LLaVA

Chatea con imágenes usando el modelo de visión y lenguaje LLaVA en Clore.ai

Chatea con imágenes usando LLaVA: la alternativa de código abierto a GPT-4V.

Todos los ejemplos se pueden ejecutar en servidores GPU alquilados a través de Marketplace de CLORE.AI.

Alquilar en CLORE.AI

1. Visita Marketplace de CLORE.AI

2. Filtra por tipo de GPU, VRAM y precio

3. Elige Bajo demanda (tarifa fija) o Spot (precio ofertado)

4. Configura tu pedido:

   • Selecciona la imagen de Docker

   • Configura los puertos (TCP para SSH, HTTP para interfaces web)

   • Añade variables de entorno si es necesario

   • Introduce el comando de inicio

5. Selecciona el método de pago: CLORE, BTC, o USDT/USDC

6. Crea el pedido y espera al despliegue

Accede a tu servidor

• Encuentra los detalles de conexión en Mis pedidos

• Interfaces web: Usa la URL del puerto HTTP

• SSH: ssh -p <port> root@<proxy-address>

¿Qué es LLaVA?

LLaVA (Large Language and Vision Assistant) puede:

• Entender y describir imágenes

• Responder preguntas sobre contenido visual

• Analizar gráficos, diagramas y capturas de pantalla

• OCR y comprensión de documentos

Variantes del modelo

Modelo	Tamaño	VRAM	Calidad
LLaVA-1.5-7B	7B	8GB	Bueno
LLaVA-1.5-13B	13B	16GB	Mejor
LLaVA-1.6-34B	34B	40 GB	Mejor
LLaVA-NeXT	7-34B	8-40GB	Más reciente

Despliegue rápido

Imagen de Docker:

pytorch/pytorch:2.11.0-cuda12.8-cudnn9-devel

Puertos:

22/tcp
8000/http

Comando:

pip install llava torch transformers accelerate gradio && \\
python -m llava.serve.cli --model-path liuhaotian/llava-v1.5-7b --load-4bit

Accediendo a tu servicio

Después del despliegue, encuentra tu http_pub URL en Mis pedidos:

1. Ve a Mis pedidos página

2. Haz clic en tu pedido

3. Encuentra la http_pub URL (p. ej., abc123.clorecloud.net)

Usa https://YOUR_HTTP_PUB_URL en lugar de localhost en los ejemplos a continuación.

Instalación

git clone https://github.com/haotian-liu/LLaVA.git
cd LLaVA
pip install -e .
pip install flash-attn --no-build-isolation

Uso básico

API de Python

from llava.model.builder import load_pretrained_model
from llava.mm_utils import get_model_name_from_path
from llava.eval.run_llava import eval_model
from PIL import Image

model_path = "liuhaotian/llava-v1.5-7b"
tokenizer, model, image_processor, context_len = load_pretrained_model(
    model_path=model_path,
    model_base=None,
    model_name=get_model_name_from_path(model_path)
)

# Inferencia sencilla
args = type('Args', (), {
    "model_path": model_path,
    "model_base": None,
    "model_name": get_model_name_from_path(model_path),
    "query": "Describe esta imagen en detalle",
    "conv_mode": None,
    "image_file": "photo.jpg",
    "sep": ",",
    "temperature": 0.2,
    "top_p": None,
    "num_beams": 1,
    "max_new_tokens": 512
})()

output = eval_model(args)
print(output)

Usando Transformers

from transformers import LlavaNextProcessor, LlavaNextForConditionalGeneration
import torch
from PIL import Image

processor = LlavaNextProcessor.from_pretrained("llava-hf/llava-v1.6-mistral-7b-hf")
model = LlavaNextForConditionalGeneration.from_pretrained(
    "llava-hf/llava-v1.6-mistral-7b-hf",
    torch_dtype=torch.float16,
    device_map="auto"
)

# Cargar imagen
image = Image.open("photo.jpg")

# Crear conversación
conversation = [
    {
        "role": "user",
        "content": [
            {"type": "image"},
            {"type": "text", "text": "¿Qué se muestra en esta imagen?"}
        ]
    }
]

prompt = processor.apply_chat_template(conversation, add_generation_prompt=True)
inputs = processor(prompt, image, return_tensors="pt").to("cuda")

output = model.generate(**inputs, max_new_tokens=200)
response = processor.decode(output[0], skip_special_tokens=True)
print(response)

Integración con Ollama (recomendada)

La forma más fácil de ejecutar LLaVA en CLORE.AI:

# Instalar Ollama
curl -fsSL https://ollama.com/install.sh | sh

# Descargar el modelo LLaVA
ollama pull llava:7b

# Ejecutar con imagen (CLI)
ollama run llava:7b "Describe esta imagen: /ruta/a/imagen.jpg"

API de LLaVA a través de Ollama

Importante: La visión de LLaVA funciona solo a través del /api/generate endpoint con el parámetro images . El /api/chat y los endpoints compatibles con OpenAI no admiten imágenes con LLaVA.

