Llama 3.2 Vision

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

छवि समझ के लिए CLORE.AI GPUs पर Meta के मल्टीमोडल Llama 3.2 Vision मॉडल चलाएँ।

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

Llama 3.2 Vision क्यों?

• मल्टीमोडल - टेक्स्ट और छवियों दोनों को समझता है

• कई आकार - 11B और 90B पैरामीटर संस्करण

• बहुउपयोगी - OCR, विज़ुअल QA, छवि कैप्शनिंग, दस्तावेज़ विश्लेषण

• ओपन वेट्स - Meta का पूर्णतः ओपन सोर्स

• Llama इकोसिस्टम - Ollama, vLLM, transformers के साथ संगत

मॉडल वेरिएंट

मॉडल	पैरामीटर	VRAM (FP16)	संदर्भ	किसके लिए सर्वोत्तम
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/सहायक
Llama-3.2-90B-Vision-Instruct	90B	180GB	128K	प्रोडक्शन

CLORE.AI पर त्वरित परिनियोजन

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 http_pub URL यहाँ मेरे ऑर्डर:

1. पर जाएँ मेरे ऑर्डर पेज

2. अपने ऑर्डर पर क्लिक करें

3. खोजें http_pub URL (उदा., abc123.clorecloud.net)

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

हार्डवेयर आवश्यकताएँ

Clore.ai marketplace पर multi-GPU 80GB-class rigs सूचीबद्ध नहीं हैं। आज सूचीबद्ध सबसे बड़े boxes 4× RTX PRO 6000 Blackwell (प्रत्येक 96GB, कुल 380GB) और 8–11× RTX 5090 (प्रत्येक 32GB) हैं। A100 / H200 / B200 क्षमता bare metal के रूप में अनुरोध पर बेची जाती है। देखें GPU मूल्य और उपलब्धता किसी deployment का आकार तय करने से पहले।

मॉडल	न्यूनतम GPU	अनुशंसित	इष्टतम
11B विज़न	RTX 4090 24GB	A100 40GB	A100 80GB
90B विज़न	4x A100 40GB	4x A100 80GB	8x H100

इंस्टॉलेशन

Ollama का उपयोग करके (सबसे आसान)

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

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

vLLM का उपयोग करके

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

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

छवि 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)

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

Ollama के साथ

# 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:
    image_base64 = base64.b64encode(f.read()).decode()

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

OCR / पाठ निष्कर्षण

messages = [
    {
        "role": "user",
        "content": [
            {"type": "image"},
            {"type": "text", "text": "इस छवि से सभी पाठ निकालें। Markdown के रूप में स्वरूपित करें."}
        ]
    }
]

दस्तावेज़ विश्लेषण

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

विज़ुअल प्रश्नोत्तर

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

छवि कैप्शनिंग

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

स्क्रीनशॉट से कोड

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

एकाधिक छवियाँ

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

# एकाधिक छवियों के साथ प्रक्रिया 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):
    results = []

    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)

        output = model.generate(**inputs, max_new_tokens=300)
        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 संसाधित 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)

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

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

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

demo = gr.Interface(
    fn=analyze_image,
    inputs=[
        gr.Image(type="pil", label="छवि अपलोड करें"),
        gr.Textbox(label="प्रश्न", placeholder="इस छवि में क्या है?")
    ],
    outputs=gr.Textbox(label="प्रतिक्रिया"),
    title="Llama 3.2 Vision - छवि विश्लेषण",
    description="एक छवि अपलोड करें और उसके 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 विवरण	11B	RTX 4090	~3s
एकल छवि विवरण	11B	A100 40GB	~2s
OCR (1 पृष्ठ)	11B	RTX 4090	~5 सेकंड
दस्तावेज़ विश्लेषण	11B	A100 40GB	~8s
बैच (10 छवियाँ)	11B	A100 40GB	~25 सेकंड

क्वांटाइज़ेशन

bitsandbytes के साथ 4-बिट

from transformers import BitsAndBytesConfig

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

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

लागत का अनुमान

CLORE.AI मार्केटप्लेस की सामान्य दरें:

GPU	प्रति घंटा दर	किसके लिए सर्वोत्तम
RTX 4090 24GB	~$0.10	11B मॉडल
A100 40GB	~$0.17	लंबे संदर्भ के साथ 11B
A100 80GB	~$0.25	11B सर्वोत्तम
4x A100 80GB	~$1.00	90B मॉडल

कीमतें अलग-अलग होती हैं। देखें CLORE.AI मार्केटप्लेस वर्तमान दरों के लिए।

पैसे बचाएँ:

• उपयोग करें स्पॉट बैच प्रोसेसिंग के लिए आदेश

• से भुगतान करें CLORE टोकन

• विकास के लिए क्वांटाइज़्ड मॉडल (4-बिट) का उपयोग करें

समस्या निवारण

मेमोरी समाप्त

# 4-बिट क्वांटाइज़ेशन का उपयोग करें
model = MllamaForConditionalGeneration.from_pretrained(
    model_id,
    load_in_4bit=True,
    device_map="auto"
)

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

धीमी जनरेशन

• सुनिश्चित करें कि GPU का उपयोग हो रहा है (जांचें nvidia-smi)

• float32 के बजाय bfloat16 का उपयोग करें

• प्रसंस्करण से पहले छवि का रिज़ॉल्यूशन कम करें

• 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")

# यदि बहुत बड़ी हो तो आकार बदलें
max_size = 1024
if max(image.size) > max_size:
    image.thumbnail((max_size, max_size))

HuggingFace टोकन आवश्यक

# सीमित पहुँच वाले मॉडलों के लिए टोकन सेट करें
export HUGGING_FACE_HUB_TOKEN=hf_xxxxx

# या लॉगिन करें
huggingface-cli login

Llama Vision बनाम अन्य

विशेषता	Llama 3.2 Vision	LLaVA 1.6	GPT-4V
पैरामीटर	11B / 90B	7B / 34B	अज्ञात
ओपन सोर्स	हाँ	हाँ	नहीं
OCR गुणवत्ता	उत्कृष्ट	अच्छा	उत्कृष्ट
संदर्भ	128K	32K	128K
बहु-छवि	हाँ	सीमित	हाँ
लाइसेंस	Llama 3.2	Apache 2.0	स्वामित्वाधीन

Llama 3.2 Vision का उपयोग करें जब:

• ओपन-सोर्स मल्टीमोडल की आवश्यकता हो

• OCR और दस्तावेज़ विश्लेषण

• Llama इकोसिस्टम के साथ एकीकरण

• लंबे संदर्भ की समझ

अगले चरण

• LLaVA - वैकल्पिक विज़न मॉडल

• Florence-2 - Microsoft का विज़न मॉडल

• Ollama - आसान परिनियोजन

• vLLM - उत्पादन सर्विंग