一、介绍
VimgFind是专为Windows系统设计的本地AI搜图工具，核心是“向量编码”与“索引存储”。实际上无论是以图搜图还是以文搜图，核心的第一步都是将这些非数值型数据给量化成向量。而如果希望能同时集成以图搜图还是以文搜图，就必须要求模型能将图片和文本映射到同一块向量空间中。项目地址：github.com/Just-A-Fres…
VimgFind不仅具有以图搜图能力，同时在2.1以上的版本还新增了以文搜图的功能（输入框内回车键触发）；
二、快速使用
2.1 直接下载
- 最新版v2.3.2：github.com/Just-A-Fres…
- 历史版本：项目Releases页面（github.com/Just-A-Fres…
[注意] 首次启动需切换到设置界面添加并立即更新索引。默认开启了自动更新索引，只要添加了索引目录，后面就无需再手动更新。目前的界面支持：
- 点击浏览按钮/剪切板按钮/拖拽图片到窗口实现以图搜图；
- 在文本框中输入文本按回车键触发以文搜图；
2.2 源码部署
详见项目简介
三、功能实现
3.1 以图搜图的核心逻辑
以图搜图的本质是“图片向量的相似度匹配”，流程如下：
- 图片预处理：通过PIL（Pillow）库读取本地图片，完成尺寸归一化、色域转换等操作（项目中
utils.py、encoder.py隐含该逻辑）； - 向量编码：将预处理后的图片输入预训练的ONNX模型（Imagenet-B2/Chinese CLIP），通过ONNXRuntime完成推理，输出固定维度的图片特征向量；
- 向量索引构建：利用hnswlib（高效近邻检索库）将所有图片的特征向量构建成索引库（
IndexManager.py负责索引管理）； - 相似度检索：待搜索图片经同样编码后，在索引库中检索余弦相似度最高的向量，匹配出对应的图片文件。
3.2 以文搜图的核心逻辑
以文搜图是“文本-图片跨模态匹配”，基于CLIP（Contrastive Language-Image Pre-training）技术实现：
- 文本分词编码：通过
tokenizer.py中的FullTokenizer类，将中文文本切分为子词（参考config/models/vocab.txt的中文词表），再转换为模型可识别的ID； - 文本向量生成：分词后的文本输入Chinese CLIP的ONNX模型，生成文本特征向量；
- 跨模态匹配：将文本向量与图片索引库中的图片向量做余弦相似度计算，返回匹配度最高的图片——这也是VimgFind v2.1及以上版本支持“以文搜图”的核心。
3.3 索引存储逻辑
如果直接将所有向量和文件路径一同塞到向量数据库中，是极为不合适的。不仅是因为文件路径并非向量数据库的核心存储内容，却极大地消耗了向量数据库的存储体积。此外，如果我们想存储更多的文件信息，也只能一股脑往向量数据库塞。更好的方式是只往向量数据库中存储"id + 向量"，再创一个文件name_index.json存储"id"到文件路径的映射。我们还可以在name_index.json中存储文件的元数据。这样当文件发生变化时，我们可以通过比较元数据发现这一变化，并更新其对应的向量。
3.4 加速索引构建的核心方法
索引构建的核心瓶颈在于IO而非CPU计算。在Python中，由于想要加快IO密集型的任务，核心便是利用多线程。在线程中使用PIL模型对图像进行预处理，回到主线程对图片进行向量化。这便是search_tools.py中类SearchTool中update_ir_index方法的核心逻辑。
3.5 项目核心依赖解析
VimgFind的依赖清单（requirements.txt）精准匹配了功能需求：
hnswlib==0.8.0：轻量级近邻检索库，支撑亿级向量的快速检索；onnxruntime==1.20.1：ONNX模型推理引擎，兼容Windows且推理速度快；Pillow==9.5.0：图片处理基础库，负责图片读取、预处理；numpy==1.21.6：向量计算基础库；- 其他依赖（如pywin32）：适配Windows系统的文件操作、剪切板功能等。
