工业视觉选型指南：主流全局曝光高速摄像头路线多维对比
2026/10/9 0:50:56
一、安装Docker DeskTop
生产环境推荐Docker安装
1.1 下载安装包
官网：https://www.docker.com/
方式1：选择版本下载：
方式2：从视频资料里获取
1.2 安装
步骤1：点击OK即可
步骤2：等待安装完成
步骤3：重启电脑或稍后自行重启
也可以关闭窗口，稍后自行重启。
步骤4：接受服务协议
点击启动图标：
弹窗如下窗口：
选择跳过：
步骤5：完成安装
步骤6：选择允许控制
步骤7：不登录使用
步骤8：跳过
个别首次安装的小伙伴会被windows系统提示需要安装适用于Linux的Windows子系统。这里选
择确认安装。稍等片刻后会完成安装。
步骤9：安装成功验证
通过win+r调取运行：输入cmd
输入：docker。能显示如下内容即可成功
1.3 设置Proxy
我们后续下载的Milvus是最新版，在国内可能没有对应镜像，所以建议“xx上网”
1.4 配置加速器(备选)
因为 Milvus 镜像文件比较大（好几百 MB 甚至上 GB），加上 Docker Hub 的官方镜像源在国内访问经
常受到网络限制或干扰，所以会出现下载速度极慢、甚至卡死报错的情况。所以，我们可以加速器。
南京大学镜像站：https://docker.dockerimages.jobcher.com
阿里云的个人专属加速器（免费且稳定）。
- 登录 https://cr.console.aliyun.com/cn-hangzhou/instances/mirrors，在左侧导航栏选择
镜像工具 -> 镜像加速器，在页面中你会看到一个属于你的 加速器地址。
- 登录 https://cr.console.aliyun.com/cn-hangzhou/instances/mirrors，在左侧导航栏选择
在Docker Desktop中-右上角的 齿轮图标-左侧配置Docker Engine ：
{ "builder": { "gc": { "defaultKeepStorage": "20GB", "enabled": true } }, "experimental": false, "registry-mirrors": [ "https://rlmws9iw.mirror.aliyuncs.com", "https://docker.dockerimages.jobcher.com" ] }二、安装Milvus
以管理员身份打开Docker Desktop，确保Docker Engine状态正常后进行下一步
打开powershell，后续操作都在powershell命令行完成
切换文件目录
(base) PS C:\WINDOWS\system32> d: (base) PS D:\> cd D:\developTools\Milvus (base) PS D:\developTools\Milvus>
注意：developTools\Milvus是你期望保存Milvus数据库的目录，执行前需要确保此文件目录
存在。不存在，提前创建好。
下载启动脚本
(base) PS D:\developTools\Milvus> Invoke-WebRequest https://raw.githubusercontent.com/milvus-io/milvus/refs/heads/master/scripts/standalone_embed.bat -OutFile standalone.bat
说明：
1、执行完以后，会在当前路径下生成standalone.bat文件。
2、如果下载不畅，可以打开ikun。
执行命令
(base) PS D:\developTools\Milvus> .\standalone.bat start
第三步我们将启动脚本安装在当前目录下，通过bat文件传递启动命令。
如果更换了启动脚本的下载位置，更改命令指向该文件即可。
- 查看状态
本地缺少Milvus镜像会自动从云端拉取，看到上图所示Start successfully 则启动成功。
停止容器
(base) PS D:\developToo1s\Milvus> .\standalone.bat stop
此外，在Docker容器中可见：
三、测试前准备工作
3.1 确保Milvus已启动
(base) PS D:\developToo1s\Milvus> .\standalone.bat start3.2 安装Milvus Python SDK
pip install pymilvus # 已在requirements_full.txt文件中安装Milvus Lite已包含在Milvus的Python SDK中，此处不用Milvus Lite，直接访问在docker desktop安装
的、Standalone模式的Milvus服务。
3.3 Milvus数据模型
3.3.1 整体结构
从业务角度，Milvus数据模型层级如下
Database -> Collection -> Partition -> EntityDatabase：Milvus 的数据库，用来隔离不同业务数据。
Collection：最核心的逻辑容器，类似于关系型数据库里的 table。
Partition：分区，是 collection 的子集，不是必须手动创建；一个 collection 至少会有默认
partition。
Entity：可以理解为 collection 中的一条记录。类似于关系型数据库的一行数据。
3.3.2 具体说明
在传统数据库中，如果你想存储用户信息，你会建一张表叫 user_table ；想存储商品，会建一张表叫
product_table 。
在向量数据库中，我们要存储的是成千上万个“特征向量”以及它们对应的文本。为了把不同用途的向量
分门别类地存放，我们就要创建不同的 Collection。 比如，COLLECTION_NAME = “docs” 就是给这
张“表”取名叫 docs ，专门用来存放你切分好的文档片段向量。
四、基本用法
4.1 DDL操作
4.1.1 Database
4.1.1.1 查看数据库
- 创建客户端
from pymilvus import MilvusClient client = MilvusClient("http://localhost:19530")- 列出所有数据库
