Llama 3.2 Vision

Clore.ai पर इमेज समझ के लिए Meta का Llama 3.2 Vision चलाएँ

इमेज समझने के लिए Meta के मल्टीमॉडल Llama 3.2 Vision मॉडलों को CLORE.AI GPU पर चलाएँ।

सभी उदाहरण GPU सर्वरों पर चलाए जा सकते हैं जिन्हें द्वारा किराए पर लिया गया है CLORE.AI मार्केटप्लेस.

क्यों Llama 3.2 Vision?

मल्टीमॉडल - टेक्स्ट और छवियों दोनों को समझता है
कई आकार - 11B और 90B पैरामीटर वर्शन
बहुमुखी - OCR, विज़ुअल QA, इमेज कैप्शनिंग, डॉक्यूमेंट विश्लेषण
ओपन वेट्स - Meta से पूरी तरह ओपन सोर्स
Llama इकोसिस्टम - Ollama, vLLM, transformers के साथ संगत

मॉडल वेरिएंट

मॉडल

पैरामीटर

VRAM (FP16)

संदर्भ

उत्तम हेतु

Llama-3.2-11B-Vision

11B

24GB

128K

सामान्य उपयोग, एकल GPU

Llama-3.2-90B-Vision

90B

180GB

128K

अधिकतम गुणवत्ता

Llama-3.2-11B-Vision-Instruct

11B

24GB

128K

चैट/असिस्टेंट

Llama-3.2-90B-Vision-Instruct

90B

180GB

128K

प्रोडक्शन

CLORE.AI पर त्वरित डिप्लॉय

Docker इमेज:

vllm/vllm-openai:latest

पोर्ट:

22/tcp
8000/http

कमांड:

python -m vllm.entrypoints.openai.api_server \
    --model meta-llama/Llama-3.2-11B-Vision-Instruct \
    --host 0.0.0.0 \
    --port 8000 \
    --max-model-len 8192

अपनी सेवा तक पहुँचना

डिप्लॉयमेंट के बाद, अपना खोजें http_pub URL में मेरे ऑर्डर:

जाएँ मेरे ऑर्डर पृष्ठ
अपने ऑर्डर पर क्लिक करें
खोजें http_pub URL (उदा., abc123.clorecloud.net)

उपयोग करें https://YOUR_HTTP_PUB_URL की बजाय localhost नीचे दिए उदाहरणों में।

हार्डवेयर आवश्यकताएँ

मॉडल

न्यूनतम GPU

अनुशंसित

सर्वोत्तम

11B विज़न

RTX 4090 24GB

A100 40GB

A100 80GB

90B विज़न

4x A100 40GB

4x A100 80GB

8x H100

इंस्टॉलेशन

Ollama का उपयोग करना (सबसे आसान)

# मॉडल खींचें
ollama pull llama3.2-vision:11b

# इंटरैक्टिव चलाएँ
ollama run llama3.2-vision:11b

vLLM का उपयोग करना

pip install vllm

python -m vllm.entrypoints.openai.api_server \
    --model meta-llama/Llama-3.2-11B-Vision-Instruct \
    --host 0.0.0.0 \
    --port 8000

Transformers का उपयोग करना

import torch
from transformers import MllamaForConditionalGeneration, AutoProcessor

model_id = "meta-llama/Llama-3.2-11B-Vision-Instruct"

model = MllamaForConditionalGeneration.from_pretrained(
    model_id,
    torch_dtype=torch.bfloat16,
    device_map="auto"
)
processor = AutoProcessor.from_pretrained(model_id)

मूल उपयोग

इमेज समझ

import torch
from transformers import MllamaForConditionalGeneration, AutoProcessor
from PIL import Image
import requests

model_id = "meta-llama/Llama-3.2-11B-Vision-Instruct"

model = MllamaForConditionalGeneration.from_pretrained(
    model_id,
    torch_dtype=torch.bfloat16,
    device_map="auto"
)
processor = AutoProcessor.from_pretrained(model_id)

# छवि लोड करें
url = "https://example.com/image.jpg"
image = Image.open(requests.get(url, stream=True).raw)

# प्रॉम्प्ट बनाएँ
messages = [
    {
        "role": "user",
        "content": [
            {"type": "image"},
            {"type": "text", "text": "इस छवि में क्या है? विस्तार से वर्णन करें."}
        ]
    }
]

input_text = processor.apply_chat_template(messages, add_generation_prompt=True)
inputs = processor(image, input_text, return_tensors="pt").to(model.device)

