バージョン: User Guides (Cloud)

[説明] このページは機械翻訳された日本語版です。内容に誤りがございましたら、報告していただけると助かります。

構造体の配列によるデータモデル設計

現代のAIアプリケーション、特にIoT（Internet of Things）や自動運転の分野では、通常、リッチで構造化されたイベントに基づいて推論が行われます。例えば、タイムスタンプとベクトル埋め込みを持つセンサー読み取り値、エラーコードと音声スニペットを持つ診断ログ、位置、速度、シーンコンテキストを持つ走行セグメントなどです。これらには、ネストされたデータの取り込みと検索をネイティブにサポートするデータベースが必要です。

Zilliz Cloudは、ユーザーが原子的な構造イベントをフラットなデータモデルに変換する代わりに、構造体の配列を導入します。配列内の各構造体は、スカラーとベクトルを保持でき、セマンティックな整合性を維持します。

構造体の配列を使用する理由

自動運転からマルチモーダル検索まで、現代のAIアプリケーションは、ネストされた異種データにますます依存しています。従来のフラットなデータモデルでは、「多くの注釈付きチャンクを持つ1つのドキュメント」や「複数の観測された操作を持つ1つの運転シーン」のような複雑な関係を表現するのに苦労します。ここで、Zilliz Cloudの構造体の配列データ型が威力を発揮します。

構造体の配列を使用すると、構造化された要素の順序付きセットを保存できます。各構造体には、スカラーフィールドとベクトル埋め込みの独自の組み合わせが含まれます。これにより、次の用途に最適です。

階層データ: 多くのテキストチャンクを持つ書籍や、多くの注釈付きフレームを持つビデオなど、複数の子レコードを持つ親エンティティ。
マルチモーダル埋め込み: 各構造体は、テキスト埋め込みと画像埋め込みなど、複数のベクトルをメタデータとともに保持できます。
時系列データまたはシーケンシャルデータ: 配列フィールド内の構造体は、時系列イベントまたはステップバイステップイベントを自然に表現します。

JSONブロブを保存したり、複数のコレクションにデータを分割したりする従来の回避策とは異なり、構造体の配列は、Zilliz Cloud内でネイティブなスキーマ強制、ベクトルインデックス作成、および効率的なストレージを提供します。

スキーマ設計ガイドライン

検索のためのデータモデル設計で説明されているすべてのガイドラインに加えて、データモデル設計で構造体の配列を使用する前に、次の点も考慮する必要があります。

構造体スキーマの定義

配列フィールドをコレクションに追加する前に、内部の構造体スキーマを定義します。構造体内の各フィールドは、明示的に型付けされ、スカラー（VARCHAR、INT、BOOLEANなど）またはベクトル（FLOAT_VECTOR）である必要があります。

取得または表示に使用するフィールドのみを含めることで、構造体スキーマを簡潔に保つことをお勧めします。未使用のメタデータで肥大化させないでください。

最大容量を慎重に設定する

各配列フィールドには、配列フィールドが各エンティティに対して保持できる要素の最大数を指定する属性があります。これをユースケースの上限に基づいて設定します。たとえば、ドキュメントごとに1,000のテキストチャンク、または運転シーンごとに100の操作などです。

過度に高い値はメモリを浪費するため、配列フィールド内の構造体の最大数を決定するためにいくつかの計算を行う必要があります。

構造体内のベクトルフィールドのインデックス作成

インデックス作成は、コレクション内のベクトルフィールドと構造体で定義されたベクトルフィールドの両方を含む、ベクトルフィールドに必須です。構造体内のベクトルフィールドの場合、インデックスタイプとしてAUTOINDEXを、メトリックタイプとしてMAX_SIMシリーズを使用する必要があります。

適用されるすべての制限の詳細については、制限を参照してください。

実世界の例: 自動運転のためのCoVLAデータセットのモデリング

Turing Motorsによって導入され、WACV 2025（Winter Conference on アプリケーション of Computer Vision）で採択されたComprehensive Vision-言語-Action (CoVLA) データセットは、自動運転におけるVision-言語-Action (VLA) モデルのトレーニングと評価のための豊富な基盤を提供します。通常はビデオクリップである各データポイントには、生の視覚入力だけでなく、次のことを記述する構造化されたキャプションも含まれています。