existing_dbs = client.list_databases() print("== Databases ==") for db in existing_dbs: print(db)输出如下
== Databases == default4.1.1.2 创建数据库
db_name = "rag_tutorial" if db_name not in existing_dbs: client.create_database(db_name=db_name)4.1.1.3 删除数据库
client.drop_database(db_name=db_name)如果数据库下有Collection则无法删除，需要先删除它的所有Collection才能删除Database
4.1.2 Collection
4.1.2.1 切换数据库
client.use_database(db_name=db_name)上述命令的作用等价于关系型数据库中的 use <database>
4.1.2.2 查看数据库下的collections
collections = client.list_collections() print("== Collections ==") for collection in collections: print(collection)输出如下
== Collections ==4.1.2.3 创建collection
collection_name = "docs" client.create_collection( collection_name=collection_name, dimension=1024, metric_type="COSINE" )dimension ：嵌入向量维度，应和嵌入模型的向量维度保持一致，见下文。
metric_type 表示向量相似度的计算方式，COSINE 表示余弦相似度。
当用户提问时，系统会把提问也变成向量，然后去数据库里找“最相似”的本地文本向量。但怎么定
义“相似”呢？ 向量数据库需要知道计算规则。COSINE （余弦相似度）关注的是两个向量在方向上
的夹角：如果两个向量方向完全一致（代表文本意思极度接近），余弦值接近 1 。
如果方向正交（毫无关系），值接近 0 。
结论：在 RAG 检索时，Milvus 会帮你计算用户问题与数据库中所有文本的余弦相似度，并把
得分（Score）从大到小排序，把得分最高（最相似）的前 K 个片段还给你。 (注：除了
COSINE 之外，常见的还有 L2 欧氏距离、IP 内积等。)
4.1.2.4 删除collection
if client.has_collection(collection_name=collection_name): client.drop_collection(collection_name=collection_name)4.2 DML操作
确保已删除名为docs 的collection，下文会重新创建
4.2.1 准备嵌入模型
选择bge-m3 作为嵌入模型，可以通过硅基流动调用，该模型可以免费调用，如果追求更低的延迟、更
稳定的服务，也可以充值后选择带有pro 前缀的模型，如下所示
这两款产品的模型是一样的，区别只在于资费和服务保障。
注册后获取硅基流动的API_KEY，写入.env文件
SILICONFLOW_BASE_URL=https://api.siliconflow.cn/v1 SILICONFLOW_API_KEY=<YOUR_API_KEY>准备嵌入模型，代码如下
from langchain.embeddings import init_embeddings import os from dotenv import load_dotenv load_dotenv(override=True) # 初始化嵌入模型 embed_model = init_embeddings( model="openai:Pro/BAAI/bge-m3", api_key=os.getenv("SILICONFLOW_API_KEY"), base_url=os.getenv("SILICONFLOW_BASE_URL"), )或者：
from langchain_openai import OpenAIEmbeddings import os from dotenv import load_dotenv load_dotenv(override=True) # 初始化嵌入模型 embed_model = OpenAIEmbeddings( model="Pro/BAAI/bge-m3", # 免费模型 ID: BAAI/bge-m3 base_url=os.getenv("SILICONFLOW_BASE_URL"), api_key=os.getenv("SILICONFLOW_API_KEY"), )4.2.2 准备collection
4.2.2.1 创建collection
client.create_collection( collection_name=collection_name, dimension=1024, metric_type="COSINE" )根据模型维度，创建匹配的collection。
4.2.2.2 查看collection元数据
from rich import print as rprint # 查看 collection 元数据 metadata = client.describe_collection( collection_name=collection_name, ) rprint(metadata)输出如下
{ 'collection_name': 'docs', 'auto_id': False, 'num_shards': 1, 'description': '', 'fields': [ { 'field_id': 100, 'name': 'id', 'description': '', 'type': <DataType.INT64: 5>, 'params': {}, 'is_primary': True }, { 'field_id': 101, 'name': 'vector', 'description': '', 'type': <DataType.FLOAT_VECTOR: 101>, 'params': {'dim': 1024} } ], 'functions': [], 'aliases': [], 'collection_id': 467030880814894392, 'consistency_level': 2, 'properties': {'timezone': 'UTC'}, 'num_partitions': 1, 'enable_dynamic_field': True, 'enable_namespace': False, 'created_timestamp': 467030999785013266, 'update_timestamp': 467030999785013266 }我们在创建collection时没有指定schema，后者可以理解为表结构，此时Milvus会将collection定义为默
