MongoDB Vektör Arama ve FastAPI ile Görselleri ve Metinleri Nasıl Ararsınız

Anahtar sözcük tabanlı arama basit sorgularda iyi iş görür, ancak tam sözcük eşleşmesinden ziyade anlamla ilgilendiğimizde hızla yetersiz kalır. Bir belgede “yanıt sürelerini artırma” ve diğerinde “performansı iyileştirme” geçiyorsa, geleneksel bir arama motoru bunları ilgisiz kabul eder; oysa aslında aynı fikri tanımlarlar. Yalnızca ifade farklı olduğu için anlamsal ilişkileri kaybederiz.

Vektör arama, metin ve görselleri gömmeler olarak temsil ederek bu sınırlamayı çözer: bağlamı, niyeti ve anlamsal benzerliği yakalayan, makine öğrenimi modelleri tarafından üretilen sayısal vektörler. Bu gömmeleri MongoDB’ye kaydettikten sonra, kullanılan terimlerden bağımsız olarak gerçekten ilişkili öğeleri bulmak için sorgulayabiliriz.

Bu eğitimde, FastAPI ve MongoDB Atlas Vector Search kullanarak bu iş akışının uçtan uca pratik bir örneğini geliştireceğiz. Metin gömmelerini SentenceTransformers ile, görsel gömmelerini CLIP tabanlı bir modelle üretecek, her ikisini de MongoDB’ye kaydedecek ve bunlar üzerinde benzerlik aramaları çalıştıracağız. Sonunda, anlamsal makale araması, ürün önerileri, görsel benzerlik araçları ve daha pek çok gerçek dünya uygulamasını destekleyebilecek çalışan bir temel elde edeceğiz.

Hazırsanız başlayalım.

Önkoşullar

Başlamadan önce birkaç şeye ihtiyacımız olacak. Bu eğitim, Python, FastAPI ve MongoDB’ye temel düzeyde aşinalık varsayar; ancak ileri düzey bilgilere dayanmayacağız—kullandığımız her şeyi ilerledikçe tanıtacağız.

İhtiyacımız olanlar:

• Python 3.10+
• Etkin Vector Search özelliğine sahip bir MongoDB Atlas kümesi
• FastAPI ortamı
• Postman veya cURL
• Modelleri indirmek ve gömmek için internet erişimi

Kullanacağımız Python kütüphaneleri

Kurulumun bir parçası olarak bunları yükleyeceğiz:

• FastAPI: web çatımız
• uvicorn: geliştirme sunucusu
• pymongo: MongoDB sürücüsü
• sentence-transformers: metin gömme modeli
• open_clip: CLIP tabanlı görsel gömme modeli
• torch: CLIP ve SentenceTransformers için gereklidir
• Pillow: görsel işleme desteği (PIL)

Bu araçlar, gömmeler üretmek, bunları MongoDB’de depolamak ve vektör aramayla verimli şekilde sorgulamak için ihtiyacımız olan her şeyi sağlar.

Vektör Aramayı Anlamak

Koda geçmeden önce, iş akışının altında neler olduğuna dair bir fikir edinmek faydalı olur. Vektör arama parçalara böldüğümüzde karmaşık değildir ve temelleri bilmek, geri kalanını takip etmeyi çok daha kolaylaştırır.

Gömme (embedding) nedir?

Bir gömme, bir verinin anlamını temsil eden sayı listesidir (bir vektör).

Metinde gömme, bağlam ve niyet gibi unsurları yakalar. Görsellerde ise görsel desenleri ve özellikleri yakalar.

Bir gömmenin çok basitleştirilmiş bir örneği şöyledir:

[0.21, -0.17, 0.89, ...]Altyapı:

Anlamsal olarak benzer iki şey—örneğin aynı fikri tanımlayan iki cümle veya benzer nesneler içeren iki görsel—matematiksel olarak birbirine yakın vektörlere sahip olur. Vektör arama, bu yakınlığı ölçerek çalışır.