自車両の挙動（例：「対向車に道を譲りながら左に合流する」）
存在する検出されたオブジェクト（例：先行車両、歩行者、信号機）
シーンのフレームレベルのキャプション

この階層的でマルチモーダルな性質は、構造体の配列機能の理想的な候補となります。CoVLAデータセットの詳細については、CoVLA データセット Websiteを参照してください。

ステップ1: データセットをコレクションスキーマにマッピングする

CoVLAデータセットは、10,000のビデオクリップからなる大規模なマルチモーダル運転データセットで、合計80時間以上の映像が含まれています。20Hzのレートでフレームをサンプリングし、各フレームに詳細な自然言語キャプションと、車両の状態および検出されたオブジェクトの座標に関する情報が注釈付けされています。

データセットの構造は次のとおりです。

├── video_1                                       (VIDEO) # video.mp4
│   ├── video_id                                  (INT)
│   ├── video_url                                 (STRING)
│   ├── frames                                    (ARRAY)
│   │   ├── frame_1                               (STRUCT)
│   │   │   ├── caption                           (STRUCT) # captions.jsonl
│   │   │   │   ├── plain_caption                 (STRING)
│   │   │   │   ├── rich_caption                  (STRING)
│   │   │   │   ├── risk                          (STRING)
│   │   │   │   ├── risk_correct                  (BOOL)
│   │   │   │   ├── risk_yes_rate                 (FLOAT)
│   │   │   │   ├── weather                       (STRING)
│   │   │   │   ├── weather_rate                  (FLOAT)
│   │   │   │   ├── road                          (STRING)
│   │   │   │   ├── road_rate                     (FLOAT)
│   │   │   │   ├── is_tunnel                     (BOOL)
│   │   │   │   ├── is_tunnel_yes_rate            (FLOAT)
│   │   │   │   ├── is_highway                    (BOOL)
│   │   │   │   ├── is_highway_yes_rate           (FLOAT)
│   │   │   │   ├── has_pedestrain                (BOOL)
│   │   │   │   ├── has_pedestrain_yes_rate       (FLOAT)
│   │   │   │   ├── has_carrier_car               (BOOL)
│   │   │   ├── traffic_light                     (STRUCT) # traffic_lights.jsonl
│   │   │   │   ├── index                         (INT)
│   │   │   │   ├── class                         (STRING)
│   │   │   │   ├── bbox                          (LIST<FLOAT>)
│   │   │   ├── front_car                         (STRUCT) # front_cars.jsonl
│   │   │   │   ├── has_lead                      (BOOL)
│   │   │   │   ├── lead_prob                     (FLOAT)
│   │   │   │   ├── lead_x                        (FLOAT)
│   │   │   │   ├── lead_y                        (FLOAT)
│   │   │   │   ├── lead_speed_kmh                (FLOAT)
│   │   │   │   ├── lead_a                        (FLOAT)
│   │   ├── frame_2                               (STRUCT)
│   │   ├── ...                                   (STRUCT)
│   │   ├── frame_n                               (STRUCT)
├── video_2
├── ...
├── video_n

CoVLAデータセットの構造は高度に階層的であり、収集されたデータは複数の.jsonlファイルと.mp4形式のビデオクリップに分割されていることがわかります。

Zilliz Cloudでは、コレクションスキーマ内にネストされた構造を作成するために、JSONフィールドまたは構造体の配列フィールドのいずれかを使用できます。ベクトル埋め込みがネストされた形式の一部である場合、構造体の配列フィールドのみがサポートされます。ただし、配列内の構造体自体は、それ以上のネストされた構造体を含むことはできません。CoVLAデータセットを保存し、本質的な関係を保持するには、不要な階層を削除し、Zilliz Cloudコレクションスキーマに適合するようにデータをフラット化する必要があります。

