VimgFind1. 项目简介VimgFind 是一款适用于 Windows 平台的本地 AI 搜图工具集成以图搜图与以文搜图搜索框内按回车键触发功能兼顾性能与易用性。核心技术栈向量索引采用 HNSW 算法平衡搜索速度与内存占用界面开发Python tkinter ttkbootstrap分拆搜索/索引界面简洁美观模型推理依托 onnxruntime保障高效推理性能界面展示2. 功能特性2.1 核心优势高效的索引构建通过多线程优化大幅提升索引生成效率强大的搜索速度与精度借助 HNSW 向量索引特性实现毫秒级搜图且保持极高的向量召回率高效的索引重建2.5版本通过算法智能判断索引重建情形索引软重建的情况下可达到 1000个向量 / 秒多种模型适配2.5版本提供已经经过转化直接可用的几个模型可随时根据条件切换使用2.2 固有局限磁盘占用索引文件体积相对较大参考数据400 张图片对应约 1MB 磁盘空间内存消耗较大模型方面如果使用如Chinese clip模型启动后预计需占用1.6GB内存而最轻的模型仅以图搜图2.5版本安装包内置Osnet大约启动需消耗170MB内存索引方面HNSW需要将整个索引加载到内存中以支持高效匹配。参考内存消耗100万张图片 ~ 6-8GB内存。因此更为合适的做法是使用合适模型索引不同的文件夹以分担内存压力。2.3 其他情况说明2.5版本引入了[多模型 - 多索引]机制模型和索引是一一对应的。因此当你切换模型时索引文件夹也会发生相应的变化。这是正常的当模型切换回原来的模型即可看到原来的索引文件夹内容。2.5版本不再内置Chinese-clip模型你需要到模型选项卡自行下载如果程序内置的下载速度过慢你可以选择复制其中的下载链接进行手动下载。下载完成后选择加载本地模型即可。模型列表中只有多模态模型支持以文搜图目前仅提供Chinese-clip一种作者尝试了不少其他模型中文效果都不太好索引重建2.5版本切换到[索引]选项卡鼠标移动到[当前索引的图片数XX]上方可以看到当前无效索引的数量及占比。程序不会主动进行索引重建需要你在无效索引占比较高时建议在20%以上时手动点击重建。不过正如前面所说索引重建进行了高效的实现你可以放心大胆地点击它。搜索时筛选的逻辑是在返回结果中进行的。因此如果显示筛选条件过严时优先点击右上角的“…”按钮将返回结果数调高。3. 快速上手3.1. 直接使用以下给出2.5版本的下载链接Github的Release页面https://github.com/Just-A-Freshman/VimgFind/releases/download/program2.5/VimgFind-2.5.1-win64.zip蓝奏云https://wwbbm.lanzouv.com/iDfGP3w92ltc增量更新程序将在后续推出。其他历史版本请自行查看Releases · Just-A-Freshman/VimgFind/releases还有一些古老版本(大概是第1或第2版)这里贴出https://wwbbm.lanzouv.com/iR1vq3ese4nc密码:8sjmhttps://wwbbm.lanzouv.com/icIG03d4i74f密码:9bo43.2 源码运行环境要求Python 3.9 及以上版本推荐使用conda安装克隆仓库到本地version2.5分支git clone https://github.com/Just-A-Freshman/VimgFind.git进入目录并创建激活虚拟环境(powershell)如果是使用conda环境cd VimgFind conda create -n vimgfind python3.12 conda activate vimgfind如果是使用纯Python环境cd VimgFind python -m venv env env/Scripts/Activate.ps1安装依赖包pip install -r requirements.txt启动程序python ./main.py如果你希望将程序自行打包使用可以使用如下命令pip install pyinstaller6.2 pyinstaller -D main.py -i config/data/favicon.ico -w打包完成后将源代码中的config/data/和docs/文件夹复制到_internal下即可。3.4 模型与配置说明所有模型配置见models.json里面包含了内置模型的基本配置。如果你希望使用自己的模型需要将模型转为onnx格式并启动模型优化在模型文件夹中编写对应的model.json文件具体格式可以参考config/data/models/实际模型id/model.json将文件夹压缩成zip启动程序点击模型界面导入使用但需要说明将模型转化成本程序可以接受的有效的onnx模型其标准步骤尚不清晰未来将补充详细的转换文档。4. 未来规划引入 [多模型 - 多索引] 机制用户可以自由切换不同的搜图模型不同的模型有自己单独的索引文件夹 和 索引文件增加跨平台支持计划未来支持Macos和Linux系统其他需求请在issue中提出