MongoDB gömmeleri nasıl kullanır

MongoDB, gömmeleri üretmez. Bunun yerine en iyi yaptığı işe odaklanır:

• Gömme vektörlerini depolamak
• Bunları bir vektör indeksi ile dizinlemek
• En yakın komşuları verimli şekilde getirmek

Başka bir deyişle, gömmeleri modellerimiz üretir, aramayı MongoDB üstlenir.

Bu net ayrım, sistemi hem esnek hem de ölçeklenebilir kılar.

Gömme modeli türleri

Sayısal bir vektör çıktısı verdiği sürece istediğimiz gömme modelini seçebiliriz. Farklı modeller, farklı veri türlerinde uzmanlaşır:

FastAPI ve MongoDB Atlas kullanarak uygulayacağımız iş akışı budur.

Kurulumdan sonra, metin ve görselleri anlamlarına göre arayabileceğiz—bu, geleneksel anahtar sözcük aramasının yapamadığı bir şeydir.

MongoDB Atlas’ı Kurma

FastAPI uygulamasını oluşturmadan önce, gömmelerimizi depolayıp sorgulayabileceğimiz bir ortama ihtiyacımız var. MongoDB Atlas bunu kolaylaştırır ve vektör indeksleri kurmak yalnızca birkaç dakika alır.

1. Bir küme (cluster) oluşturun

Henüz yoksa, MongoDB Atlas’ta yeni bir küme oluşturun. Ücretsiz katman (M0) bu eğitim için gayet yeterlidir. Küme nasıl oluşturulur konusunda daha fazla bilgi için MongoDB belgelerine bakın.

2. Bir veritabanı ve koleksiyonlar oluşturun

Küme içinde:

1. Bir veritabanı oluşturun. vector_db olarak adlandıracağız. Bununla ilgili daha fazla ayrıntı için belgelere göz atın.
2. İçinde iki koleksiyon oluşturun:
• texts: metin belgelerini ve gömmelerini saklayacağımız yer
• images: görsel dosya adlarını ve görsel gömmelerini saklayacağımız yer

Bir koleksiyon nasıl oluşturulur belgelerine bakın.

Görsel koleksiyonla metin koleksiyonunu ayrı tuttuk; çünkü farklı gömme modellerine ve farklı vektör boyutlarına dayanırlar.

3. Vektör indeksleri oluşturun

MongoDB’nin hızlı benzerlik aramaları yapabilmesi için bir vektör indeksine ihtiyacı var. Metin gömmeleri için bir, görsel gömmeleri için bir indeks oluşturacağız.

Bunları Atlas → Collections → Search Indexes bölümünden oluşturabilirsiniz. Önce metin koleksiyonu için ayarlayalım.

Aşağıdaki görsel süreç hakkında daha iyi bir açıklama sunar.

Sonraki ekranda Vector Search ->JSON Editor -> Next seçeneklerine tıklayın. Aşağıdaki görsel süreci daha iyi anlamanıza yardımcı olacaktır

Metin için vektör indeksi

Vektör arama indeksinde, JSON metnini kodumuzla eşleşecek şekilde düzenleyin.

Metin için all-MiniLM-L6-v2 modelini kullanıyoruz ve bu model 384 boyutlu gömmeler üretir.

JSON tanımı şöyle:

{
  "fields": [
    {
      "type": "vector",
      "path": "embedding",
      "numDimensions": 384,
      "similarity": "cosine"
    }
  ]
}Altyapı:

Bu indekse şu adı verin: vector_texts_search ve kaydedin.

Bu, MongoDB’nin metin gömmeleri üzerinde kosinüs benzerliği aramaları yapmasını sağlar. Aşağıdaki görsel süreç hakkında daha ayrıntılı bir açıklama sunar.

Görseller için vektör indeksi

Görseller için, 512 boyutlu vektörler üreten CLIP tabanlı bir model kullanıyoruz; dolayısıyla görsel indeksi bu boyutla eşleşmeli. JSON tanımı aşağıdaki kodla eşleşmelidir. Bunun dışında akışın geri kalanı aynıdır. 

