Lychee Rerank MM代码实例：与Milvus向量库协同实现Hybrid Search重排序增强

Lychee Rerank MM代码实例与Milvus向量库协同实现Hybrid Search重排序增强想象一下这个场景你正在开发一个电商搜索引擎用户上传了一张“带有木质桌腿的白色圆形茶几”的图片来寻找类似商品。传统的向量搜索可能会返回一堆“白色桌子”、“圆形茶几”甚至“木质家具”但无法精准判断哪个商品图片里的桌腿材质和形状与用户上传的图片最匹配。这就是语义鸿沟——向量相似度很高但细节意图匹配不准。今天要介绍的Lychee Rerank MM就是专门为解决这个问题而生的“神兵利器”。它是一个基于Qwen2.5-VL多模态大模型构建的智能裁判能够深入理解图片和文字背后的复杂语义对初步的搜索结果进行重新打分和排序让最相关的结果真正脱颖而出。更妙的是当Lychee Rerank MM遇上专业的向量数据库Milvus就能构建一套强大的混合搜索Hybrid Search系统先用Milvus进行快速的“海选”再用Lychee Rerank MM进行精准的“决赛圈排名”。接下来我就手把手带你用代码实现这套组合拳。1. 核心概念为什么需要重排序在深入代码之前我们得先搞清楚两个关键概念向量检索和重排序。它们的关系就像招聘中的“初筛”和“终面”。向量检索初筛做什么将文本、图片等内容转换成数学向量一组数字然后计算向量之间的相似度比如余弦相似度。优点速度极快适合从百万甚至千万级数据中快速找出几百个可能相关的结果。缺点精度有上限。它更像是在匹配“关键词”或“整体特征”容易错过那些语义相关但表述不同、或细节意图高度匹配的结果。重排序终面做什么用一个更复杂、更强大的模型通常是交叉编码器或大模型对向量检索返回的Top K个结果进行两两精细比对重新计算每个结果与查询的相关性得分。优点精度大幅提升。模型能理解上下文、推理意图、比对细节。缺点速度慢计算成本高无法直接处理海量数据。Lychee Rerank MM的独特之处在于它基于Qwen2.5-VL这个能同时理解图像和文本的多模态大模型。这意味着你的查询Query可以是“一张图片”文档Document可以是“一段文字描述”它依然能给出精准的相关性判断完美解决开篇提到的“木质桌腿”识别问题。2. 环境搭建与快速部署理论讲完了我们开始动手。首先确保你的环境已经就绪。2.1 基础环境准备你需要一个**Python 3.10**的环境并安装核心依赖。建议使用Conda创建一个独立环境。# 创建并激活环境 conda create -n lychee_rerank python3.10 conda activate lychee_rerank # 安装PyTorch (请根据你的CUDA版本选择合适命令这里以CUDA 11.8为例) pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118 # 安装Lychee Rerank MM pip install lychee-rerank-mm # 安装Milvus向量数据库客户端 pip install pymilvus关于硬件由于Qwen2.5-VL-7B模型较大推理需要可观的GPU显存。实测加载模型后约需16GB-20GB显存。建议使用RTX 3090 (24GB)、A10 (24GB)、A100 (40/80GB)或更高规格的显卡。如果显存不足可以考虑使用量化版本或在CPU上运行速度会慢很多。2.2 启动Lychee Rerank MM服务Lychee Rerank MM项目提供了便捷的启动脚本。如果你是从源码启动可以这样操作# 克隆项目假设项目提供此方式或已通过pip安装客户端 # git clone lychee-rerank-mm-repo-url # cd lychee-rerank-mm # 启动Streamlit Web界面服务 streamlit run app/main.py --server.port 8080启动后在浏览器中访问http://localhost:8080你就能看到它的Web界面了。界面主要分为两部分单条分析模式可以上传图片/输入文字作为Query再输入另一段图文作为Document让模型直接给出相关性得分。适合调试和直观理解。批量重排序模式输入一个Query和多个候选Document文本模型会一次性为所有Document打分并排序。这是我们后面与Milvus集成的关键。不过为了后续代码集成我们更关心它的Python API如何调用。2.3 初始化重排序模型在你的Python代码中可以这样初始化和使用Lychee Rerank MMfrom lychee_rerank_mm import LycheeReranker # 初始化重排序器 # 首次运行会自动从ModelScope下载模型需要一定时间和网络 reranker LycheeReranker( model_name_or_pathlychee-rerank-mm, # 默认模型 use_flash_attentionTrue, # 启用Flash Attention加速如果环境不支持会自动降级 devicecuda:0 # 指定GPU设备 ) # 准备一个测试用例文本到文本 query 如何冲泡一杯好喝的手冲咖啡 documents [ 手冲咖啡需要关注水温、粉水比和注水手法。, 法国红酒的品鉴方法与产区介绍。, 先用热水湿润滤纸和咖啡粉然后进行分段式注水。, ] # 执行批量重排序 scores, ranked_indices reranker.rerank(query, documents) print(相关性得分:, scores) # 例如 [0.85, 0.12, 0.78] print(排序后的索引:, ranked_indices) # 例如 [0, 2, 1]表示第0个文档最相关 print(排序后的文档:, [documents[i] for i in ranked_indices])看到这里你已经成功跑通了重排序的核心功能。