VimgFind1. 项目简介VimgFind 是一款适用于 Windows 平台的本地 AI 搜图工具集成以图搜图与以文搜图搜索框内按回车键触发功能兼顾性能与易用性。核心技术栈向量索引采用 HNSW 算法平衡搜索速度与内存占用界面开发Python tkinter ttkbootstrap分拆搜索/索引界面简洁美观模型推理依托 onnxruntime保障高效推理性能界面展示2. 功能特性2.1 核心优势高效的索引构建通过多线程优化大幅提升索引生成效率强大的搜索速度与精度借助 HNSW 向量索引特性实现毫秒级搜图且保持极高的向量召回率高效的索引重建2.5版本通过算法智能判断索引重建情形索引软重建的情况下可达到 1000个向量 / 秒多种模型适配2.5版本提供已经经过转化直接可用的几个模型可随时根据条件切换使用2.2 固有局限磁盘占用索引文件体积相对较大参考数据400 张图片对应约 1MB 磁盘空间内存消耗较大模型方面如果使用如Chinese clip模型启动后预计需占用1.6GB内存而最轻的模型仅以图搜图2.5版本安装包内置Osnet大约启动需消耗170MB内存索引方面HNSW需要将整个索引加载到内存中以支持高效匹配。参考内存消耗100万张图片 ~ 6-8GB内存。因此更为合适的做法是使用合适模型索引不同的文件夹以分担内存压力。2.3 其他情况说明2.5版本引入了[多模型 - 多索引]机制模型和索引是一一对应的。因此当你切换模型时索引文件夹也会发生相应的变化。这是正常的当模型切换回原来的模型即可看到原来的索引文件夹内容。2.5版本不再内置Chinese-clip模型你需要到模型选项卡自行下载如果程序内置的下载速度过慢你可以选择复制其中的下载链接进行手动下载。下载完成后选择加载本地模型即可。模型列表中只有多模态模型支持以文搜图目前仅提供Chinese-clip一种作者尝试了不少其他模型中文效果都不太好索引重建2.5版本切换到[索引]选项卡鼠标移动到[当前索引的图片数XX]上方可以看到当前无效索引的数量及占比。程序不会主动进行索引重建需要你在无效索引占比较高时建议在20%以上时手动点击重建。不过正如前面所说索引重建进行了高效的实现你可以放心大胆地点击它。搜索时筛选的逻辑是在返回结果中进行的。因此如果显示筛选条件过严时优先点击右上角的“…”按钮将返回结果数调高。3. 快速上手3.1. 直接使用以下给出2.5版本的下载链接Github的Release页面https://github.com/Just-A-Freshman/VimgFind/releases/download/program2.5/VimgFind-2.5.1-win64.zip蓝奏云https://wwbbm.lanzouv.com/iDfGP3w92ltc增量更新程序将在后续推出。其他历史版本请自行查看Releases · Just-A-Freshman/VimgFind/releases还有一些古老版本(大概是第1或第2版)这里贴出https://wwbbm.lanzouv.com/iR1vq3ese4nc密码:8sjmhttps://wwbbm.lanzouv.com/icIG03d4i74f密码:9bo43.2 源码运行环境要求Python 3.9 及以上版本推荐使用conda安装克隆仓库到本地version2.5分支git clone https://github.com/Just-A-Freshman/VimgFind.git进入目录并创建激活虚拟环境(powershell)如果是使用conda环境cd VimgFind conda create -n vimgfind python3.12 conda activate vimgfind如果是使用纯Python环境cd VimgFind python -m venv env env/Scripts/Activate.ps1安装依赖包pip install -r requirements.txt启动程序python ./main.py如果你希望将程序自行打包使用可以使用如下命令pip install pyinstaller6.2 pyinstaller -D main.py -i config/data/favicon.ico -w打包完成后将源代码中的config/data/和docs/文件夹复制到_internal下即可。3.4 模型与配置说明所有模型配置见models.json里面包含了内置模型的基本配置。如果你希望使用自己的模型需要将模型转为onnx格式并启动模型优化在模型文件夹中编写对应的model.json文件具体格式可以参考config/data/models/实际模型id/model.json将文件夹压缩成zip启动程序点击模型界面导入使用但需要说明将模型转化成本程序可以接受的有效的onnx模型其标准步骤尚不清晰未来将补充详细的转换文档。4. 未来规划引入 [多模型 - 多索引] 机制用户可以自由切换不同的搜图模型不同的模型有自己单独的索引文件夹 和 索引文件增加跨平台支持计划未来支持Macos和Linux系统其他需求请在issue中提出
