基于之前一个帖子有个想法：对图片/视频进行模型识别，得出对图片的描述，将这段文字存储为向量。再对图片/视频搜索时，会给出相似的图片/视频（有点类似于苹果/华为的图库搜索） 
我有大量的图片/视频懒得整理，这样可能会好一些 
现在遇到一个问题，使用什么模型进行识别？熟知的模型肯定不行，太大了，本地运行不了，线上不安全；小模型太多了，挑不过了。昨天花费几个小时仅找到三个小模型，还仅安装成功一个 :tieba_087: 
求推荐一个合适的模型 
这样是不是无法对某一个人物进行搜索，只能搜索大致的场景（再添加一个人物识别模型？ :bili_007: 

或者有没有类似的开源项目/软件（我知道utools的everything，但是没有测试效果（mac用不了） 

安装成功的是moondream-2b-int8，效果是可以接受的，但是太慢了，识别一张图要 26.417147874832153 sec...