扫描本地的图片以及视频，并且可以用自然语言进行查找。
- 文字搜图
- 以图搜图
- 文字搜视频（会给出符合描述的视频片段）
- 以图搜视频（通过视频截图搜索所在片段）
- 图文相似度计算（只是给出一个分数，用处不大）
首先安装Python环境，然后下载本仓库代码。
注意，首次运行会自动下载模型。下载速度可能比较慢，请耐心等待。如果网络不好，模型可能会下载失败，这个时候重新执行程序即可。
- 首次使用前需要安装依赖：
pip install -U -r requirements.txt，Windows系统可以双击install.bat（NVIDIA GPU加速）或install_cpu.bat（纯CPU）。 - 如果你打算使用GPU加速，则执行基准测试判断是CPU快还是GPU快：
python benchmark.py，Windows系统可以双击benchmark.bat。GPU不一定比CPU快，在我的Mac上CPU更快。 - 如果不是CPU最快，则修改
config.py中的DEVICE和DEVICE_TEXT，改为对应设备，如DEVICE = "cuda"。 - 启动程序：
python main.py，Windows系统可以双击run.bat。
如遇到requirements.txt版本依赖问题（比如某个库版本过新会导致运行报错），请提issue反馈，我会添加版本范围限制。
如遇到硬件支持但无法使用GPU加速的情况，请根据PyTorch文档更新torch版本。
如果想使用"下载视频片段"的功能，需要安装ffmpeg。如果是Windows系统，记得把ffmpeg.exe所在目录加入环境变量PATH，可以参考：Bing搜索。
目前只有一个Docker镜像，支持amd64和arm64，打包了默认模型（openai/clip-vit-base-patch32和IDEA-CCNL/Taiyi-CLIP-Roberta-102M-Chinese）并且支持GPU（仅amd64架构的镜像支持）。 如有更多需求欢迎提issue。
启动镜像前，你需要准备：
- 数据库的保存路径
- 你的扫描路径以及打算挂载到容器内的哪个路径
- 根据你的路径信息，准备一个
config.py - 根据你的路径信息，修改
docker-compose.yml里面的volume路径 - 如果打算使用GPU，则需要取消注释
docker-compose.yml里面的对应部分
具体请参考docker-compose.yml，已经写了详细注释。
最后执行docker-compose up -d启动容器即可。
注意：不推荐对容器设置内存限制，否则可能会出现奇怪的问题。比如这个issue。
所有配置都在config.py文件中，里面已经写了详细的注释。
目前功能仍在迭代中，配置会经常变化。如果更新版本后发现无法启动，需要参考最新的配置文件手动改一下配置。
如果你发现某些格式的图片或视频没有被扫描到，可以尝试在IMAGE_EXTENSIONS和VIDEO_EXTENSIONS增加对应的后缀。如果你发现一些支持的后缀没有被添加到代码中，欢迎提issue或pr增加。
小图片没被扫描到的话，可以调低IMAGE_MIN_WIDTH和IMAGE_MIN_HEIGHT重试。
如遇问题，请先仔细阅读本文档。如果找不到答案，请在issue中搜索是否有类似问题。如果没有，可以新开一个issue，详细说明你遇到的问题，加上你做过的尝试和思考，附上报错内容和截图，并说明你使用的系统（Windows/Linux/MacOS）和config.py的配置。
本人只负责本项目的功能、代码和文档等相关问题（例如功能不正常、代码报错、文档内容有误等）。运行环境问题请自行解决（例如：如何配置Python环境，无法使用GPU加速，如何安装ffmpeg等）。
本人做此项目纯属“为爱发电”（也就是说，其实本人并没有义务解答你的问题）。为了提高问题解决效率，请尽量在开issue时一次性提供尽可能多的信息。如问题已解决，请记得关闭issue。一个星期无人回复的issue会被关闭。如果在被回复前已自行解决问题，推荐留下解决步骤，赠人玫瑰，手有余香。
推荐使用amd64或arm64架构的CPU。内存最低2G，但推荐最少4G内存。如果照片数量很多，推荐增加更多内存。
测试环境：J3455，8G内存。全志H6，2G内存。
如果使用AMD的GPU，仅支持在Linux下使用GPU加速。请参考：PyTorch文档。
在 J3455 CPU 上，1秒钟可以进行大约17000次图片匹配（视频匹配可能会稍慢一些）。
- 部分图片和视频无法在网页上显示，原因是浏览器不支持这一类型的文件（例如tiff文件，svq3编码的视频等）。
欢迎提PR！不过为了避免无意义的劳动，建议先提issue讨论一下。
提PR前请确保代码已经格式化。