Stable Diffusion检索流程

注意修改路径

• 7.28测试 跑分为0
  1. 使用generate_img.py每一个topics生成1000张图片作为查询模拟
  • 30 topics 分4个程序跑需要10h
  • 生成的图片符合语义
    1. feature_extractor.py使用CLIP的ViT-B/32提取每个生成图片的特征向量并保存
  • 2个topics，每个topic有1000张图片 9min10s，大概5h
  • 找一张图片的特征向量和数据集的特征向量计算并排序，看看top10
    • 7.29测试 top5没有问题
    • 
      1. compute_score.py使用faiss加速计算生成图片与数据库图片的相似度。
  • 2个topics ——1h13min 总的 15h
  • 大概率问题出在这里。
    • 是faiss计算的结果并不是相似度，而是一个给分，分数越大，相关性越低，所以应该升序排序，sorted()函数内不该加reverse = True
      1. merge_result_prob.py将所有txt文件合并成一个txt文件用作计算指标

1. perl_to_excel.py计算指标

• 7.29 23:47 测试成功！终于到正常水平了。
• 20topics——20x35min~11h40min 明天中午12点，明天可以想想4个优先级的提交思路，和老师汇报一下，或者改一下交互算法。

This line appears after every note.