Résumez cet article avec :
- API de recherche de similarité d'images est un outil puissant qui permet aux développeurs de comparer des images en fonction de leur contenu visuel et de récupérer des images similaires à partir d'une base de données ou du Web.
- Pour une comparaison approfondie des meilleures API permettant d'améliorer l'analyse du contenu visuel, consultez notre article « Meilleures solutions de recherche de similarité d'images de 2024 » .
- Une fois inscrit, vous recevrez une clé API qui vous permettra d'accéder à l'ensemble diversifié de fournisseurs de similarité d'images disponibles sur la plateforme.
- Dans le didacticiel précédent, nous avons appris à utiliser l'API Eden AI Image Similarity Search pour rechercher des images similaires à l'aide d'une URL ou d'un fichier local.
- Optimisation du commerce électronique : Les détaillants en ligne utilisent la recherche de similarité d'images pour proposer des recommandations de produits personnalisées en fonction des similitudes visuelles, améliorant ainsi l'expérience utilisateur et stimulant les ventes.
Qu'est-ce que Image API de recherche de similarités?
API de recherche de similarité d'images est un outil puissant qui permet aux développeurs de comparer des images en fonction de leur contenu visuel et de récupérer des images similaires à partir d'une base de données ou du Web. Cette technologie utilise des algorithmes avancés pour analyser les caractéristiques visuelles des images, telles que les couleurs, les textures et les formes, et identifier les similitudes entre elles.

Comment ça marche ?
L'API Image Similarity Search fonctionne en extrayant les caractéristiques clés d'une image d'entrée et en les comparant aux caractéristiques d'autres images d'un jeu de données. Il utilise des techniques telles que l'apprentissage profond et la vision par ordinateur pour comprendre le contenu des images et mesurer leur similitude.
Lorsqu'une image de requête est fournie à l'API, celle-ci traite l'image et génère un vecteur de caractéristiques représentant ses caractéristiques visuelles. Ensuite, il effectue une recherche dans une collection d'images pour trouver celles dont les vecteurs de caractéristiques sont similaires. La similitude entre les images est généralement mesurée à l'aide de métriques de distance telles que la distance euclidienne ou la similitude des cosinus.
Pour une comparaison approfondie des meilleures API permettant d'améliorer l'analyse du contenu visuel, consultez notre article « Meilleures solutions de recherche de similarité d'images de 2024 ».
Diverses applications de la recherche de similarité d'images
- Optimisation du commerce électronique : Les détaillants en ligne utilisent la recherche de similarité d'images pour proposer des recommandations de produits personnalisées en fonction des similitudes visuelles, améliorant ainsi l'expérience utilisateur et stimulant les ventes.
- Gestion de contenu efficace : Les entreprises de médias et les plateformes de ressources numériques utilisent la recherche de similarité d'images pour organiser et récupérer les images de manière efficace, rationalisant ainsi les processus de flux de travail et de catégorisation du contenu.
- Inspiration créative en matière d'art et de design : Les artistes et les designers tirent parti de la recherche de similarité d'images pour découvrir des images, des œuvres d'art ou des designs visuellement similaires afin de s'inspirer, facilitant ainsi l'idéation et l'exploration créatives.
- Sécurité et surveillance : Les agences de sécurité utilisent la recherche de similarité d'images pour identifier les suspects, suivre les objets et analyser les tendances des images de surveillance, améliorant ainsi les capacités de prévention de la criminalité et d'enquête.
Comment utiliser la recherche de similarité d'images sur Eden AI
Étape 1 : Créez un compte sur Eden AI
Pour commencer à utiliser l'API Eden AI, vous devez créer un compte sur la plateforme Eden AI. Une fois inscrit, vous recevrez une clé API qui vous permettra d'accéder à l'ensemble diversifié de fournisseurs de similarité d'images disponibles sur la plateforme.

Étape 2 : Choisissez la source de votre image
Avant de plonger dans le code, déterminez où se trouve l'image de votre requête :
- URL du fichier : Si votre image est hébergée en ligne, vous utiliserez son URL.
- Fichier local : Si votre image est stockée localement sur votre machine, vous devez fournir son chemin de fichier.

Étape 3 : Obtenir l'extrait de code Python
Passons maintenant au code. En fonction de la source d'image que vous avez choisie, vous utiliserez différents extraits de code.
