Update app.py

app.py

@@ -255,19 +255,19 @@ def search_similar_items(image, mask=None, top_k=10):
         results = collection.query(
             query_images=[np.array(query_image)],
             n_results=top_k,
-            include=['metadatas', 'distances', 'embeddings']
+            include=['metadatas', 'distances']
         )
         
         if not results or 'metadatas' not in results:
             return []
             
         similar_items = []
-        query_embedding = results.get('embeddings', [[]])[0]  # 쿼리 이미지의 임베딩
-        
-        for metadata, embedding in zip(results['metadatas'][0], results.get('embeddings', [[]] * len(results['metadatas'][0]))):
-            # 코사인 유사도 계산
-            # 이미 정규화되어 있으므로 내적만으로 코사인 유사도를 구할 수 있음
-            cosine_similarity = np.dot(query_embedding, embedding)
+        for metadata, distance in zip(results['metadatas'][0], results['distances'][0]):
+            # L2 거리를 코사인 유사도로 변환
+            # 정규화된 벡터 간의 L2 거리(d)와 코사인 유사도(cos_sim) 관계:
+            # d^2 = 2(1 - cos_sim)
+            # cos_sim = 1 - (d^2/2)
+            cosine_similarity = 1 - (distance ** 2 / 2)
             
             # -1~1 범위의 코사인 유사도를 0~100 범위로 변환
             similarity_score = ((cosine_similarity + 1) / 2) * 100