认结构。字段信息如下
id ：数据ID，作为主键唯一标识数据
vector ：数据的嵌入向量
此外，enable_dynamic_field 为True ，这表示 collection 支持动态字段。也就是说，除了预定义的
id 和 vector 字段之外，在插入数据时还可以携带其他未提前声明的字段，这些字段会被自动写入
并统一存储在动态字段中。这样做的好处是能够在不修改 schema 的情况下，灵活保存额外的业务属
性，例如文本内容、标签、时间戳或来源信息等，适合字段结构不固定的场景。
4.2.3 准备数据
4.2.3.1 准备原始数据
# 准备测试数据 texts = [ "LangChain 是一个用于构建 LLM 应用的开发框架。", "Milvus 是一个适合 AI 应用的向量数据库。", "RAG 的核心是先检索相关知识，再让大模型生成答案。", "Docker Desktop 可以方便地在本地运行 Milvus Standalone。" ]4.2.3.2 生成嵌入向量
vectors = embed_model.embed_documents(texts)4.2.3.3 查看生成的嵌入向量
print(len(vectors)) print(len(vectors[0])) print(vectors[0][:5])输出如下
4 1024 [-0.027955636382102966, 0.052097633481025696, 0.042480628937482834, 0.0016073246952146292, 0.030923642218112946]4.2.3.4 封装为可以插入的数据格式
由上可知，collection需要id字段作为主键唯一标识数据，需要vector字段存储嵌入向量，其余字段
可以按需添加。
data = [ {"id": i, "vector": vectors[i], "text": texts[i], "source": "demo"} for i in range(len(texts)) ]4.2.4 写入数据
4.2.4.1 插入数据
# 插入数据 insert_res = client.upsert( collection_name=collection_name, data=data ) print("insert result:", insert_res)upsert可以保证幂等写入，即主键相同时覆盖
输出如下
insert result: {'upsert_count': 4, 'ids': [0, 1, 2, 3]}4.2.4.2 手动flush
# 手动 flush client.flush(collection_name=collection_name)Milvus不会第一时间将数据落盘，要看到写入效果，我们手动flush，将数据刷写到磁盘
4.2.4.3 查看collection统计信息
# 查看 collection 统计 stats = client.get_collection_stats(collection_name=collection_name) print("collection stats:", stats)输出如下
collection stats: {'row_count': 4}4.3 DQL操作
4.3.1 扫描数据
通过query_iterator 扫描collection下的所有数据
it = client.query_iterator( collection_name=collection_name, batch_size=100, filter="", # 不加过滤 = 扫全部 output_fields=["*"] # 你的显式 schema 字段 ) i = 0 while True: rows = it.next() if not rows: break for row in rows: print("=" * 30, f'-> 第{i + 1}条 <-', "=" * 30) print(row) print("=" * 30, f'-> 第{i + 1}条 <-', "=" * 30) i += 1 it.close()输出如下
============================== -> 第1条 <- ============================== {'id': 0, 'vector': [0.06801506131887436, 0.06247688829898834, ......], 'text': 'LangChain 是一个用于构建 LLM 应用的开发框架。', 'source': 'demo'} ============================== -> 第1条 <- ============================== ============================== -> 第2条 <- ============================== {'id': 1, 'vector': [0.03384151682257652, 0.057637207210063934, ......], 'text': 'Milvus 是一个适合 AI 应用的向量数据库。', 'source': 'demo'} ============================== -> 第2条 <- ============================== ============================== -> 第3条 <- ============================== {'id': 2, 'vector': [-0.009978039190173149, 0.09607630968093872, ......], 