{"type": "text", "text": question}
print(processor.decode(output[0], skip_special_tokens=True))

Ollama के साथ

# एक छवि का वर्णन करें
ollama run llama3.2-vision:11b "इस छवि का वर्णन करें: /path/to/image.jpg"

# या API का उपयोग करें
curl http://localhost:11434/api/generate -d '{
  "model": "llama3.2-vision:11b",
  "prompt": "इस छवि में क्या है?",
  "images": ["base64_encoded_image_here"]
}'

vLLM API के साथ

from openai import OpenAI
import base64

client = OpenAI(
    base_url="http://localhost:8000/v1",
    api_key="not-needed"
)

# छवि को base64 में एन्कोड करें
with open("image.jpg", "rb") as f:
    # छवि एन्कोड करें

response = client.chat.completions.create(
    model="meta-llama/Llama-3.2-11B-Vision-Instruct",
    messages=[
        {
            "role": "user",
            "content": [
                {"type": "text", "text": "इस छवि में क्या है?"},
                {
                    "type": "image_url",
                    "image_url": {"url": f"data:image/jpeg;base64,{image_base64}"}
                }
            ]
        }
    ],
    max_tokens=500
)

print(response.choices[0].message.content)

उपयोग के मामले

prompt = "इस छवि का विस्तार से वर्णन करें, जिसमें रंग, वस्तुएँ और वातावरण शामिल हों."

messages = [
    {
        "role": "user",
        "content": [
            {"type": "image"},
            {"type": "text", "text": "इस छवि से सारी टेक्स्ट निकालें। मार्कडाउन के रूप में फॉर्मेट करें."}
        ]
    }
]

दस्तावेज़ विश्लेषण

messages = [
    {
        "role": "user",
        "content": [
            {"type": "image"},
            {"type": "text", "text": "इस दस्तावेज़ का विश्लेषण करें। मुख्य बिंदुओं का सार दें."}
        ]
    }
]

विज़ुअल प्रश्नोत्तरी (Visual Question Answering)

messages = [
    {
        "role": "user",
        "content": [
            {"type": "image"},
            {"type": "text", "text": "इस फोटो में कितने लोग हैं? वे क्या कर रहे हैं?"}
        ]
    }
]

इमेज कैप्शनिंग

messages = [
    {
        "role": "user",
        "content": [
            {"type": "image"},
            {"type": "text", "text": "इस छवि के लिए एक विस्तृत कैप्शन लिखें जो सोशल मीडिया के लिए उपयुक्त हो."}
        ]
    }
]

स्क्रीनशॉट से कोड

messages = [
    {
        "role": "user",
        "content": [
            {"type": "image"},
            {"type": "text", "text": "इस UI स्क्रीनशॉट को HTML/CSS कोड में बदलें."}
        ]
    }
]

कई छवियाँ

messages = [
    {
        "role": "user",
        "content": [
            {"type": "image"},
            {"type": "image"},
            {"type": "text", "text": "इन दो छवियों की तुलना करें। क्या अंतर हैं?"}
        ]
    }
]

# कई छवियों के साथ प्रोसेस करें
inputs = processor(
    images=[image1, image2],
    text=input_text,
    return_tensors="pt"
).to(model.device)

बैच प्रोसेसिंग

import os
from PIL import Image

def process_images(image_paths, prompt):
    image_folder = "./images"

    for path in image_paths:
        image = Image.open(path)

        messages = [
            {
                "role": "user",
                "content": [
                    {"type": "image"},
                    {"type": "text", "text": prompt}
                ]
            }
        ]

        input_text = processor.apply_chat_template(messages, add_generation_prompt=True)
        inputs = processor(image, input_text, return_tensors="pt").to(model.device)

        {"role": "user", "content": [
        result = processor.decode(output[0], skip_special_tokens=True)

        results.append({"file": path, "description": result})

        # छवियों के बीच कैश साफ़ करें
        torch.cuda.empty_cache()

    return results

# फ़ोल्डर प्रोसेस करें
images = [f"./images/{f}" for f in os.listdir("./images") if f.endswith(('.jpg', '.png'))]
results = process_images(images, "इस छवि का एक पैराग्राफ में वर्णन करें.")

