181 Bits

     由於任職公司的檢驗標準都是 pdf 格式存在檔案伺服器上，一頁數字參數、一頁是對應尺寸示意視圖，往往開發時程兜不上很多產品非連號（更常有下個造型尺寸不同型號跳了2-5年），跳號的系列產品，若承辦人換人，往往就會漏掉一些系列雷同產品，經由電腦分析將近6000多個檔案，要一個一個看也太過於繁瑣，依照現代人也很難全部記憶起來，近期 AI 的發達，故也受惠於其發展，但企業機敏資訊固然無法使用雲端AI與其進行分析，詢問 AI 後，可透過本機端利用圖形分析模型建立索引，再來透過片段式圖形進行反向查詢。   程式碼建立索引資料庫 ---> 索引 json / index 檔案 <--- 查詢程式碼    建立索引有很多種方式，大多是是利用套件讀取 pdf 查找到對應視圖透過拆解圖面區塊進行特徵標注後，進行索引標注，收到查詢資訊也是對應相似度進行查核，然而個人測試非常多種分割大小與索引方式等等 AI 試錯，要快要簡單不用太吃 AI 算力的，基本上就是 CLIP 或是 DINOv2 這兩者，如果要透過 Ollama 下載 VL 模型的話也是可以作到較為精細索引，公司可用電腦光建立三項索引就花了4小時，要偵錯跟排除的時間太久，故此聽取 AI 建議就採最低經濟實惠的 CLIP 與 DINIv2 模型進行建立索引，關於這兩項模型可以參考 這篇文章 的比較。   個人已於 github 分享其結構與查詢工具的 python 檔案，讓未來有需求的人可以玩看看，但有些圖形太過於簡單的線條，部份產品很容易被列成雜訊（其實精準度並非很高），準確度部份有與 Claude AI 討論過，先利用既有現實 pdf 檔案與圖片截圖進行交叉比對的數據 benchmark 的比較 experiment.py， 可以先進行分析評估適合使用哪個模型，其實CLIP就很夠用，但也能兩個交叉混何使用，若有任何問題都能把原始碼丟給 AI 分析就會告訴你最好如何操作，     https://github.com/maker181/DrawingLookup