'text': 'RAG 的核心是先检索相关知识，再让大模型生成答案。', 'source': 'demo'} ============================== -> 第3条 <- ============================== ============================== -> 第4条 <- ============================== {'id': 3, 'vector': [0.027756735682487488, 0.11396646499633789, ......], 'text': 'Docker Desktop 可以方便地在本地运行 Milvus Standalone。', 'source': 'demo'} ============================== -> 第4条 <- ==============================4.3.2 通过主键查询数据
# 查询 res = client.get( collection_name=collection_name, ids=[0, 1, 2, 3], ) print(len(res)) for i in range(len(res)): print("=" * 30, f'-> 第{i + 1}条 <-', "=" * 30) print(res[i]) print("=" * 30, f'-> 第{i + 1}条 <-', "=" * 30)输出如下
4 ============================== -> 第1条 <- ============================== {'id': 0, 'vector': [0.06801506131887436, 0.06247688829898834, 0.1035236120223999, -0.030978884547948837, 0.004772709216922522, ......], 'text': 'LangChain 是一个用于构建 LLM 应用的开发框架。', 'source': 'demo'} ============================== -> 第1条 <- ============================== ============================== -> 第2条 <- ============================== {'id': 1, 'vector': [0.03384151682257652, 0.057637207210063934, 0.07520284503698349, 0.0011678006267175078, 0.013201077468693256, ......], 'text': 'Milvus 是一个适合 AI 应用的向量数据库。', 'source': 'demo'} ============================== -> 第2条 <- ============================== ============================== -> 第3条 <- ============================== {'id': 2, 'vector': [-0.009978039190173149, 0.09607630968093872, 0.029030004516243935, 0.005278652533888817, 0.022045450285077095, ......], 'text': 'RAG 的核心是先检索相关知识，再让大模型生成答案。', 'source': 'demo'} ============================== -> 第3条 <- ============================== ============================== -> 第4条 <- ============================== {'id': 3, 'vector': [0.027756735682487488, 0.11396646499633789, 0.04289725795388222, -0.043288204818964005, -0.029911866411566734, ......], 'text': 'Docker Desktop 可以方便地在本地运行 Milvus Standalone。', 'source': 'demo'} ============================== -> 第4条 <- ==============================4.3.3 相似度检索
4.3.3.1 准备查询嵌入
# 相似度检索 query = "什么是向量数据库？" query_vector = embed_model.embed_query(query)4.3.3.2 检索
results = client.search( collection_name=collection_name, data=[query_vector], # Milvus search 这里仍然要传二维列表 limit=3, output_fields=["text", "source"] ) print("=== search results ===") for hit in results[0]: print(hit)limit 表示检索结果最多保留几条数据
output_fields 表示输出的实体中展示哪些字段。
结果如下
=== search results === {'id': 0, 'distance': 0.5897263884544373, 'entity': {'text': 'LangChain 是一个用于构建 LLM 应用的开发框架。', 'source': 'demo'}} {'id': 1, 'distance': 0.5572514533996582, 'entity': {'text': 'Milvus 是一个适合 AI 应用的向量数据库。', 'source': 'demo'}} {'id': 2, 'distance': 0.50614333152771, 'entity': {'text': 'RAG 的核心是先检索相关知识，再让大模型生成答案。', 'source': 'demo'}}