{
  "fields": [
    {
      "type": "vector",
      "path": "embedding",
      "numDimensions": 512,
      "similarity": "cosine"
    }
  ]
}Altyapı:

Bu indeksi şöyle adlandırın: vector_images_search.

Her iki indeks de etkin hale geldiğinde, MongoDB Atlas vektör arama sorguları için hazır olacaktır.

FastAPI Projesini Kurma

Artık MongoDB Atlas kümemiz ve vektör indekslerimiz hazır olduğuna göre, gömmeler üretecek ve bunları MongoDB’ye kaydedecek FastAPI uygulamasını kurabiliriz. Bu eğitim, bir üretim hizmeti inşa etmekten ziyade iş akışını anlamakla ilgili olduğundan proje yapısını küçük ve odaklı tutacağız.

1. Gerekli bağımlılıkları yükleyin

FastAPI, Uvicorn, MongoDB’nin Python sürücüsü ve metin ile görsel gömmelerini üretmek için gereken kütüphaneleri yükleyeceğiz. Şunu çalıştırın:

pip install fastapi uvicorn pymongo python-dotenv sentence-transformers torch pillow open_clip_torch python-multipartAltyapı:

Bunlara neden ihtiyacımız olduğuna hızlı bir bakış:

• fastapi—API çatımız
• uvicorn—FastAPI’yi çalıştırmak için ASGI sunucusu
• pymongo—MongoDB sürücüsü
• python-dotenv—.env dosyasından ortam değişkenlerini yükler
• sentence-transformers—metin gömme modeli
• torch—gömme modelleri için gereklidir
• pillow—temel görsel işleme
• open_clip_torch—CLIP tabanlı görsel gömme modeli
• python-multipart—FastAPI üzerinden dosya yüklemek için gereklidir

Kurulum tamamlandığında, projeyi düzenlemeye hazırız.

2. Proje yapısı

Her şeyi tek bir Python dosyasında tutacak, yapılandırmayı ise ortam değişkenleriyle yöneteceğiz:

fastapi-mongodb-vector-search/
│── main.py
│── .env
│── venv/Altyapı:

main.py; metin uç noktalarını, görsel uç noktalarını ve MongoDB bağlantısını içeren tüm uygulamayı barındıracaktır.

MONGODB_URI="your connection string"
DB_NAME="vector_db"
TEXT_COLLECTION="texts"
IMAGE_COLLECTION="images"Altyapı:

• MONGODB_URI—kümeniz için Atlas URI’si
• DB_NAME—oluşturduğumuz veritabanı
• TEXT_COLLECTION—metin + gömmelerin saklanacağı yer
• IMAGE_COLLECTION—görsel gömmelerin kaydedileceği yer

FastAPI, uygulama başladığında bunları yükleyecek ve yapılandırmayı koddan ayrı tutacaktır.

Metin Aramayı Uygulama

FastAPI projemizi kurduğumuza göre, metin arama iş akışını oluşturarak başlayabiliriz. Bu bölüm, vektör aramanın temel fikrini tanıtır: Metnimiz için gömme üretir, bunları MongoDB’ye kaydeder ve biraz önce oluşturduğumuz vektör indeksini kullanarak sorgularız.

Her şeyin adım adım kolay test edilip ayıklanabilmesi için bunu iki küçük adımda ele alacağız.

 a. Metin ekleyin ve gömme üretin

İlk uç nokta bir başlık ve metin içeriği kabul edecek. Her iki alanı tek bir dizede birleştirip SentenceTransformers ile bir gömme üretecek ve belgeyi gömme vektörüyle birlikte kaydedeceğiz.