Método funcional: /api/generate

# Codificar primero la imagen a base64
BASE64_IMAGE=$(base64 -i photo.jpg | tr -d '\n')

# Enviar solicitud de visión
curl https://your-http-pub.clorecloud.net/api/generate -d "{
  \"model\": \"llava:7b\",
  \"prompt\": \"¿Qué ves en esta imagen? Descríbela en detalle.\",
  \"images\": [\"$BASE64_IMAGE\"],
  \"stream\": false
}"

Respuesta:

{
  "model": "llava:7b",
  "response": "La imagen muestra una hermosa puesta de sol sobre las montañas...",
  "done": true
}

No funciona: /api/chat (devuelve null para visión)

# Esto NO funciona para consultas de visión:
curl https://your-http-pub.clorecloud.net/api/chat -d '{
  "model": "llava:7b",
  "messages": [{"role": "user", "content": "describe", "images": ["..."]}]
}'
# Devuelve null para respuestas relacionadas con imágenes

Python con Ollama

import requests
import base64

def encode_image(image_path):
    with open(image_path, "rb") as f:
        return base64.b64encode(f.read()).decode()

# Usar /api/generate para visión (¡NO /api/chat!)
response = requests.post(
    "https://your-http-pub.clorecloud.net/api/generate",
    json={
        "model": "llava:7b",
        "prompt": "¿Qué ves en esta imagen?",
        "images": [encode_image("photo.jpg")],
        "stream": False
    }
)

print(response.json()["response"] )

Ejemplo completo funcional

import requests
import base64
import sys

def analyze_image(ollama_url, image_path, question):
    """Analiza una imagen usando LLaVA a través de Ollama"""

    # Codificar la imagen
    with open(image_path, "rb") as f:
        image_base64 = base64.b64encode(f.read()).decode()

    # Usar /api/generate (el único endpoint funcional para visión)
    response = requests.post(
        f"{ollama_url}/api/generate",
        json={
            "model": "llava:7b",
            "prompt": question,
            "images": [image_base64],
            "stream": False
        }
    )

    return response.json()["response"]

# Uso
url = "https://your-http-pub.clorecloud.net"
result = analyze_image(url, "photo.jpg", "Describe esta imagen en detalle")
print(result)

Casos de uso

Descripción de imagen

prompt = "Describe esta imagen en detalle, incluyendo colores, objetos y atmósfera."

OCR / Extracción de texto

prompt = "Extrae todo el texto visible en esta imagen. Formátalo claramente."

Análisis de gráficos

prompt = "Analiza este gráfico. ¿Cuáles son las tendencias e ideas clave?"

Código de captura de pantalla

prompt = "Extrae el código mostrado en esta captura de pantalla. Proporciona solo el código."

Detección de objetos

prompt = "Enumera todos los objetos visibles en esta imagen con sus ubicaciones aproximadas."

Interfaz de Gradio

import gradio as gr
from transformers import LlavaNextProcessor, LlavaNextForConditionalGeneration
import torch

processor = LlavaNextProcessor.from_pretrained("llava-hf/llava-v1.6-mistral-7b-hf")
model = LlavaNextForConditionalGeneration.from_pretrained(
    "llava-hf/llava-v1.6-mistral-7b-hf",
    torch_dtype=torch.float16,
    device_map="auto"
)

def analyze_image(image, question):
    conversation = [
        {
            "role": "user",
            "content": [
                {"type": "image"},
                {"type": "text", "text": question}
            ]
        }
    ]

    prompt = processor.apply_chat_template(conversation, add_generation_prompt=True)
    inputs = processor(prompt, image, return_tensors="pt").to("cuda")

    output = model.generate(**inputs, max_new_tokens=500)
    response = processor.decode(output[0], skip_special_tokens=True)

    # Extraer la respuesta del asistente
    return response.split("[/INST]")[-1].strip()

demo = gr.Interface(
    fn=analyze_image,
    inputs=[
        gr.Image(type="pil", label="Imagen"),
        gr.Textbox(label="Pregunta", value="Describe esta imagen en detalle")
    ],
    outputs=gr.Textbox(label="Respuesta"),
    title="Asistente de visión LLaVA"
)

demo.launch(server_name="0.0.0.0", server_port=8000)

Servidor API

from fastapi import FastAPI, UploadFile, File, Form
from transformers import LlavaNextProcessor, LlavaNextForConditionalGeneration
import torch
from PIL import Image
import io

app = FastAPI()

processor = LlavaNextProcessor.from_pretrained("llava-hf/llava-v1.6-mistral-7b-hf")
model = LlavaNextForConditionalGeneration.from_pretrained(
    "llava-hf/llava-v1.6-mistral-7b-hf",
    torch_dtype=torch.float16,
    device_map="auto"
)