Gradio इंटरफ़ेस

import gradio as gr
import torch
from transformers import MllamaForConditionalGeneration, AutoProcessor
from PIL import Image

model_id = "meta-llama/Llama-3.2-11B-Vision-Instruct"
model = MllamaForConditionalGeneration.from_pretrained(
    model_id, torch_dtype=torch.bfloat16, device_map="auto"
)
processor = AutoProcessor.from_pretrained(model_id)

prompt = "इस छवि में दिखाई देने वाली सभी वस्तुओं को उनके अनुमानित स्थानों के साथ सूचीबद्ध करें."
    messages = [
        {
            "role": "user",
            "content": [
                {"type": "image"},
                def analyze_image(image, question):
            ]
        }
    ]

    input_text = processor.apply_chat_template(messages, add_generation_prompt=True)
    inputs = processor(image, input_text, return_tensors="pt").to(model.device)

    {"type": "text", "text": question}
    return processor.decode(output[0], skip_special_tokens=True)

demo = gr.Interface(
    # सहायक के उत्तर को निकालें
    inputs=[
        gr.Image(type="pil", label="इमेज अपलोड"),
        gr.Textbox(label="प्रश्न", placeholder="इस छवि में क्या है?")
    ],
    gr.Textbox(label="Question", value="इस छवि का विस्तार से वर्णन करें")
    title="Llama 3.2 Vision - इमेज विश्लेषण",
    description="एक छवि अपलोड करें और इसके बारे में प्रश्न पूछें। CLORE.AI पर चल रहा है."
)

demo.launch(server_name="0.0.0.0", server_port=7860)

प्रदर्शन

कार्य

मॉडल

GPU

समय

एकल छवि का विवरण

11B

RTX 4090

~3s

एकल छवि का विवरण

11B

A100 40GB

~2s

OCR (1 पृष्ठ)

11B

RTX 4090

~5s

दस्तावेज़ विश्लेषण

11B

A100 40GB

~8s

बैच (10 छवियाँ)

11B

A100 40GB

~25s

क्वांटाइज़ेशन

bitsandbytes के साथ 4-बिट

with open("descriptions.json", "w") as f:

quantization_config = BitsAndBytesConfig(
    load_in_4bit=True,
    bnb_4bit_compute_dtype=torch.bfloat16
)

model = MllamaForConditionalGeneration.from_pretrained(
    model_id,
    quantization_config=quantization_config,
    device_map="auto"
)

Ollama के साथ GGUF

# 4-बिट क्वान्टाइज़्ड (8GB VRAM में फिट होता है)
ollama pull llama3.2-vision:11b-q4_K_M

# 8-बिट क्वान्टाइज़्ड
ollama pull llama3.2-vision:11b-q8_0

लागत अनुमान

सामान्य CLORE.AI मार्केटप्लेस दरें:

GPU

घंटात्मक दर

उत्तम हेतु

RTX 4090 24GB

~$0.10

11B मॉडल

A100 40GB

~$0.17

लंबे संदर्भ के साथ 11B

A100 80GB

~$0.25

11B इष्टतम

4x A100 80GB

~$1.00

90B मॉडल

कीमतें भिन्न होती हैं। जाँच करें CLORE.AI मार्केटप्लेस वर्तमान दरों के लिए।

पैसे बचाएँ:

उपयोग करें स्पॉट बैच प्रोसेसिंग के लिए आदेश
भुगतान करें CLORE टोकन के साथ
विकास के लिए क्वान्टाइज़्ड मॉडल (4-बिट) का उपयोग करें

समस्याओं का निवारण

आउट ऑफ़ मेमोरी

LLaVA-1.6-7B
model = MllamaForConditionalGeneration.from_pretrained(
    model_id,
    load_in_4bit=True,
    device_map="auto"
)

# या max_new_tokens घटाएँ
output = model.generate(**inputs, max_new_tokens=256)

धीमा जनरेशन

सुनिश्चित करें कि GPU उपयोग हो रहा है (जाँचें nvidia-smi)
float32 के बजाय bfloat16 का उपयोग करें
प्रोसेसिंग से पहले छवि रिज़ॉल्यूशन घटाएँ
बेहतर थ्रूपुट के लिए vLLM का उपयोग करें