Utilisation de l'URL du fichier
Si vous utilisez un fichier hébergé en ligne, voici l'extrait de code Python :
import base64
import json
import math
import os
import requests
headers = {"Authorization": "Bearer <your_api_key>"}
url = "https://api.edenai.run/v3/embeddings"
def to_data_uri(image_bytes, mime="image/jpeg"):
# Images are sent as base64 data URIs
return f"data:{mime};base64," + base64.b64encode(image_bytes).decode()
def embed_images(images):
# Returns one embedding per image, in the same order
payload = {"model": "google/gemini-embedding-2", "input": images}
response = requests.post(url, json=payload, headers=headers)
response.raise_for_status()
return [item["embedding"] for item in response.json()["data"]]
def cosine_similarity(a, b):
dot = sum(x * y for x, y in zip(a, b))
return dot / (math.sqrt(sum(x * x for x in a)) * math.sqrt(sum(y * y for y in b)))
def search(query_vector, dataset, n=5):
scores = [(name, cosine_similarity(query_vector, vector)) for name, vector in dataset.items()]
return sorted(scores, key=lambda s: s[1], reverse=True)[:n]
# Your dataset of image embeddings (see "Adding New Images" below)
dataset = json.load(open("dataset.json")) if os.path.exists("dataset.json") else {}
image_bytes = requests.get("🔗 URL of your image").content
query = embed_images([to_data_uri(image_bytes)])[0]
print(search(query, dataset))
Assurez-vous de remplacer « 🔗 URL de votre image » avec l'URL réelle de votre image. L'image que vous spécifiez ici sera utilisée comme requête pour la recherche de similarité. Le code télécharge l'image, l'envoie sous forme de data URI en base64 à l'endpoint d'embeddings d'Eden AI (https://api.edenai.run/v3/embeddings) avec le modèle multimodal google/gemini-embedding-2, puis classe les images de votre ensemble de données par similarité cosinus.
Utilisation d'un fichier local
Si votre image est stockée localement, utilisez l'extrait de code suivant :
# Reuses the functions and the dataset from the previous snippet
with open("🖼️ path/to/your/image.png", "rb") as f:
query = embed_images([to_data_uri(f.read(), "image/png")])[0]
print(search(query, dataset))
Remplacer « 🖼️ path/to/your/image.png » avec le chemin réel vers votre fichier image. Cette image servira de requête pour la recherche de similarité.
En outre, vous pouvez remplacer la valeur de « model » par un autre modèle d'embeddings qui accepte les images (voir https://api.edenai.run/v3/embeddings/models). Utilisez le même modèle pour votre ensemble de données et vos requêtes : des vecteurs issus de modèles différents ne sont pas comparables.
En suivant ces étapes, vous pouvez exploiter la puissance de l'API de recherche de similarité d'images d'Eden AI pour trouver facilement des images visuellement similaires. Que vous travailliez avec des images hébergées en ligne ou stockées localement, Eden AI fournit un moyen simple et efficace d'intégrer la recherche de similarité d'images dans vos projets. Testez différents fournisseurs et personnalisez la recherche en fonction de vos besoins spécifiques, en tirant le meilleur parti de cet outil puissant.
Ajout de nouvelles images à votre ensemble de données pour la recherche de similarité d'images
Dans le didacticiel précédent, nous avons appris à utiliser l'API Eden AI Image Similarity Search pour rechercher des images similaires à l'aide d'une URL ou d'un fichier local. Désormais, en apprenant comment ajouter de nouvelles images à votre ensemble de données, vous pouvez continuellement mettre à jour et affiner votre bibliothèque d'images, ce qui rend vos recherches de similarité encore plus efficaces. Que vous ajoutiez des images à partir d'une source en ligne ou que vous les téléchargiez directement depuis votre appareil, ces étapes vous aideront à gérer facilement votre ensemble de données.
