> For the complete documentation index, see [llms.txt](https://docs.clore.ai/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://docs.clore.ai/guides/guides_v2-es/modelos-de-vision/llava-vision-language.md).

# 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.

{% hint style="success" %}
Todos los ejemplos se pueden ejecutar en servidores GPU alquilados a través de [Marketplace de CLORE.AI](https://clore.ai/marketplace).
{% endhint %}

## Alquilar en CLORE.AI

1. Visita [Marketplace de CLORE.AI](https://clore.ai/marketplace)
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:**

```bash
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

```bash
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

```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

```python
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:

```bash
# 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

{% hint style="warning" %}
**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.
{% endhint %}

#### Método funcional: /api/generate

```bash
# 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:

```json
{
  "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)

```bash
# 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

```python
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

```python
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

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

### OCR / Extracción de texto

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

### Análisis de gráficos

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

### Código de captura de pantalla

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

### Detección de objetos

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

## Interfaz de Gradio

```python
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

```python
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

```python
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

```python
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

```python
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

```python

# 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*](https://clore.ai/marketplace) *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


---

# Agent Instructions
This documentation is published with GitBook. GitBook is the documentation platform designed so that both humans and AI agents can read, navigate, and reason over technical content effectively. Learn more at gitbook.com.

## Querying This Documentation
If you need additional information that is not directly available in this page, you can query the documentation dynamically by asking a question.

Perform an HTTP GET request on the current page URL with the `ask` query parameter, and the optional `goal` query parameter:

```
GET https://docs.clore.ai/guides/guides_v2-es/modelos-de-vision/llava-vision-language.md?ask=<question>&goal=<endgoal>
```

`ask` is the immediate question: it should be specific, self-contained, and written in natural language.
`goal` is optional and describes the broader end goal you are ultimately trying to accomplish on behalf of the user. GitBook uses it to tailor the answer towards what is most useful for that goal.

The response will contain a direct answer to the question and relevant excerpts and sources from the documentation.

Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.