得分区间在[0, 1]之间越接近1表示越相关。通常认为得分大于0.5的文档是正相关的。3. 与Milvus向量数据库协同实战现在进入重头戏将Lychee Rerank MM与Milvus结合起来构建一个完整的混合搜索流水线。整个流程分为三步数据准备与入库将我们的文档图片、文本通过嵌入模型转化为向量存入Milvus。混合搜索用户查询时先用Milvus进行向量相似度检索得到初筛结果。智能重排序将初筛结果交给Lychee Rerank MM进行精排返回最终结果。我们以一个“多模态商品库”为例假设每个商品有图片和文字描述。3.1 第一步搭建Milvus并准备数据首先确保你有一个运行中的Milvus服务单机版或集群版。然后安装必要的嵌入模型库这里我们使用一个流行的文本向量模型BAAI/bge-large-zh以及一个CLIP模型处理图片。import pymilvus from pymilvus import connections, Collection, FieldSchema, CollectionSchema, DataType, utility from sentence_transformers import SentenceTransformer from PIL import Image import torch # 1. 连接Milvus connections.connect(hostlocalhost, port19530) # 2. 定义集合Collection结构 # 我们的商品数据包含ID、文本描述向量、图片向量、原始文本、图片路径 fields [ FieldSchema(nameid, dtypeDataType.INT64, is_primaryTrue, auto_idTrue), FieldSchema(nametext_vector, dtypeDataType.FLOAT_VECTOR, dim1024), # BGE模型维度 FieldSchema(nameimage_vector, dtypeDataType.FLOAT_VECTOR, dim512), # CLIP模型维度 FieldSchema(namedescription, dtypeDataType.VARCHAR, max_length1000), FieldSchema(nameimage_path, dtypeDataType.VARCHAR, max_length500), ] schema CollectionSchema(fields, descriptionMultimodal product collection) collection_name multimodal_products # 如果集合已存在则删除仅演示用生产环境慎用 if utility.has_collection(collection_name): utility.drop_collection(collection_name) # 创建集合 product_collection Collection(namecollection_name, schemaschema) # 3. 创建索引为两个向量字段分别建索引 index_params { index_type: IVF_FLAT, metric_type: COSINE, params: {nlist: 128} } product_collection.create_index(field_nametext_vector, index_paramsindex_params) product_collection.create_index(field_nameimage_vector, index_paramsindex_params) print(Milvus集合和索引创建成功)接下来加载嵌入模型并模拟一批商品数据入库。# 加载文本嵌入模型和图片嵌入模型 text_encoder SentenceTransformer(BAAI/bge-large-zh, devicecuda) # 这里简化处理假设有一个能提取图片特征的函数。实际可使用OpenAI CLIP或ResNet。 # def get_image_embedding(image_path): ... # 模拟数据 product_data [ { description: 白色圆形茶几配有原木色实木桌腿直径80cm北欧简约风格。, image_path: /data/products/table_white_round.jpg }, { description: 黑色金属框架书桌带两个抽屉现代工业风适合小户型办公。, image_path: /data/products/desk_black_metal.jpg }, { description: 浅灰色布艺沙发三人位可拆洗坐感柔软舒适。, image_path: /data/products/sofa_grey_fabric.jpg }, # ... 更多商品数据 ] # 准备批量插入的数据列表 text_vectors [] image_vectors [] descriptions [] image_paths [] for product in product_data: # 生成文本向量 text_vec text_encoder.encode(product[description], normalize_embeddingsTrue) text_vectors.append(text_vec) # 生成图片向量此处用随机向量模拟实际需用CV模型提取 # img_vec get_image_embedding(product[image_path]) img_vec torch.randn(512).tolist() # 模拟 image_vectors.append(img_vec) descriptions.append(product[description]) image_paths.append(product[image_path]) # 插入数据到Milvus insert_result product_collection.insert([ text_vectors, image_vectors, descriptions, image_paths ]) # 将数据加载到内存以便搜索 product_collection.load() print(f成功插入 {len(insert_result.primary_keys)} 条商品数据。)