شارك المقالة
البحث عن الصور المتشابهة في Flutter باستخدام Embeddings

البحث عن الصور المتشابهة في Flutter باستخدام Embeddings

تصميم البحث عن الصور المتشابهة في Flutter باستخدام embeddings وcosine similarity، مع توضيح ما ينفذه مستودع searchable_gallery فعليًا.

تصميم البحث عن الصور المتشابهة في Flutter باستخدام embeddings وcosine similarity، مع توضيح ما ينفذه مستودع searchable_gallery فعليًا.

المعرض ليس محرك تشابه مكتملًا

راجعت ملفات المستودع المرتبط بالشرح القديم: يعرض الصور المحملة من الملفات، بينما أزرار البحث في HomePage بلا callback في النسخة المفحوصة. لذلك لا يصح وصفه بأنه حزمة جاهزة توفر بحثًا ذكيًا ومشاركة وفلاتر متعددة. يمكن استعماله نقطة بداية للعرض بعد مراجعة صلاحياته ورخصته، لكن استخراج الخصائص وبناء الفهرس وترتيب النتائج وظائف ينبغي تنفيذها واختبارها، وليست نتيجة تثبيت اسم المشروع في pubspec.

اختر معنى التشابه أولًا

البحث باسم الملف أو الكلمات المصاحبة يختلف عن مقارنة صورتين بصريًا. للصور المتطابقة تقريبًا يمكن أن تفيد بصمات بصرية مناسبة، بينما التشابه الدلالي يستعمل نموذجًا ينتج embedding. يجب أن تتبع الصور والاستعلام النموذج نفسه وطريقة القص والتحجيم والتطبيع نفسها. لا تقارن vector من إصدار قديم مع آخر من نموذج مختلف حتى لو تطابق الطول؛ قيم الأبعاد لا تحمل المعنى نفسه بين كل النماذج.

حساب الدرجة وحدوده

cosine similarity يقيس اتجاه متجهين غير صفريين، وليس نسبة احتمال أن الصورتين تمثلان الشخص أو الشيء نفسه. المثال يتحقق من طول المتجهات والقيم المنتهية ويعيد null عند متجه صفري. الدرجة قد تكون سالبة ولا ينبغي تحويلها إلى نسبة ثقة دون معايرة. رتب النتائج تنازليًا مع حد أقصى واضح، واستبعد الصورة المستعلم بها إذا كان المطلوب اكتشاف صور أخرى. اختبر التعادل والقائمة الفارغة بدل قراءة أول نتيجة دائمًا.

فهرسة الصور باحترام صلاحيات النظام

قراءة /storage/emulated/0/DCIM مباشرة كما في المشروع ليست عقدًا صالحًا لكل جهاز أو نظام. استعمل منتقيًا أو واجهة مكتبة الصور المناسبة مع التعامل مع وصول محدود ورفض الإذن. خزّن معرف الأصل وإصدار النموذج وبصمته المنطقية كي تعيد فهرسة ما تغير فقط. لا تعاود استخراج embeddings لكل الصور عند كل build أو كل حرف في حقل البحث. اجعل التقدم والإلغاء والفشل حالات منفصلة، ولا تعتبر الفهرس الجزئي المكتمل تمامًا.

الأداء وتحديث الفهرس

المقارنة الخطية مناسبة لبداية صغيرة ويمكن اختبارها بسهولة. عند زيادة عدد الصور راقب زمن استخراج الخصائص وحجم الفهرس وكلفة ترتيب النتائج قبل اعتماد فهرس تقريبي أو خدمة خارجية. حذف صورة أو تعديلها يستلزم تحديث سجلها، وتغيير النموذج قد يحتاج إعادة بناء الفهرس كله. اختبر فتح التطبيق بعد انقطاع عملية الفهرسة، ولا تخزن فهرسًا بلا معرف إصدار ثم تتوقع أن نتائج تحديث المكتبة ستظل قابلة للمقارنة مع السابقة.

المثال وخطة تقييم النتائج

الدالة التالية تحسب المقياس فقط ولا تحمل نموذجًا أو تقرأ صور جهازك. استخدم متجهات تجريبية لاختبار التطابق والتعامد والتعاكس والبعد المختلف وNaN، ثم قيّم النموذج بصور مرخصة لم يرها أثناء التدريب. اختبر صورًا متشابهة بالألوان لكنها مختلفة بالموضوع، وصور الموضوع نفسه بزوايا مختلفة. اعرض للمستخدم نتائج مقترحة يمكنه تجاهلها بدل وعد العثور على كل نسخة أو اتخاذ قرار هوية بناء على ترتيب المعرض.

ترتيب النتائج وتقييم واجهة البحث

بعد الحصول على الدرجات احتفظ بمعرف كل صورة ورتبها مع الدرجة، لا تقطع صلتها بالأصل بفرز قائمة الأرقام وحدها. اختر سياسة تعادل مستقرة مثل المعرف، وحدد هل تظهر نتائج دون عتبة معينة أو رسالة لا توجد نتائج كافية. عند حذف صورة من الجهاز تجاهل سجلها في العرض ثم حدث الفهرس بدل انهيار فتح الصورة. إذا انتقلت إلى خدمة سحابية فلا تفترض أن embeddings لا تكشف شيئًا عن محتوى الصورة؛ هي بيانات مشتقة تحتاج غرضًا وصلاحيات. قيّم جودة أعلى عدة نتائج لا النتيجة الأولى فقط، لأن المستخدم قد يستفيد من اقتراحات متعددة. أما البحث النصي بالكلمات فيحتاج علاقة بين النص والصور ونموذجًا متوافقًا، وليس متجه صورة بديلًا عن النص مباشرة. هذا يوضح الفرق بين معرض يعرض ملفات، وبحث باسمها، ومحرك تشابه فعلي له مدخل ومقياس وتقييم.

مثال الشفرة وحدوده

import 'dart:math' as math;
double? cosineSimilarity(List<double> a,List<double> b){
 if(a.isEmpty||a.length!=b.length)throw ArgumentError('Equal nonempty dimensions required');
 var dot=0.0, aa=0.0, bb=0.0;
 for(var i=0;i<a.length;i++){
  if(!a[i].isFinite||!b[i].isFinite)throw ArgumentError('Finite values required');
  dot+=a[i]*b[i];aa+=a[i]*a[i];bb+=b[i]*b[i];
 }
 if(!dot.isFinite||!aa.isFinite||!bb.isFinite)throw ArgumentError('Vector magnitude too large');
 if(aa==0||bb==0)return null;
 return (dot/math.sqrt(aa)/math.sqrt(bb)).clamp(-1.0,1.0).toDouble();
}
// Supply embeddings from the same model and preprocessing pipeline.
// This function is a similarity metric, not image inference or identity proof.

مراجع التنفيذ

شاهد أيضًا
مقالات ذات صلة
🚫 مانع الإعلانات مفعل

يجب إيقاف مانع الإعلانات لاستكمال تصفح الموقع