छवि लोड नहीं हो रही

from PIL import Image
import requests
from io import BytesIO

# URL से
response = requests.get(url)
image = Image.open(BytesIO(response.content)).convert("RGB")

# फ़ाइल से
image = Image.open("path/to/image.jpg").convert("RGB")

# बहुत बड़ा होने पर आकार बदलें
max_size = 1024
if max(image.size) > max_size:
    image.thumbnail((max_size, max_size))

HuggingFace टोकन आवश्यक

# गेटेड मॉडलों के लिए टोकन सेट करें
export HUGGING_FACE_HUB_TOKEN=hf_xxxxx

# या लॉगिन करें
huggingface-cli login

Llama Vision बनाम अन्य

फ़ीचर

Llama 3.2 Vision

LLaVA 1.6

GPT-4V

पैरामीटर

11B / 90B

7B / 34B

अज्ञात

ओपन सोर्स

हां

नहीं

OCR गुणवत्ता

उत्कृष्ट

अच्छा

उत्कृष्ट

संदर्भ

128K

32K

128K

मल्टी-इमेज

हां

सीमित

हां

लाइसेंस

Llama 3.2

Apache 2.0

प्रोप्रायटरी

Llama 3.2 Vision का उपयोग करें जब:

ओपन-सोर्स मल्टीमॉडल चाहिए
OCR और दस्तावेज़ विश्लेषण आवश्यक हो
Llama इकोसिस्टम के साथ एकीकरण
लॉन्ग-कॉन्टेक्स्ट समझ

अगले कदम

LLaVA - वैकल्पिक विज़न मॉडल
Florence-2 - Microsoft's विज़न मॉडल
Ollama - आसान तैनाती
vLLM - प्रोडक्शन सर्विंग

Previousअवलोकन NextLLaVA

Last updated 1 day ago

Was this helpful?

hashtagक्यों Llama 3.2 Vision?

hashtagमॉडल वेरिएंट

hashtagCLORE.AI पर त्वरित डिप्लॉय

hashtagअपनी सेवा तक पहुँचना

hashtagहार्डवेयर आवश्यकताएँ

hashtagइंस्टॉलेशन

hashtagOllama का उपयोग करना (सबसे आसान)

hashtagvLLM का उपयोग करना

hashtagTransformers का उपयोग करना

hashtagमूल उपयोग

hashtagइमेज समझ

hashtagOllama के साथ

hashtagvLLM API के साथ

hashtagउपयोग के मामले

hashtagprompt = "इस छवि का विस्तार से वर्णन करें, जिसमें रंग, वस्तुएँ और वातावरण शामिल हों."

hashtagदस्तावेज़ विश्लेषण

hashtagविज़ुअल प्रश्नोत्तरी (Visual Question Answering)

hashtagइमेज कैप्शनिंग

hashtagस्क्रीनशॉट से कोड

hashtagकई छवियाँ

hashtagबैच प्रोसेसिंग

hashtagGradio इंटरफ़ेस

hashtagप्रदर्शन

hashtagक्वांटाइज़ेशन

hashtagbitsandbytes के साथ 4-बिट

hashtagOllama के साथ GGUF

hashtagलागत अनुमान

hashtagसमस्याओं का निवारण

hashtagआउट ऑफ़ मेमोरी

hashtagधीमा जनरेशन

hashtagछवि लोड नहीं हो रही

hashtagHuggingFace टोकन आवश्यक

hashtagLlama Vision बनाम अन्य

hashtagअगले कदम

क्यों Llama 3.2 Vision?

मॉडल वेरिएंट

CLORE.AI पर त्वरित डिप्लॉय

अपनी सेवा तक पहुँचना

हार्डवेयर आवश्यकताएँ

इंस्टॉलेशन

Ollama का उपयोग करना (सबसे आसान)

vLLM का उपयोग करना

Transformers का उपयोग करना

मूल उपयोग

इमेज समझ

Ollama के साथ

vLLM API के साथ

उपयोग के मामले

prompt = "इस छवि का विस्तार से वर्णन करें, जिसमें रंग, वस्तुएँ और वातावरण शामिल हों."

दस्तावेज़ विश्लेषण

विज़ुअल प्रश्नोत्तरी (Visual Question Answering)

इमेज कैप्शनिंग

स्क्रीनशॉट से कोड

कई छवियाँ

बैच प्रोसेसिंग

Gradio इंटरफ़ेस

प्रदर्शन

क्वांटाइज़ेशन

bitsandbytes के साथ 4-बिट

Ollama के साथ GGUF

लागत अनुमान

समस्याओं का निवारण

आउट ऑफ़ मेमोरी

धीमा जनरेशन

छवि लोड नहीं हो रही

HuggingFace टोकन आवश्यक

Llama Vision बनाम अन्य

अगले कदम