Kodda şöyle görünecek:

# main.py (excerpt)

from fastapi import FastAPI, HTTPException
from pydantic import BaseModel
from pymongo import MongoClient
from sentence_transformers import SentenceTransformer
from dotenv import load_dotenv
import os

load_dotenv()

app = FastAPI()

# --- DB setup ---
client = MongoClient(os.getenv("MONGODB_URI"))
db = client[os.getenv("DB_NAME")]
texts_coll = db[os.getenv("TEXT_COLLECTION")]
Images_coll = db[os.getenv("IMAGE_COLLECTION")]


# --- text embedding model ---
MODEL_NAME = "all-MiniLM-L6-v2"
text_model = SentenceTransformer(MODEL_NAME)

# --- request schema ---
class AddTextRequest(BaseModel):
    title: str
    content: str

@app.post("/add-text")
def add_text(payload: AddTextRequest):
    try:
        # Combine fields for richer embeddings
        text = f"{payload.title}\n\n{payload.content}"

        # Generate text embedding
        embedding = text_model.encode(text).tolist()

        # Store document in MongoDB
        doc = {
            "title": payload.title,
            "content": payload.content,
            "embedding": embedding,
            "model": MODEL_NAME,
        }

        result = texts_coll.insert_one(doc)

        return {
            "inserted_id": str(result.inserted_id),
            "title": payload.title
        }
    except Exception as e:
        raise HTTPException(status_code=500, detail=str(e))Altyapı:

Bu uç nokta nasıl test edilir

Test için cURL, Postman ve benzeri API test araçları kullanılabilir. Bu eğitimde Postman ile test edeceğiz.

Ayrıca, webdeki Postman ile test edebilmek için FastAPI uç noktamızı internete açmamız gerekiyor. Bunun için Ngrok kullanacağız. Ngrok’a yeniyseniz belgelere göz atın. Test için önce aşağıdaki komutla FastAPI kodunu çalıştırın:

uvicorn main:app --reloadAltyapı:

Ardından aşağıdaki Ngrok komutunu kullanarak localhost adresinizi internete tünelleyin:

Ngrok http 8000Altyapı:

Bu, aşağıdaki görseldeki gibi test etmek için bir URL oluşturacaktır:

add-text uç noktasına Postman ile bir POST isteği gönderin. Aşağıdaki görsel, isteğin gönderilmesi ve almanız gereken beklenen yanıt sürecini daha ayrıntılı gösterir.

Beklenen yanıt:

{
  "inserted_id": "65f...",
  "title": "Why FastAPI is great."
}Altyapı:

Bu, gömme modelinizin doğru yüklendiğini ve MongoDB’nin vektörü kaydettiğini doğrular. Bu çalışıyorsa, metin hattınız (pipeline) düzgün çalışıyor demektir.

b. Metni vektör aramayla arayın

Artık metin ekleyebildiğimize göre, sıradaki adım MongoDB’nin $vectorSearch aşamasını kullanarak arama yapmak. Burada şunları yaparız:

1. Kullanıcının sorgusunu bir gömmeye dönüştürmek.
2. MongoDB’den en yakın vektörleri getirmesini istemek.
3. En benzer belgeleri döndürmek.

Şu uç noktayı main.py dosyasına ekleyin:

class SearchTextRequest(BaseModel):
    query: str
    limit: int = 5

@app.post("/search-text")
def search_text(payload: SearchTextRequest):
    try:
        # Convert search query to embedding
        query_vector = text_model.encode(payload.query).tolist()

        # Vector search pipeline
        pipeline = [
            {
                "$vectorSearch": {
                    "queryVector": query_vector,
                    "path": "embedding",
                    "numCandidates": 100,
                    "limit": payload.limit,
                    "index": "vector_texts_search" # field MUST match the index name in Atlas exactly


                }
            },
            {
                "$project": {
                    "title": 1,
                    "content": 1,
                    "score": {"$meta": "vectorSearchScore"},
                    "_id": 0
                }
            }
        ]

        results = list(texts_coll.aggregate(pipeline))
        return {"results": results}

    except Exception as e:
        raise HTTPException(status_code=500, detail=str(e))Altyapı:

> numCandidates parametresi, en iyi sonuçlar döndürülmeden önce kaç potansiyel eşleşmenin değerlendirileceğini belirler. 

