 输入一个视频，以搜索类似的视频。
• 视频分类： 给定视频的帧，生成相关的标签。
• 文本视频搜索： 输入文本以搜索相似或相关的视频。
• 深度伪造检测： 预测给定视频的真假性。

音频

• 音频分类： 将特定的声音分类到不同类别中，如环境声音分类和语音识别。

医学

• 分子搜索： 基于Tanimoto指标寻找相似的分子公式，并支持子结构与超结构搜索。

数据科学

• 信用卡审批预测： 预测银行是否会向申请人发放信用卡，信用评分能够客观量化风险大小。

培训

• 微调： 通过教程学习如何使用Towhee进行微调处理。

贡献

欢迎所有人对Milvus Bootcamp的贡献。有关详细信息，请参阅贡献指南。

支持

用户可以通过加入Towhee的Slack社区与工程团队互动，分享反馈、请求建议。同时，还可以通过提交问题或参与讨论来获得支持。