以下の図は、以下のスキーマでこのデータセットをモデル化する方法を示しています。

PATjwyoKzhPELnb14kBcnAEAnGv

上記の図は、ビデオクリップの構造を示しており、以下のフィールドで構成されています。

video_idは主キーとして機能し、INT64型の整数を受け入れます。
statesは、現在のビデオの各フレームにおける自車両の状態を含む生のJSONボディです。
captionsは構造体の配列であり、各構造体には以下のフィールドがあります。
- frame_idは、現在のビデオ内の特定のフレームを識別します。
- plain_captionは、天候、道路状況などの周囲の環境を含まない現在のフレームの説明であり、plain_cap_vectorはその対応するベクトル埋め込みです。
- rich_captionは、周囲の環境を含む現在のフレームの説明であり、rich_cap_vectorはその対応するベクトル埋め込みです。
- riskは、現在のフレームで自車両が直面するリスクの説明であり、risk_vectorはその対応するベクトル埋め込みです。
- road、weather、is_tunnel、has_pedestrainなど、フレームの他のすべての属性。
traffic_lightsは、現在のフレームで識別されたすべての信号機を含むJSONボディです。
front_carsも構造体の配列であり、現在のフレームで識別されたすべての先行車を含みます。

ステップ2：スキーマを初期化する

まず、キャプション構造体、front_cars構造体、およびコレクションのスキーマを初期化する必要があります。

キャプション構造体のスキーマを初期化します。

client = MilvusClient("YOUR_CLUSTER_ENDPOINT")

# create the schema for the caption struct
schema_for_caption = client.create_struct_field_schema()

schema_for_caption.add_field(
    field_name="frame_id",
    datatype=DataType.INT64,
    description="ID of the frame to which the ego vehicle's behavior belongs"
)

schema_for_caption.add_field(
    field_name="plain_caption",
    datatype=DataType.VARCHAR,
    max_length=1024,
    description="plain description of the ego vehicle's behaviors"
)

schema_for_caption.add_field(
    field_name="plain_cap_vector",
    datatype=DataType.FLOAT_VECTOR,
    dim=768,
    description="vectors for the plain description of the ego vehicle's behaviors"
)

schema_for_caption.add_field(
    field_name="rich_caption",
    datatype=DataType.VARCHAR,
    max_length=1024,
    description="rich description of the ego vehicle's behaviors"
)

schema_for_caption.add_field(
    field_name="rich_cap_vector",
    datatype=DataType.FLOAT_VECTOR,
    dim=768,
    description="vectors for the rich description of the ego vehicle's behaviors"
)

schema_for_caption.add_field(
    field_name="risk",
    datatype=DataType.VARCHAR,
    max_length=1024,
    description="description of the ego vehicle's risks"
)

schema_for_caption.add_field(
    field_name="risk_vector",
    datatype=DataType.FLOAT_VECTOR,
    dim=768,
    description="vectors for the description of the ego vehicle's risks"
)

schema_for_caption.add_field(
    field_name="risk_correct",
    datatype=DataType.BOOL,
    description="whether the risk assessment is correct"
)

schema_for_caption.add_field(
    field_name="risk_yes_rate",
    datatype=DataType.FLOAT,
    description="probability/confidence of risk being present"
)

schema_for_caption.add_field(
    field_name="weather",
    datatype=DataType.VARCHAR,
    max_length=50,
    description="weather condition"
)

schema_for_caption.add_field(
    field_name="weather_rate",
    datatype=DataType.FLOAT,
    description="probability/confidence of the weather condition"
)

schema_for_caption.add_field(
    field_name="road",
    datatype=DataType.VARCHAR,
    max_length=50,
    description="road type"
)

schema_for_caption.add_field(
    field_name="road_rate",
    datatype=DataType.FLOAT,
    description="probability/confidence of the road type"
)

schema_for_caption.add_field(
    field_name="is_tunnel",
    datatype=DataType.BOOL,
    description="whether the road is a tunnel"
)

schema_for_caption.add_field(
    field_name="is_tunnel_yes_rate",
    datatype=DataType.FLOAT,
    description="probability/confidence of the road being a tunnel"
)

schema_for_caption.add_field(
    field_name="is_highway",
    datatype=DataType.BOOL,
    description="whether the road is a highway"
)

