Classer une image satellite par KNN avec Qdrant et Voyage AI
Vous transmettez l'URL d'une image satellite à ce workflow, qui renvoie le type de terrain représenté parmi 21 classes. Le modèle multimodal de Voyage AI encode l'image, puis Qdrant renvoie les images les plus proches d'une collection de référence déjà étiquetée, et un vote majoritaire tranche la classe. En cas d'égalité, le nombre de voisins augmente de 5 à chaque tour, jusqu'à 100 au maximum. Sur un jeu de test absent de la collection, le workflow atteint 93,24 % de bonnes classifications, sans réglage fin.
- Déclencheur
- Appelé par un autre workflow
- Taille
- 10 nœuds
- Outils
- Requêtes HTTP (API)
Comment fonctionne ce workflow
- 1
Execute Workflow Trigger reçoit l'URL de l'image depuis le workflow appelant.
- 2
HTTP Request envoie l'image à l'API multimodale de Voyage AI et récupère son vecteur d'embedding.
- 3
Query Qdrant interroge la collection et renvoie les images les plus proches, avec leurs payloads.
- 4
Majority Vote lit les classes de ces voisins et détermine la plus fréquente.
- 5
check tie vérifie s'il y a égalité entre les deux classes en tête.
- 6
En cas d'égalité, propagate loop variables transmet un nombre de voisins augmenté de 5, et la requête repart, jusqu'à 100 voisins au maximum.
- 7
Le workflow renvoie la classe retenue au workflow appelant.
Quand l'utiliser
- Trier automatiquement des images satellite stockées avec leurs types de terrain.
- Ajouter une classification de terrain à un workflow de détection d'anomalies qui reçoit des URL d'images.
- Adapter la collection à un autre jeu d'images étiquetées, le pipeline restant le même.
À préparer avant l'import
- Un cluster Qdrant Cloud, le Free Tier suffit, avec la collection alimentée par le premier workflow.
- Une clé API Voyage AI, enregistrée comme identifiant dans n8n.
- Les identifiants Qdrant, c'est-à-dire l'URL du cluster et la clé API, dans n8n.
- Un compte Google Cloud Storage et un bucket contenant le jeu lands de Kaggle.
- Le nom de la collection Qdrant et le nombre de voisins de départ, à régler dans les variables du workflow.
Bon à savoir
Commencez par remplacer le nom de la collection dans les variables par celle de vos données, sans quoi le workflow interroge une collection qui ne contient pas vos images. La boucle s'arrête à 100 voisins au plus.
Installer ce template dans n8n
- Téléchargez le fichier JSON avec le bouton en haut de la page.
- Dans n8n, ouvrez le menu d'un workflow vide, choisissez « Import from File » et sélectionnez le fichier.
- Reliez vos propres identifiants à chaque nœud qui en demande un, lancez un test, puis activez le workflow.
Ce template fonctionne sur n8n auto-hébergé comme sur n8n Cloud. Les nœuds IA demandent une version récente de n8n.
Autres templates : RAG & Base de Connaissances
- Répondre aux questions sur les essais de Paul Graham avec MilvusPose des questions sur les essais de Paul Graham : le workflow récupère les textes, les indexe dans Milvus et répond avec OpenAI.
- Recommander des films par chatbot RAG avec Qdrant et OpenAIChatbot qui recommande des films en interrogeant une base vectorielle Qdrant, alimentée par OpenAI.
- Interroger une base Notion avec un agent IA dans un chatUn agent OpenAI répond aux questions à partir d'une base de connaissances Notion, directement dans un chat.
- Analyser des rapports trimestriels boursiers avec un agent RAGLit des PDF de résultats trimestriels, les indexe dans Pinecone et rédige un rapport d'analyse dans Google Docs.
- Indexer les fichiers Google Drive dans pgvector avec OpenAILit les fichiers d'un dossier Google Drive, les découpe, calcule leurs embeddings OpenAI et les écrit dans pgvector.
- Interroger les documents Google Drive avec un agent IAUn agent IA répond aux questions à partir des documents d'un dossier Google Drive, indexés dans Pinecone.
Vous voulez ce workflow branché sur vos outils ?
Ce template est un point de départ. Nous l'adaptons à vos règles, à vos comptes et à votre hébergement, puis nous le maintenons.
Voir notre accompagnement n8n