> Daha yüksek değerler doğruluğu artırır ancak sorgu süresini uzatır. İyi bir kural, limitinizin 10–20 katıdır.

Metin araması nasıl test edilir

Bir veya daha fazla belge ekledikten sonra, Ngrok ile oluşturduğumuz bağlantıyı kullanarak Postman üzerinden /search-text uç noktasına bir POST isteği yapın; aşağıdaki görselde olduğu gibi:

Beklenen çıktı:

{
  "results": [
    {
      "title": "Why FastAPI is great",
      "content": "FastAPI makes building APIs simple and fast.",
      "score": 0.85
    }
  ]
}Altyapı:

Benzerlik puanlı bir sonuç görüyorsanız, metin vektör arama hattınız uçtan uca çalışıyor demektir. Bu kısım güvenilir şekilde çalıştığında, görsel iş akışına geçmeye hazırız.

Görsel Aramayı Uygulama

Metin iş akışımız sorunsuz çalıştığına göre, aynı fikri görsellere genişletebiliriz. Genel akış benzerdir—tek büyük fark, gömmeleri nasıl ürettiğimizdir. SentenceTransformers yerine, görselleri 512 boyutlu vektörlere dönüştürmek için tasarlanmış CLIP tabanlı bir model kullanacağız.

Yine, ilerledikçe test etmeyi ve ayıklamayı kolaylaştırmak için bunu adım adım uygulayacağız.

a. Görsel ekleyin ve gömme üretin

Bu uç nokta, yüklenen bir görsel dosyasını kabul eder, CLIP’in anlayacağı tensöre dönüştürür, 512 boyutlu bir gömme üretir ve bunu MongoDB’ye kaydeder.

Şöyle görünür:

# --- CLIP model setup ---
import torch
import open_clip
from PIL import Image
import io
from fastapi import UploadFile, File

# Load CLIP model once when the app starts
clip_model, _, preprocess = open_clip.create_model_and_transforms(
    "ViT-B-32",
    pretrained="openai"
)
device = "cuda" if torch.cuda.is_available() else "cpu"
clip_model.to(device)

@app.post("/add-image")
async def add_image(file: UploadFile = File(...)):
    """
    Upload an image, generate its CLIP embedding, and store in MongoDB.
    """
    try:
        # Read file contents
        image_bytes = await file.read()
        image = Image.open(io.BytesIO(image_bytes)).convert("RGB")

        # Preprocess for CLIP and encode
        image_tensor = preprocess(image).unsqueeze(0).to(device)
        with torch.no_grad():
            image_embedding = clip_model.encode_image(image_tensor)

        # Normalize the embedding (important for cosine similarity)
        image_embedding /= image_embedding.norm(dim=-1, keepdim=True)
        vector = image_embedding.cpu().numpy().flatten().tolist()

        # Store in MongoDB
        doc = {
            "filename": file.filename,
            "embedding": vector
        }
        result = images_coll.insert_one(doc)

        return {
            "inserted_id": str(result.inserted_id),
            "filename": file.filename
        }

    except Exception as e:
        raise HTTPException(status_code=500, detail=str(e))Altyapı:

Normalleştirmenin önemi

CLIP gömmeleri, kosinüs benzerliği ile en iyi sonucu verir. Karşılaştırmaların doğru ve kararlı olması için vektörleri normalleştiririz:

image_embedding /= image_embedding.norm(dim=-1, keepdim=True)Altyapı:

Bu, kosinüs uzaklığının gerçek benzerliği yansıtmasını sağlar.

Görsel yükleme uç noktasını test edin

Bu özelliği Postman’de test etmek için /add-image uç noktasına bir POST isteği gönderin. İstekte gövde olarak form-data gönderin ve herhangi bir .jpg veya .png görsel ekleyin. Aşağıdaki görsel süreçte size yol gösterecektir.