schema_for_caption.add_field(
    field_name="is_highway_yes_rate",
    datatype=DataType.FLOAT,
    description="probability/confidence of the road being a highway"
)

schema_for_caption.add_field(
    field_name="has_pedestrian",
    datatype=DataType.BOOL,
    description="whether there is a pedestrian present"
)

schema_for_caption.add_field(
    field_name="has_pedestrian_yes_rate",
    datatype=DataType.FLOAT,
    description="probability/confidence of pedestrian presence"
)

schema_for_caption.add_field(
    field_name="has_carrier_car",
    datatype=DataType.BOOL,
    description="whether there is a carrier car present"
)

Front Car 構造体のスキーマを初期化する

📘Notes

フロントカーはベクトル埋め込みを伴いませんが、データサイズがJSONフィールドの最大値を超えるため、構造体の配列として含める必要があります。

schema_for_front_car = client.create_struct_field_schema()

schema_for_front_car.add_field(
    field_name="frame_id",
    datatype=DataType.INT64,
    description="ID of the frame to which the ego vehicle's behavior belongs"
)

schema_for_front_car.add_field(
    field_name="has_lead",
    datatype=DataType.BOOL,
    description="whether there is a leading vehicle"
)

schema_for_front_car.add_field(
    field_name="lead_prob",
    datatype=DataType.FLOAT,
    description="probability/confidence of the leading vehicle's presence"
)

schema_for_front_car.add_field(
    field_name="lead_x",
    datatype=DataType.FLOAT,
    description="x position of the leading vehicle relative to the ego vehicle"
)

schema_for_front_car.add_field(
    field_name="lead_y",
    datatype=DataType.FLOAT,
    description="y position of the leading vehicle relative to the ego vehicle"
)

schema_for_front_car.add_field(
    field_name="lead_speed_kmh",
    datatype=DataType.FLOAT,
    description="speed of the leading vehicle in km/h"
)

schema_for_front_car.add_field(
    field_name="lead_a",
    datatype=DataType.FLOAT,
    description="acceleration of the leading vehicle"
)

コレクションのスキーマを初期化する

schema = client.create_schema()

schema.add_field(
    field_name="video_id",
    datatype=DataType.VARCHAR,
    description="primary key",
    max_length=16,
    is_primary=True,
    auto_id=False
)

schema.add_field(
    field_name="video_url",
    datatype=DataType.VARCHAR,
    max_length=512,
    description="URL of the video"
)

schema.add_field(
    field_name="captions",
    datatype=DataType.ARRAY,
    element_type=DataType.STRUCT,
    struct_schema=schema_for_caption,
    max_capacity=600,
    description="captions for the current video"
)

schema.add_field(
    field_name="traffic_lights",
    datatype=DataType.JSON,
    description="frame-specific traffic lights identified in the current video"
)

schema.add_field(
    field_name="front_cars",
    datatype=DataType.ARRAY,
    element_type=DataType.STRUCT,
    struct_schema=schema_for_front_car,
    max_capacity=600,
    description="frame-specific leading cars identified in the current video"
)

ステップ3：インデックスパラメータの設定

すべてのベクトルフィールドはインデックス化する必要があります。要素の構造体内のベクトルフィールドをインデックス化するには、インデックスタイプとしてAUTOINDEXを、埋め込みリスト間の類似性を測定するためのメトリックタイプとしてMAX_SIMシリーズを使用する必要があります。

index_params = client.prepare_index_params()

index_params.add_index(
    field_name="captions[plain_cap_vector]", 
    index_type="AUTOINDEX", 
    metric_type="MAX_SIM_COSINE", 
    index_name="captions_plain_cap_vector_idx", # mandatory for now
    index_params={"M": 16, "efConstruction": 200}
)

index_params.add_index(
    field_name="captions[rich_cap_vector]", 
    index_type="AUTOINDEX", 
    metric_type="MAX_SIM_COSINE", 
    index_name="captions_rich_cap_vector_idx", # mandatory for now
    index_params={"M": 16, "efConstruction": 200}
)

index_params.add_index(
    field_name="captions[risk_vector]", 
    index_type="AUTOINDEX", 
    metric_type="MAX_SIM_COSINE", 
    index_name="captions_risk_vector_idx", # mandatory for now
    index_params={"M": 16, "efConstruction": 200}
)

