タグ、分類、グループ化

生成する言葉と、人が選んだ言葉を広げる機能の違い

語彙を照合する

vis tag vocab capacitor resistor connector --index all --threshold 0.05 は、a photo of a {word} という文と画像の類似度から候補を出します。候補語は人が渡したものだけで、生成されたタグではありません。--apply を付けると、採用対象を meta.json の確定タグとして保存します。

既定のしきい値 0.2 は、既定 SigLIP と cat/dog サンプルには高すぎ、候補が 0 件になることがあります。検証時の有用な帯域はおよそ 0.03〜0.08 でしたが、これは一般則ではありません。実データで候補を確認し、語彙・モデル・領域ごとにしきい値を決めてください。

見本から伝播する

vis tag propagate <id> <tag> --index pets は、選んだ写真に人が付けたタグを近傍へ提案します。既定しきい値は 0.75 で、--yes を指定すると確認なしに適用します。提案段階のタグは保存せず、確認済みのタグだけが index bundle に残る設計です。

分類とクラスタリング

語彙分類は各写真に最も近い語を 1 つ割り当てます。相対的な勝者を取るので、しきい値型のタグ付けより粗い分類には安定しやすく、pet サンプルの cat/dog では 60/60 でした。ただし候補語が適切であることが前提です。

vis cluster --k 2 --index pets は球面 k-means で名前のない群を作ります。--auto（または --k なし）は silhouette score から k を選びます。群が業務上の分類に一致する保証はないため、「この山には何が混ざっているか」を調べる用途に限定してください。

言葉を本当に生成するのは VLM

VLM タグ付けだけが、写真から新しいタグと説明を生成します。ローカルの語彙照合・伝播と同じものではありません。外部送信、費用、保存範囲は VLM と Qdrant を必ず確認してください。