玩转大语言模型——langchain调用ollama视觉多模态语言模型

系列文章目录

玩转大语言模型——ollama导入huggingface下载的模型

langchain调用ollama视觉多模态语言模型

系列文章目录
前言
使用Ollama下载模型
- 查找模型
- 下载模型
测试模型
- ollama测试
- langchain测试
- - 加载图片
  - 加载模型
- 模型回复

前言

视觉多模态语言模型由预训练的多模态编码器、预训练的 LLM 以及连接两者的多模态接口等主要组件构成。将图像信息转换为可被语言模型处理的特征表示。拥有强大的视觉理解能力，能够准确理解图像内容，进行图像描述、视觉问答、图像定位等任务。可以与用户进行多轮交互，根据用户的文本和图像输入生成连贯、准确且有针对性的回答。本篇文章将介绍使用langchain调用ollama视觉多模态语音模型。

使用Ollama下载模型

查找模型

Ollama官网：https://ollama.com/
在这里插入图片描述
在Ollama官网上点击左上角的Models

选择Vision后就可以看到所有的支持视觉的模型了，在本篇文章中我们将使用llava模型进行演示，笔者也可以选择其他模型进行测试。LLaVA(Large Language and Vision Assistant)是一种多模态模型，它结合了视觉编码器和 Vicuna 以实现通用视觉和语言理解，在科学问答、数据分析和学术任务导向的视觉问答中表现出色，为研究人员提供了强大的工具。
在这里插入图片描述
左侧可以选择模型大小，模型越大一般来说效果越好，但针对测试来说7b的模型是够用的，为了兼容更多人的硬件设备，我们选用7b模型即可。右侧的就使用ollama下载模型的命令。

下载模型

打开命令行窗口，输入ollama下载模型的命令：ollama run llava，该命令会下载模型并直接执行，在初次下载成功后再执行命令不会重复下载。
执行命令后会先下载llava模型然后运行。如果想仅下载不运行，可以使用ollama pull llava
使用ollama run llava下载模型，可以直接与模型对话验证下载是否成功，如果使用的是ollama pull llava可以通过ollama list查看模型有没有被添加到列表，如果添加到列表，说明下载成功。
在这里插入图片描述

测试模型

ollama测试

下面我们用这样一张图片测试一下模型的性能。图片的路径在：D:/test_llava.png
在这里插入图片描述
打开命令行输入:ollama run llava，可以直接在提问时提出图片路径使用模型。

但是llava模型默认会使用英文回答，所以最好在询问的时候让模型用中文回答。从中文的回答上来看，回复内容是比较宽泛的描述，并且有可能会出错（羊驼被当作了斑羊）。这可能和模型或者模型大小有关，可以尝试其他模型测试一下，后期笔者也会写一篇相关的测试文章，请关注我的专栏。

langchain测试

加载图片

在langchain中使用视觉多模态语言模型时，图片应该是Base64编码的格式，下面介绍两种图片转Base64编码的方式。

从网络获取图片

import base64
import httpximage_url = "图片的网络链接"
image_base64 = base64.b64encode(httpx.get(image_url).content).decode("utf-8")

从本地获取图片
从本地获取图片并不能直接读取并转换Base64编码格式，在这里我们可以编写一个函数来解决。

import base64
from PIL import Image
import iodef image_to_base64(image_path):with Image.open(image_path) as img:buffer = io.BytesIO()img.save(buffer, format="PNG")img_bytes = buffer.getvalue()img_base64 = base64.b64encode(img_bytes).decode("utf-8")return img_base64local_image_path = "D:/test_llava.png"
image_base64 = image_to_base64(local_image_path)

在函数image_to_base64中，这里使用Image.open函数打开指定路径的图片文件。Image是PIL库中的类，open方法用于打开图片文件。with语句用于确保在使用完图片资源后，自动关闭文件，释放资源，避免资源泄漏。io.BytesIO是 Python 标准库io中的类，用于在内存中创建一个二进制流缓冲区。这个缓冲区将用于存储图片数据。将打开的图片img保存到之前创建的缓冲区buffer中后，使用getvalue方法用于获取缓冲区中的所有数据然后通过base64.b64encode函数用于对二进制数据img_bytes进行 Base64 编码，返回一个字节对象。然后使用decode("utf-8")方法将字节对象转换为 UTF-8 编码的字符串，得到最终的 Base64 编码的图片字符串。

加载模型

这里使用langchain中OpenAI接口和Ollama接口分别加载模型
首先下载langchain-openai和langchain-ollama包，打开命令行，分别输入：

pip install -U langchain-openai
pip install -U langchain-ollama

OpenAI模型加载

from langchain_openai import ChatOpenAImodel = ChatOpenAI(temperature=0,model="llava:latest",openai_api_base="http://localhost:11434/v1/",openai_api_key="any key"
)

因为我们在本地使用ollama下载了llava模型了，所以openai_api_base为ollama提供的URL:http://localhost:11434/v1/，openai_api_key可以为任何值，但不能不传这个参数或者为空并且不能是中文。
Ollama模型加载

from langchain_ollama.chat_models import ChatOllamamodel = ChatOllama(model="llava:latest", temperature=0)

使用Ollama方式加载就更简单了，不过这种方式仍然可以访问远程的URL。下面给出例子

model = ChatOllama(model="llava:latest", base_url="http://localhost:11434/v1/", stream=True, temperature=0.6)

如果要访问其他地址的ollama的URL，修改base_url参数即可。

模型回复

from langchain_core.messages import HumanMessagemessage = HumanMessage(content=[{"type": "text", "text": "描述一下这幅图,用中文回答"},{"type": "image_url","image_url": {"url": f"data:image/jpeg;base64,{image_base64}"},},],
)
response = model.invoke([message])
print(response.content)