JSONフィールド内のフィルタリングを高速化するために、JSONフィールドのJSONシュレッディングを有効にすることをお勧めします。

ステップ4: コレクションを作成する

スキーマとインデックスの準備ができたら、次のようにターゲットコレクションを作成できます。

client.create_collection(
    collection_name="covla_dataset",
    schema=schema,
    index_params=index_params
)

ステップ5: データを挿入する

Turing Motosは、CoVLAデータセットを複数のファイルに整理しています。これには、生のビデオクリップ（.mp4）、状態（states.jsonl）、キャプション（captions.jsonl）、信号機（traffic_lights.jsonl）、および前方の車（front_cars.jsonl）が含まれます。

これらのファイルから各ビデオクリップのデータピースをマージし、データを挿入する必要があります。以下は、特定のビデオクリップのデータピースをマージするためのスクリプトです。

import json
from openai import OpenAI

openai_client = OpenAI(
    api_key='YOUR_OPENAI_API_KEY',
)

video_id = "0a0fc7a5db365174" # represent a single video with 600 frames

# get all front car records in the specified video clip
entries = []
front_cars = []
with open('data/front_car/{}.jsonl'.format(video_id), 'r') as f:
    for line in f:
        entries.append(json.loads(line))

for entry in entries:
    for key, value in entry.items():
        value['frame_id'] = int(key)
        front_cars.append(value)

# get all traffic lights identified in the specified video clip
entries = []
traffic_lights = []
frame_id = 0
with open('data/traffic_lights/{}.jsonl'.format(video_id), 'r') as f:
    for line in f:
        entries.append(json.loads(line))

for entry in entries:
    for key, value in entry.items():
        if not value or (value['index'] == 1 and key != '0'):
            frame_id+=1

        if value:
            value['frame_id'] = frame_id
            traffic_lights.append(value)
        else:
            value_dict = {}
            value_dict['frame_id'] = frame_id
            traffic_lights.append(value_dict)

# get all captions generated in the video clip and convert them into vector embeddings
entries = []
captions = []
with open('data/captions/{}.jsonl'.format(video_id), 'r') as f:
    for line in f:
        entries.append(json.loads(line))

def get_embedding(text, model="embeddinggemma:latest"):
    response = openai_client.embeddings.create(input=text, model=model)
    return response.data[0].embedding

# Add embeddings to each entry
for entry in entries:
    # Each entry is a dict with a single key (e.g., '0', '1', ...)
    for key, value in entry.items():
        value['frame_id'] = int(key)  # Convert key to integer and assign to frame_id

        if "plain_caption" in value and value["plain_caption"]:
            value["plain_cap_vector"] = get_embedding(value["plain_caption"])
        if "rich_caption" in value and value["rich_caption"]:
            value["rich_cap_vector"] = get_embedding(value["rich_caption"])
        if "risk" in value and value["risk"]:
            value["risk_vector"] = get_embedding(value["risk"])

        captions.append(value)

data = {
    "video_id": video_id,
    "video_url": "https://your-storage.com/{}".format(video_id),
    "captions": captions,
    "traffic_lights": traffic_lights,
    "front_cars": front_cars
}

データを適切に処理したら、次のように挿入できます。

client.insert(
    collection_name="covla_dataset",
    data=[data]
)

# {'insert_count': 1, 'ids': ['0a0fc7a5db365174'], 'cost': 0}

構造体の配列を使用する理由​

スキーマ設計ガイドライン​

構造体スキーマの定義​

最大容量を慎重に設定する​

構造体内のベクトルフィールドのインデックス作成​

実世界の例: 自動運転のためのCoVLAデータセットのモデリング​

ステップ1: データセットをコレクションスキーマにマッピングする​

ステップ2：スキーマを初期化する​

ステップ3：インデックスパラメータの設定​

ステップ4: コレクションを作成する​

ステップ5: データを挿入する​