Steg 2: anslut Qdrant och ställ in medoid-konfiguration

Dessa noder förbereder anslutningsdetaljer till Qdrant och samlingsinställningar som används i hela arbetsflödet.

1. I Map Image URL, ställ in imageURL till {{ $json.query.imageURL }}.
2. I Medoid Config Variables, ställ in clusterCenterType till is_medoid.
3. Ställ in qdrantCloudURL till https://[YOUR_ID].eu-central-1-0.aws.cloud.qdrant.io (ersätt med er Qdrant-URL).
4. Ställ in collectionName till =agricultural-crops.
5. Ställ in clusterThresholdCenterType till is_medoid_cluster_threshold.
6. I Count Collection Points, ställ in URL till {{ $json.qdrantCloudURL }}/collections/{{ $json.collectionName }}/points/count och Method till POST.
7. Ställ in JSON Body till { "exact": true }.
8. Inloggningsuppgifter krävs: Anslut era qdrantApi-uppgifter i Count Collection Points och återanvänd dem i Crop Facet Totals och Query Medoid Similarity.

Steg 3: sammanfatta grödkluster och bygg bild-embeddings

Det här avsnittet räknar grödor i Qdrant, tar fram en totalsiffra och skapar en embedding för den inkommande bilden.

1. I Crop Facet Totals, ställ in URL till {{ $('Medoid Config Variables').first().json.qdrantCloudURL }}/collections/{{ $('Medoid Config Variables').first().json.collectionName }}/facet.
2. Ställ in JSON Body i Crop Facet Totals till {{ { "key": "crop_name", "limit": $json.result.count, "exact": true } }}.
3. I Crop Cluster Summary, ställ in cropsNumber till {{ $json.result.hits.length }}.
4. I Create Image Embedding, ställ in URL till https://api.voyageai.com/v1/multimodalembeddings och Method till POST.
5. Ställ in JSON Body till {{ { "inputs": [ { "content": [ { "type": "image_url", "image_url": $('Map Image URL').first().json.imageURL } ] } ], "model": "voyage-multimodal-3", "input_type": "document" } }}.
6. Inloggningsuppgifter krävs: Anslut era httpHeaderAuth-uppgifter i Create Image Embedding.

Steg 4: sök efter likhet och utvärdera matchpoäng

Embedding används för att söka medoid-center i Qdrant och sedan avgöra om grödan är känd eller okänd.

1. I Query Medoid Similarity, ställ in URL till {{ $('Medoid Config Variables').first().json.qdrantCloudURL }}/collections/{{ $('Medoid Config Variables').first().json.collectionName }}/points/query.
2. Ställ in JSON Body till {{ { "query": $json.data[0].embedding, "using": "voyage", "limit": $('Crop Cluster Summary').first().json.cropsNumber, "with_payload": true, "filter": { "must": [ { "key": $('Medoid Config Variables').first().json.clusterCenterType, "match": { "value": true } } ] } } }}.
3. Inloggningsuppgifter krävs: Anslut era qdrantApi-uppgifter i Query Medoid Similarity.
4. I Evaluate Match Scores, behåll Python-koden som den är för att jämföra poäng mot is_medoid_cluster_threshold och skapa ett resultatmeddelande.

Steg 5: testa och aktivera ert arbetsflöde

Kör ett manuellt test för att verifiera hela kedjan från indata med bild-URL till slutlig matchklassificering.

1. Klicka på Execute Workflow och trigga Run Sub-Workflow (Configure Required) med en exempel-payload som innehåller query.imageURL.
2. Bekräfta att Create Image Embedding returnerar en embedding och att Query Medoid Similarity returnerar punkter.
3. Kontrollera Evaluate Match Scores för ett resultat som Looks similar to [crop] eller ALERT, we might have a new undefined crop!.
4. När utdata är korrekt, slå på arbetsflödet Active för att aktivera användning i produktion.