Her şey çalışıyorsa, şöylesi bir yanıt almalısınız:

{
  "inserted_id": "692454f6156fbb762ed865a0",
  "filename": "file-name.png"
}Altyapı:

Bu aşamada görsel gömmeleriniz başarıyla MongoDB’ye kaydedilmiştir.

b. Görselleri vektör aramayla arayın

Şimdi, yüklenen bir sorgu görselini alıp gömmeye dönüştüren ve görsel vektör indeksimizi kullanarak en yakın kayıtlı görselleri bulan uç noktayı oluşturabiliriz.

Bunu main.py dosyasına ekleyin:

@app.post("/search-image")
async def search_image(file: UploadFile = File(...)):
    """
    Upload an image and find the most visually similar images in MongoDB.
    """
    try:
        # Read the uploaded file
        image_bytes = await file.read()
        image = Image.open(io.BytesIO(image_bytes)).convert("RGB")

        # Generate embedding for the query image
        image_tensor = preprocess(image).unsqueeze(0).to(device)
        with torch.no_grad():
            query_embedding = clip_model.encode_image(image_tensor)

        query_embedding /= query_embedding.norm(dim=-1, keepdim=True)
        query_vector = query_embedding.cpu().numpy().flatten().tolist()

        # Vector search pipeline
        pipeline = [
            {
                "$vectorSearch": {
                    "queryVector": query_vector,
                    "path": "embedding",
                    "numCandidates": 100,
                    "limit": 5,
                    "index": "vector_images_search"
                }
            },
            {
                "$project": {
                    "filename": 1,
                    "score": {"$meta": "vectorSearchScore"},
                    "_id": 0
                }
            }
        ]

        results = list(images_coll.aggregate(pipeline))
        return {"results": results}

    except Exception as e:
        raise HTTPException(status_code=500, detail=str(e))Altyapı:

Görsel arama uç noktasını test edin

Bu özelliği Postman’de test etmek için /search-image uç noktasına bir POST isteği gönderin. Daha önce kaydettiğinize benzer bir görseli isteğin gövdesinde form-data olarak gönderin. Aşağıdaki görsel süreçte size yol gösterecektir.

Beklenen çıktı şu şekilde olmalıdır:

{
  "results": [
    {
      "filename": "image1.png",
      "score": 1.0
    },
    {
      "filename": "image2.png",
      "score": 0.81
    }
  ]
}Altyapı:

1.0 puanı, tam olarak aynı görselle eşleştiği anlamına gelir. 0.7–0.9 arası değerler güçlü görsel benzerliğe işaret eder.

Bir sonuç dizisi görüyorsanız, görsel vektör aramanız artık çalışıyor demektir.

Bu noktada her şey çalışıyorsa, hem metin hem de görsel için çalışan eksiksiz bir anlamsal arama sistemimiz var demektir.

Sonuç

Bu eğitimde, FastAPI ve MongoDB Atlas kullanarak eksiksiz bir anlamsal arama iş akışı kurduk. Metin gömmelerini SentenceTransformers ile, görsel gömmelerini bir CLIP modeliyle ürettik; her şeyi MongoDB’ye kaydettik ve MongoDB’nin Vector Search özelliği ile Postman üzerinden sorguladık. Bu yapı, anlamsal belge araması, görsel benzerlik araçları, öneri sistemleri ve çok kipli yapay zekâ özellikleri gibi uygulamalar için temel oluşturur.

Bu mimariyi güçlü kılan şey esnekliğidir: MongoDB sizi belirli modellere kilitlemez. Gömmeler sayısal vektör olduğu ve boyutlar indeks yapılandırmanızla eşleştiği sürece, kullanım senaryonuzun gerektirdiği herhangi bir metin, görsel veya çok kipli gömme modelini takıp kullanabilirsiniz.

Bu temelle, projeyi daha da genişletebilir—meta veriler saklayabilir, sıralama mantığı kurabilir veya son kullanıcı uygulamalarıyla entegre edebilirsiniz. Aynı iş akışı, MongoDB Atlas’ın tamamen yönetilen hizmetleri sayesinde zahmetsizce ölçeklenir.

Tam çalışan projeyi GitHub üzerinde bulabilirsiniz.