3.2 第二步实现混合搜索函数现在我们来编写核心的搜索函数。它接收一个查询可以是文本、图片路径或两者混合先进行向量检索再进行重排序。def hybrid_search(query_textNone, query_image_pathNone, top_k_vector50, top_k_final10): 混合搜索函数 Args: query_text: 文本查询 query_image_path: 图片查询路径 top_k_vector: 向量检索阶段返回的结果数量初筛 top_k_final: 最终返回的结果数量重排序后 Returns: list: 排序后的商品结果每个元素包含描述、图片路径、最终得分 # 1. 向量检索阶段 - 多路召回 vector_results [] # 如果提供了文本查询进行文本向量检索 if query_text: query_text_vec text_encoder.encode(query_text, normalize_embeddingsTrue) search_params {metric_type: COSINE, params: {nprobe: 10}} text_search_result product_collection.search( data[query_text_vec], anns_fieldtext_vector, paramsearch_params, limittop_k_vector, output_fields[description, image_path] # 需要返回的原始字段 ) # 将结果加入候选池 for hits in text_search_result: for hit in hits: vector_results.append({ id: hit.id, description: hit.entity.get(description), image_path: hit.entity.get(image_path), vector_score: hit.score, # 向量相似度得分 source: text_search }) # 如果提供了图片查询进行图片向量检索模拟 if query_image_path: # query_img_vec get_image_embedding(query_image_path) query_img_vec torch.randn(512).tolist() # 模拟图片向量 search_params {metric_type: COSINE, params: {nprobe: 10}} image_search_result product_collection.search( data[query_img_vec], anns_fieldimage_vector, paramsearch_params, limittop_k_vector, output_fields[description, image_path] ) for hits in image_search_result: for hit in hits: # 去重如果ID已存在取较高的向量得分 existing_item next((item for item in vector_results if item[id] hit.id), None) if existing_item: if hit.score existing_item[vector_score]: existing_item[vector_score] hit.score existing_item[source] image_search else: vector_results.append({ id: hit.id, description: hit.entity.get(description), image_path: hit.entity.get(image_path), vector_score: hit.score, source: image_search }) # 如果没有检索到结果直接返回空列表 if not vector_results: return [] # 2. 重排序阶段 # 准备Lychee Rerank MM的输入 # Query可以是文本、图片或图文混合。这里我们根据输入构造。 # 为了简化我们假设LycheeReranker的rerank方法支持传入图片路径。 # 实际上可能需要先将图片加载为base64或PIL Image对象。 # 以下代码为概念演示假设我们有一个支持多模态query的rerank方法。 # 构建候选文档列表这里我们使用文本描述作为Document进行重排序 candidate_docs [item[description] for item in vector_results] # 构建多模态Query实际调用时需根据LycheeReranker的API调整 # 情况A纯文本Query if query_text and not query_image_path: rerank_query query_text # 情况B纯图片Query - 需要将图片转换为模型可接受的格式 elif query_image_path and not query_text: # 这里需要将图片加载并可能转换为base64或特定格式 # rerank_query load_image_as_base64(query_image_path) rerank_query 这是一张图片。 # 占位实际需传递图片信息 # 情况C图文混合Query - 需要组合 else: # 组合文本和图片信息 rerank_query f文本{query_text}图片{query_image_path} # 调用Lychee Rerank MM进行重排序 # 注意以下调用方式为示意实际API可能需要调整参数格式以支持多模态输入 try: # 假设reranker.rerank支持多模态输入 scores, ranked_indices reranker.rerank(rerank_query, candidate_docs) except Exception as e: print(f重排序时发生错误降级为向量分数排序: {e}) # 降级方案按向量分数排序 vector_results.sort(keylambda x: x[vector_score], reverseTrue) return [{description: item[description], image_path: item[image_path], final_score: item[vector_score]} for item in vector_results[:top_k_final]] # 3. 整合最终结果 final_results [] for idx in ranked_indices[:top_k_final]: # 按重排序分数取前top_k_final个 original_item vector_results[idx] final_results.append({ description: original_item[description], image_path: original_item[image_path], final_score: float(scores[idx]), # 重排序得分 vector_score: original_item[vector_score], # 保留原始向量得分供参考 rank_source: reranker }) return final_results3.3 第三步运行搜索示例让我们用几个具体的查询来测试这个混合搜索系统。# 示例1纯文本查询 print( 示例1纯文本查询 白色茶几 木腿 ) results hybrid_search(query_text白色茶几 木腿, top_k_vector30, top_k_final5) for i, r in enumerate(results): print(f{i1}. 得分: {r[final_score]:.3f} - {r[description][:50]}...) # 示例2模拟纯图片查询需要真实图片路径 print(\n 示例2模拟图片查询 ) # 假设用户上传了一张茶几图片 # results hybrid_search(query_image_path/user/uploads/coffee_table.jpg, top_k_vector30, top_k_final5) # for i, r in enumerate(results): # print(f{i1}. 得分: {r[final_score]:.3f} - {r[description][:50]}...) # 示例3多路召回验证 - 查询“沙发” print(\n 示例3查询 舒适沙发 ) results hybrid_search(query_text舒适沙发, top_k_vector30, top_k_final5) for i, r in enumerate(results): print(f{i1}. 得分: {r[final_score]:.3f} - {r[description]})通过这个流程系统会先利用Milvus从所有商品中快速找出30个在向量空间上最相似的候选无论是通过文本匹配还是图片特征匹配然后将这30个候选的描述文本或结合图片与用户的查询一起送给Lychee Rerank MM模型。模型会深入理解“白色茶几 木腿”这个查询不仅关注“茶几”还会特别看重“白色”和“木腿”这两个细节从而对那款“白色圆形茶几配有原木色实木桌腿”的商品打出最高分将它排到第一。4. 高级技巧与性能优化在实际生产环境中你还需要考虑一些工程优化问题。4.1 缓存策略重排序模型推理较慢可以对常见查询和文档组合的结果进行缓存。from functools import lru_cache import hashlib import json # 创建一个带缓存的重排序函数 lru_cache(maxsize1000) def cached_rerank(query: str, documents_tuple: tuple): 带缓存的重排序。注意输入需要转换为可哈希的类型如tuple。 documents list(documents_tuple) scores, indices reranker.rerank(query, documents) return scores, indices def hybrid_search_with_cache(query_textNone, query_image_pathNone, top_k_vector50, top_k_final10): # ... 前面的向量检索代码不变 ... # 在重排序部分使用缓存版本 candidate_docs [item[description] for item in vector_results] # 创建缓存键 cache_key (query_text or , tuple(candidate_docs)) # 简单示例实际键应包含图片信息 scores, ranked_indices cached_rerank(*cache_key) # ... 