代码收藏家技术教程 2024-07-25

基于Ollama Python的本地多模态大模型实现

0，背景

最近测试Ollama，发现之前直接下载开源模型在我电脑上都跑不动的模型，居然也能运行了（AMD 7840HS核显/32GB内存），突发奇想那些多模态大模型能不能基于Python接口使用，所以决定尝试一下。

1，安装环境与模型选择

安装过程略，可以参考文章：Ollama在Windows11部署与使用QWen2模型_ollama run qwen2 "内容-CSDN博客

模型选择上，选取多模态大模型BakLLaVA

BakLLaVA 是一款由 SkunkworksAI 与 LAION、Ontocord 和 Skunkworks OSS AI 团队合作开发的多模态语言模型，通过改进基础模型、调整训练过程、引入定制数据集及架构优化，实现了接近 GPT-4 级别的多模态语言处理能力。它在图像描述生成、语音识别和理解、自然语言问答等应用中表现出色，并且支持多种 GPU 配置，具有较强的适应性。作为开源项目，BakLLaVA 为研究人员和开发者提供了广阔的探索和改进空间。

ollama run bakllava

2，Ollama的Python接口测试

使用指令安装库

pip install ollama

然后运行下面的程序测试：

import ollama

response = ollama.chat(model='bakllava', messages=[
  {
    'role': 'user',
    'content': 'Why is the sky blue?',
  },
])

print(response['message']['content'])

能够得到返回结果

3，代码实现

（1）导入必要的库

首先，我们需要导入处理图像和与 Ollama 模型交互所需的库。

import base64
from io import BytesIO
from PIL import Image
import ollama

（2）定义图像转换函数

我们需要一个函数来将 PIL 图像转换为 Base64 编码字符串。这对于将图像数据发送给模型是必要的步骤。

# 将PIL图像转换为Base64编码字符串
def convert_to_base64(pil_image):
    buffered = BytesIO()
    # 将图像转换为RGB模式
    pil_image = pil_image.convert("RGB")
    pil_image.save(buffered, format="JPEG")
    img_str = base64.b64encode(buffered.getvalue()).decode("utf-8")
    return img_str

（3）定义图像加载函数

该函数用于从指定路径加载图像，并将其转换为 Base64 编码字符串。

# 从指定路径加载图像并转换为Base64编码字符串
def load_image(file_path):
    pil_image = Image.open(file_path)
    return convert_to_base64(pil_image)

（4）定义与模型交互的函数

这个函数将图像和问题发送给 BakLLaVA 模型，并获取模型的回答。

# 将图像和问题发送给Ollama的bakllava模型并获取回答
def chat_with_model(image_base64, question):
    response = ollama.chat(model='bakllava', messages=[
        {
            'role': 'user',
            'content': question,
            'images': [image_base64]
        }
    ])
    return response['message']['content']

（5）主程序逻辑

在主程序中，我们加载图像，将其转换为 Base64 编码，然后向模型提问，并打印模型的回答。

if __name__ == "__main__":
    # 图片所在地址
    file_path = "2.jpg"
    
    # 加载并转换图像
    image_b64 = load_image(file_path)
    
    # 提问
    question = "What is written in the picture, and answer the question."
    
    # 与模型对话
    answer = chat_with_model(image_b64, question)
    
    # 打印回答
    print(answer)

上传的图片其实很简单，如下

完整程序如下：

import base64
from io import BytesIO
from PIL import Image
import ollama

# 将PIL图像转换为Base64编码字符串
def convert_to_base64(pil_image):
    buffered = BytesIO()
    # 将图像转换为RGB模式
    pil_image = pil_image.convert("RGB")
    pil_image.save(buffered, format="JPEG")
    img_str = base64.b64encode(buffered.getvalue()).decode("utf-8")
    return img_str

# 从指定路径加载图像并转换为Base64编码字符串
def load_image(file_path):
    pil_image = Image.open(file_path)
    return convert_to_base64(pil_image)

# 将图像和问题发送给Ollama的phi3模型并获取回答
def chat_with_model(image_base64, question):
    response = ollama.chat(model='bakllava', messages=[
        {
            'role': 'user',
            'content': question,
            'images': [image_base64]
        }
    ])
    return response['message']['content']

if __name__ == "__main__":
    # 图片所在地址
    file_path = "2.jpg"
    
    # 加载并转换图像
    image_b64 = load_image(file_path)
    
    # 提问
    question = "What is written in the picture，and answer the question."
    
    # 与模型对话
    answer = chat_with_model(image_b64, question)
    
    # 打印回答
    print(answer)