@app.post("/analyze")
async def analyze(
    image: UploadFile = File(...),
    question: str = Form(default="Describe esta imagen")
):
    img = Image.open(io.BytesIO(await image.read()))

    conversation = [
        {
            "role": "user",
            "content": [
                {"type": "image"},
                {"type": "text", "text": question}
            ]
        }
    ]

    prompt = processor.apply_chat_template(conversation, add_generation_prompt=True)
    inputs = processor(prompt, img, return_tensors="pt").to("cuda")

    output = model.generate(**inputs, max_new_tokens=500)
    response = processor.decode(output[0], skip_special_tokens=True)

    return {"response": response.split("[/INST]")[-1].strip()}

# Ejecutar: uvicorn server:app --host 0.0.0.0 --port 8000

Procesamiento por lotes

from transformers import LlavaNextProcessor, LlavaNextForConditionalGeneration
import torch
from PIL import Image
import os

processor = LlavaNextProcessor.from_pretrained("llava-hf/llava-v1.6-mistral-7b-hf")
model = LlavaNextForConditionalGeneration.from_pretrained(
    "llava-hf/llava-v1.6-mistral-7b-hf",
    torch_dtype=torch.float16,
    device_map="auto"
)

def analyze_image(image_path, question):
    image = Image.open(image_path)

    conversation = [
        {"role": "user", "content": [
            {"type": "image"},
            {"type": "text", "text": question}
        ]}
    ]

    prompt = processor.apply_chat_template(conversation, add_generation_prompt=True)
    inputs = processor(prompt, image, return_tensors="pt").to("cuda")

    output = model.generate(**inputs, max_new_tokens=300)
    return processor.decode(output[0], skip_special_tokens=True).split("[/INST]")[-1].strip()

# Procesar carpeta de imágenes
image_folder = "./images"
results = []

for filename in os.listdir(image_folder):
    if filename.endswith(('.jpg', '.png', '.jpeg')):
        path = os.path.join(image_folder, filename)
        description = analyze_image(path, "Describe brevemente esta imagen")
        results.append({"file": filename, "description": description})
        print(f"{filename}: {description[:100]}...")

# Guarda los resultados
import json
with open("descriptions.json", "w") as f:
    json.dump(results, f, indent=2)

Optimización de memoria

Cuantización de 4 bits

from transformers import BitsAndBytesConfig

quantization_config = BitsAndBytesConfig(
    load_in_4bit=True,
    bnb_4bit_compute_dtype=torch.float16
)

model = LlavaNextForConditionalGeneration.from_pretrained(
    "llava-hf/llava-v1.6-mistral-7b-hf",
    quantization_config=quantization_config,
    device_map="auto"
)

Descarga a CPU

model = LlavaNextForConditionalGeneration.from_pretrained(
    "llava-hf/llava-v1.6-mistral-7b-hf",
    torch_dtype=torch.float16,
    device_map="auto",
    offload_folder="offload"
)

Rendimiento

Modelo	GPU	Tokens/seg
LLaVA-1.5-7B	RTX 3090	~30
LLaVA-1.5-7B	RTX 4090	~45
LLaVA-1.6-7B	RTX 4090	~40
LLaVA-1.5-13B	A100	~35

Solución de problemas

Sin memoria

# Usar cuantización de 4 bits

# O usar un modelo más pequeño (7B en lugar de 13B)

# O procesar imágenes más pequeñas
image = image.resize((336, 336))

Generación lenta

• Usar flash attention

• Reducir max_new_tokens

• Usar modelo cuantizado

Calidad deficiente

• Usa un modelo más grande

• Mejores prompts con contexto

• Imágenes de mayor resolución

Estimación de costos

Tarifas típicas del marketplace de CLORE.AI (a partir de 2024):

GPU	Tarifa por hora	Tarifa diaria	Sesión de 4 horas
RTX 3060	~$0.03	~$0.70	~$0.12
RTX 3090	~$0.06	~$1.50	~$0.25
RTX 4090	~$0.10	~$2.30	~$0.40
A100 40GB	~$0.17	~$4.00	~$0.70
A100 80GB	~$0.25	~$6.00	~$1.00

Los precios varían según el proveedor y la demanda. Consulta Marketplace de CLORE.AI las tarifas actuales.

Ahorra dinero:

• Usa el Spot mercado para trabajo interrumpible — alrededor de un tercio de los servidores fija el precio spot por debajo del precio bajo demanda (mediana de ~13% de descuento), el resto lo iguala

• Paga con CLORE tokens

• Compara precios entre distintos proveedores

Siguientes pasos

• LLM de Ollama - Ejecuta LLaVA con Ollama

• RAG + LangChain - Visión + RAG

• Inferencia vLLM - servicio en producción