CBIR IMAGE SEARCH – Content-Based Image Retrieval

Reidentificación de celebridades mediante visión artificial.

Este proyecto implementa un sistema de Recuperación de Imágenes Basado en Contenido (CBIR) diseñado para la reidentificación de personas. Utiliza un pipeline modular en Python que integra FAISS para la indexación vectorial de alta velocidad y permite comparar el rendimiento de 5 extractores de características que representan la evolución del estado del arte en visión artificial.

El sistema incluye una interfaz interactiva basada en Streamlit y un módulo de evaluación automatizada.

🚀 Guía de Inicio Rápido

1. Preparación de los Datos

1. Descarga el dataset de galería (images): Enlace a Google Drive

2. Descarga el dataset de consulta (test): Enlace a Google Drive

3. Estructura de carpetas: Descomprime los archivos y asegúrate de que tu proyecto tenga esta estructura exacta:

   /proyecto
   ├── /images              # Imágenes de Galería (Base de conocimiento)
   │   ├── /Angelina Jolie
   │   ├── /Leonardo DiCaprio
   │   └── ...
   │
   └── /test                # Imágenes de Consulta (Para pruebas)
       ├── /Angelina Jolie
       └── ...
   

2. Instalación de Dependencias

1. Crear el entorno

En la terminal Windows, dentro de la carpeta del proyecto:

python -m venv venv
venv\Scripts\activate

En la terminal Linux o Mac, dentro de la carpeta del proyecto:

python3 -m venv venv
source venv/bin/activate

2. Instalar requisitos

pip install -r requirements.txt

3. Generación de Índices FAISS

Nota: la carpeta /cbir_database que viene dada en este repositorio corresponde con los índices FAISS de nuestro conjunto de datos de galería. Si es el conjunto con el que quieres hacer la búsqueda, puedes saltarte este paso.

Antes de realizar búsquedas, es necesario procesar las imágenes de la galería y generar los índices vectoriales .faiss.

python cbir.py

Este comando:

• Recorre la carpeta /images
• Extrae embeddings usando los 5 extractores (Histograma, SIFT, ResNet50, VGG-Face, DINOv2).
• Normaliza los vectores
• Genera los índices en la carpeta /cbir_database
• Genera el archivo de metadatos /cbir_database/image_data.csv

4. Interfaz de Usuario Streamlit

Para interactuar visualmente con el motor de búsqueda y realizar consultas manuales:

streamlit run app.py

La aplicación se abrirá automáticamente en http://localhost:8501.

Funcionalidades:

• Selección dinámica de extractor.
• Carga y recorte manual de la imagen de consulta.
• Visualización de los resultados más similares, imágenes y etiquetas.
• Cálculo de Top-10 Accuracy en tiempo real (si se introduce la etiqueta).

5. Evaluación automatizada (benchmarking)

Nota: se han incluido los archivos resultantes de esta parte en la carpeta /result realizados con nuestro conjunto de consulta. Si desea evaluar el mismo, puede saltarse este paso.

Para obtener las métricas de rendimiento (Top-k Accuracy y Latencia) sobre todo el conjunto de test sin intervención manual:

python evaluation.py

Este comando:

• Recorre la carpeta /test
• Computa el Top-k Accuracy medio para $k=1$ y $k=10$ y latencia media para cada extractor, así como el Top-10 Accuracy medio para cada par famoso-extractor.
• Genera dos archivos .csv en la carpeta /proyecto con las métricas detalladas

🧠 Extractores Implementados

Modelo	Tipo	Descripción	Dimensión Vector
Histograma de Color	Estadístico	Distribución de color RGB.	512
SIFT	Descriptor Local	BoVW + K-Means.	100
ResNet50	CNN (Generalista)	Pre-entrenada con ImageNet.	2048
VGG-Face	CNN (Especialista)	Fine-tuned para reconocimiento facial.	4096
DINOv2	Transformer	Modelo autosupervisado (ViT) de Meta AI.	768

📂 Estructura del proyecto

cbir_project/
│
├── app.py
├── cbir.py
├── evaluation.py
├── requirements.txt
│
├── cbir_database/
│   ├── index_resnet.faiss
│   ├── index_vggface.faiss
│   ├── image_data.csv
│   └── ...
│
├── images/ 
├── test/
└── result/

📝 Notas importantes

• El código se ha probado en dispositivos con RAM >= 16GB. Hay modelos que pueden aprovechar CUDA si está disponible, pero los resultados generados en el benchmark no serán válidos al no aplicarse a todos los modelos.
• No se recomienda editar manualmente los archivos .faiss.
• Si se añaden nuevas imágenes a la carpeta /images se deberá de ejecutar de nuevo python cbir.py para considerar los nuevos índices en la galería.

---

Autores: Laura Martín y Miguel Gallego

Fecha: 12 Dec 2025