[2/2] KNN 分类器 (土地数据集)

该工作流适合以下人群使用：
- 数据科学家：需要对卫星图像进行分类和分析。
- 机器学习工程师：希望实现 KNN 分类器并集成到现有系统中。
- 研究人员：从事环境、农业或城市规划等领域的图像分析。
- 开发者：需要快速构建图像分类解决方案并与 API 集成。
- 企业：希望利用图像数据进行决策和分析的公司。

该工作流解决了以下问题：
- 图像分类：能够自动识别和分类卫星图像中的土地类型。
- 提高准确性：通过 KNN 方法和多数投票机制，确保分类结果的准确性。
- 处理模糊情况：通过循环增加邻居数量来解决分类中的平局问题，最多可查询 100 个邻居。
- 集成多种 API：结合 Voyage.ai 和 Qdrant 的 API，简化图像处理流程。

工作流的详细步骤如下：
1. 触发工作流：通过手动触发或 API 调用开始工作流。
2. 获取图像 URL：从输入中提取图像的 URL。
3. 图像嵌入：调用 Voyage.ai API，将图像转换为嵌入向量。
4. 查询 Qdrant：使用嵌入向量在 Qdrant 数据库中查找相似图像，并返回预标记的类别。
5. 多数投票：对相邻图像的类别进行投票，确定最常见的类别。
6. 检查平局：如果出现平局，增加查询的邻居数量并重新查询，直到找到明确的结果或达到 100 个邻居的限制。
7. 返回分类结果：将最终的分类结果返回给调用者。

用户可以通过以下方式自定义和调整此工作流：
- 更改图像数据源：替换图像 URL 输入，以适应不同的应用场景。
- 调整 KNN 邻居数量：修改 limitKNN 的初始值以适应不同的分类需求。
- 修改 Qdrant 集合：根据需要更改 Qdrant 数据库中的集合名称，以使用不同的数据集。
- 更新 API 密钥：确保在使用 Voyage.ai 和 Qdrant API 时，使用有效的凭据。
- 添加额外的处理步骤：根据特定业务需求，可以在工作流中插入额外的数据处理或分析步骤。