后续整合结果代码不变 ...4.2 分批处理与异步当候选文档很多时可以分批调用重排序模型避免一次处理太多数据导致OOM内存溢出。import asyncio from concurrent.futures import ThreadPoolExecutor async def batch_rerank_async(query, documents, batch_size8): 异步分批重排序 loop asyncio.get_event_loop() with ThreadPoolExecutor() as executor: tasks [] for i in range(0, len(documents), batch_size): batch_docs documents[i:ibatch_size] # 将同步的rerank调用转为异步任务 task loop.run_in_executor(executor, reranker.rerank, query, batch_docs) tasks.append(task) # 等待所有批次完成 batch_results await asyncio.gather(*tasks) # 合并所有批次的结果 all_scores [] all_indices_global [] offset 0 for batch_scores, batch_indices in batch_results: all_scores.extend(batch_scores) # 调整索引为全局索引 global_indices [idx offset for idx in batch_indices] all_indices_global.extend(global_indices) offset len(batch_scores) # 对所有分数进行全局排序这里简化处理实际需按分数排序 # 更精细的做法是维护一个全局Top K堆 combined list(zip(all_scores, all_indices_global)) combined.sort(keylambda x: x[0], reverseTrue) final_scores [s for s, _ in combined] final_indices [i for _, i in combined] return final_scores, final_indices4.3 多模态Query的构建技巧Lychee Rerank MM的强大之处在于多模态理解。如何构建有效的多模态Query提示Prompt对结果质量影响很大。def build_multimodal_query_for_reranker(textNone, image_pathNone): 为Lychee Rerank MM构建优化的多模态查询指令。 根据官方建议模型对指令敏感。 base_instruction Given a web search query, retrieve relevant passages that answer the query.\n\n if text and image_path: # 图文混合查询 # 需要将图片转换为base64或文件路径传递给模型 # 这里返回一个结构化字典实际调用API时需适配 return { instruction: base_instruction, query_type: text_and_image, text: text, image_path: image_path } elif text: # 纯文本查询 return { instruction: base_instruction, query_type: text_only, text: text } elif image_path: # 纯图片查询 return { instruction: base_instruction, query_type: image_only, image_path: image_path, text: Describe the content of this image. # 可添加引导文本 }5. 总结通过本文的实战演练我们完成了一个从理论到代码的完整旅程实现了Lychee Rerank MM与Milvus的协同工作。我们来回顾一下关键要点1. 混合搜索的价值单纯的向量搜索就像用关键词匹配快但不够精准重排序则像是一个深思熟虑的专家慢但判断精准。两者结合既保证了大规模检索的效率又提升了最终结果的准确性。2. Lychee Rerank MM的核心优势它不是一个普通的文本重排序模型而是一个真正的多模态专家。这意味着你的搜索系统可以支持更自然的交互方式——用户可以直接用图片搜商品、用图表搜分析报告、用截图搜相关代码。这大大降低了搜索门槛提升了体验。3. 工程落地的关键分阶段处理一定要用Milvus先做粗筛把候选集从百万级降到百级再用重排序精排。缓存是朋友对常见查询进行缓存能极大提升响应速度。优雅降级当重排序服务不可用时要有备选方案如直接返回向量排序结果。提示词优化多模态查询的构建方式直接影响模型理解需要根据任务精心设计。4. 扩展想象这套架构不仅可以用于电商搜商品还能应用于知识库问答用户用自然语言提问系统先检索相关文档片段再用重排序找出最可能包含答案的段落。内容推荐根据用户正在阅读的文章或观看的视频推荐语义最相关的其他内容。跨模态检索用一段音乐找匹配氛围的图片或用一张设计草图找相关的设计文档。最后别忘了在实际使用中持续监控和评估。可以收集用户点击数据对比重排序前后Top结果的点击率是否有提升用数据来证明这套系统带来的真实价值。获取更多AI镜像想探索更多AI镜像和应用场景访问 CSDN星图镜像广场提供丰富的预置镜像覆盖大模型推理、图像生成、视频生成、模型微调等多个领域支持一键部署。