Guide étape par étape
Fonction pour ajouter une image
Avant de plonger dans les cas spécifiques, voici une petite fonction qui calcule l'embedding d'une image et l'enregistre dans dataset.json, le fichier lu par le code de recherche ci-dessus :
import json
def add_to_dataset(image_name, image_data_uri, path="dataset.json"):
# Computes the embedding of the image and saves it in the dataset file
try:
with open(path) as f:
data = json.load(f)
except FileNotFoundError:
data = {}
data[image_name] = embed_images([image_data_uri])[0]
with open(path, "w") as f:
json.dump(data, f)
return len(data)
Ajouter des images via une URL
Lorsque vous ajoutez des images via une URL, vous téléchargez l'image, envoyez son contenu à l'endpoint d'embeddings et enregistrez le vecteur obtenu dans votre ensemble de données.
image_bytes = requests.get("https://example.com/test.jpg").content
print(add_to_dataset("test.jpg", to_data_uri(image_bytes)))
Fonctionnement du code
Voici ce que fait le code pour ajouter une image via une URL :
- Téléchargement :
requests.getrécupère l'image à partir de son URL. - Encodage :
to_data_uritransforme l'image en data URI en base64, le format attendu par l'endpoint d'embeddings pour les images. - Enregistrement :
add_to_datasetenregistre le vecteur sous le nom de l'image et renvoie la taille de l'ensemble de données.
Ajouter des images via un fichier local
Lorsque vous ajoutez des images à partir d'un fichier local, vous devez envoyer les données du fichier directement à l'API.
with open("./Assets/car3.jpeg", "rb") as f:
print(add_to_dataset("car3.jpeg", to_data_uri(f.read())))
Fonctionnement du code
Voici ce que fait le code pour ajouter une image via un fichier local :
- Lecture : le fichier est ouvert en mode binaire. Indiquez le chemin du fichier local à ajouter.
- Encodage :
to_data_uritransforme l'image en data URI en base64. Pour un fichier PNG, passez"image/png"en second argument. - Enregistrement :
add_to_datasetenregistre le vecteur sous le nom de l'image et renvoie la taille de l'ensemble de données.
En suivant ces étapes, vous pouvez facilement ajouter de nouvelles images à votre ensemble de données pour la recherche de similarité d'images avec Eden AI. La mise à jour de votre bibliothèque d'images améliorera la précision et la pertinence de vos recherches, fournissant ainsi de meilleurs résultats au fil du temps. Que vous ajoutiez des images via une URL ou un fichier local, l'API d'Eden AI simplifie le processus, vous permettant de vous concentrer sur la création et le perfectionnement de votre application.
Tutoriel vidéo
Pour vous aider à visualiser ces étapes, nous avons préparé un didacticiel vidéo expliquant à la fois comment exécuter une recherche de similarité d'images et comment ajouter des images à votre jeu de données. Regardez la vidéo ci-dessous pour suivre et voir le processus en action :
Avantages de l'utilisation de l'API unique d'Eden AI
L'utilisation de l'API Eden AI est simple et rapide.

Économisez du temps et de l'argent
Nous proposons une API unifiée pour tous les fournisseurs : simple et standard à utiliser, avec un switch rapide qui vous permet d'accéder très facilement à toutes les fonctionnalités spécifiques (diarisation, horodatage, filtre de bruit, etc.).
Facile à intégrer
Le format de sortie JSON est le même pour tous les fournisseurs grâce au travail de standardisation d'Eden AI. Les éléments de réponse sont également standardisés grâce aux puissants algorithmes de correspondance d'Eden AI.
Personnalisation
Avec Eden AI, vous pouvez intégrer une plateforme tierce : nous pouvons développer rapidement des connecteurs. Pour aller plus loin et personnaliser votre demande d'API avec des paramètres spécifiques, consultez notre documentation.
Prochaine étape de votre projet
L'équipe d'Eden AI peut vous aider dans votre projet d'intégration d'Image Similarity Search. Cela peut être fait en :
- Organisation d'une démonstration du produit et d'une discussion pour mieux comprendre vos besoins. Vous pouvez réserver un créneau horaire sur ce lien : Contacter
- En testant gratuitement la version publique d'Eden AI : toutefois, tous les fournisseurs ne sont pas disponibles sur cette version. Certains ne sont disponibles que sur la version Enterprise.
- En bénéficiant du soutien et des conseils d'une équipe d'experts pour trouver la combinaison optimale de prestataires en fonction des spécificités de vos besoins
- Possibilité d'intégration sur une plateforme tierce : nous pouvons développer rapidement des connecteurs.
.jpeg)

