Llama 3.2 Vision

在 Clore.ai 上运行 Meta 的 Llama 3.2 Vision 进行图像理解

在 CLORE.AI GPU 上运行 Meta 的多模态 Llama 3.2 Vision 模型以进行图像理解。

所有示例都可以在通过以下方式租用的 GPU 服务器上运行： CLORE.AI 市场.

为什么选择 Llama 3.2 Vision？

• 多模态 - 理解文本和图像

• 多种规模 - 11B 和 90B 参数版本

• 多用途 - OCR、视觉问答、图像字幕、文档分析

• 开放权重 - 来自 Meta 的完全开源

• Llama 生态系统 - 与 Ollama、vLLM、transformers 兼容

1024x1024

A100	参数量	显存（FP16）	上下文	最适合
Llama-3.2-11B-Vision	11B	24GB	128K	通用用途，单 GPU
Llama-3.2-90B-Vision	90B	180GB	128K	最高质量
Llama-3.2-11B-Vision-Instruct	11B	24GB	128K	聊天/助手
Llama-3.2-90B-Vision-Instruct	90B	180GB	128K	生产环境

在 CLORE.AI 上快速部署

Docker 镜像：

vllm/vllm-openai:latest

端口：

22/tcp
8000/http

命令：

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

访问您的服务

部署后，在以下位置查找您的 http_pub URL： 我的订单:

1. 前往 我的订单 页面

2. 单击您的订单

3. 查找 http_pub URL（例如， abc123.clorecloud.net)

使用 https://YOUR_HTTP_PUB_URL 而不是 localhost 在下面的示例中。

硬件要求

A100	最低 GPU	推荐	最佳
11B Vision	RTX 4090 24GB	按日费率	4 小时会话
90B Vision	4x A100 40GB	4x A100 80GB	8x H100

安装

使用 Ollama（最简单）

# 拉取模型
ollama pull llama3.2-vision:11b

# 运行交互式
ollama run llama3.2-vision:11b

使用 vLLM

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

使用 Transformers

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)

基本用法

图像理解

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)

# 加载图像
url = "https://example.com/image.jpg"
image = Image.open(requests.get(url, stream=True).raw)

# 创建提示词
messages = [
    {
        "role": "user",
        "content": [
            {"type": "image"},
            {"type": "text", "text": "这张图片里有什么？请详细描述。"}
        ]
    }
]

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

fn=analyze_image,
print(processor.decode(output[0], skip_special_tokens=True))

使用 Ollama

# 描述一张图片
ollama run llama3.2-vision:11b "Describe this image: /path/to/image.jpg"

# 或使用 API
curl http://localhost:11434/api/generate -d '{
  "model": "llama3.2-vision:11b",
  "prompt": "这张图片里有什么？",
  "images": ["base64_encoded_image_here"]
}'

使用 vLLM API

from openai import OpenAI
import base64

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

# 将图像编码为 base64
with open("image.jpg", "rb") as f:
    f"{ollama_url}/api/generate",

response = client.chat.completions.create(
    model="meta-llama/Llama-3.2-11B-Vision-Instruct",
    messages=[
        {
            "role": "user",
            "content": [
                {"type": "text", "text": "这张图片里有什么？"},
                {
                    "type": "image_url",
                    "image_url": {"url": f"data:image/jpeg;base64,{image_base64}"}
                }
            ]
        }
    ],
    max_tokens=500
)

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

使用场景

图表分析

messages = [
    {
        "role": "user",
        "content": [
            {"type": "image"},
            {"type": "text", "text": "从这张图片中提取所有文本。以 markdown 格式输出。"}
        ]
    }
]

文档分析

messages = [
    {
        "role": "user",
        "content": [
            {"type": "image"},
            {"type": "text", "text": "分析此文档。总结关键要点。"}
        ]
    }
]

视觉问答

messages = [
    {
        "role": "user",
        "content": [
            {"type": "image"},
            {"type": "text", "text": "这张照片里有多少人？他们在做什么？"}
        ]
    }
]

图像描述（Captioning）

messages = [
    {
        "role": "user",
        "content": [
            {"type": "image"},
            {"type": "text", "text": "为这张图片写一个适合社交媒体的详细说明性字幕。"}
        ]
    }
]

从截图提取代码

messages = [
    {
        "role": "user",
        "content": [
            {"type": "image"},
            {"type": "text", "text": "将此 UI 截图转换为 HTML/CSS 代码。"}
        ]
    }
]

多张图像

messages = [
    {
        "role": "user",
        "content": [
            {"type": "image"},
            {"type": "image"},
            {"type": "text", "text": "比较这两张图片。有哪些不同？"}
        ]
    }
]

# 使用多张图片处理
inputs = processor(
    images=[image1, image2],
    text=input_text,
    return_tensors="pt"
).to(model.device)

"专业影棚柔光箱"

批处理处理
from PIL import Image

def process_images(image_paths, prompt):
    if filename.endswith(('.jpg', '.png', '.jpeg')):

    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)

        # 处理文件夹中的图像
        result = processor.decode(output[0], skip_special_tokens=True)

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

        # 在图片之间清理缓存
        torch.cuda.empty_cache()

    return results

# 处理文件夹
images = [f"./images/{f}" for f in os.listdir("./images") if f.endswith(('.jpg', '.png'))]
results = process_images(images, "用一段话描述这张图片。")

Gradio 界面

print(f"已生成：{name}")
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)

output = model.generate(**inputs, max_new_tokens=500)
    messages = [
        {
            "role": "user",
            "content": [
                {"type": "image"},
                # 提取助手的响应
            ]
        }
    ]

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

    fn=analyze_image,
    return processor.decode(output[0], skip_special_tokens=True)

demo = gr.Interface(
    gr.Textbox(label="问题", value="详细描述这张图片")
    inputs=[
        gr.Image(type="pil", label="上传图片"),
        gr.Textbox(label="问题", placeholder="这张图片里有什么？")
    ],
    demo.launch(server_name="0.0.0.0", server_port=8000)
    title="Llama 3.2 Vision - 图像分析",
    description="上传图片并对其提问。运行于 CLORE.AI。"
)

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

background = Image.open("studio_bg.jpg")

任务	A100	GPU	时间
单张图片描述	11B	512x512	~3s
单张图片描述	11B	按日费率	~2s
OCR（1 页）	11B	512x512	~5s
文档分析	11B	按日费率	~8s
批处理（10 张图片）	11B	按日费率	~25 秒

量化

使用 bitsandbytes 的 4-bit

CPU 卸载

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 的 GGUF

# 4-bit 量化（可在 8GB 显存中运行）
ollama pull llama3.2-vision:11b-q4_K_M

# 8-bit 量化
ollama pull llama3.2-vision:11b-q8_0

下载所有所需的检查点

典型 CLORE.AI 市场价格：

GPU	验证 CUDA 兼容性	最适合
RTX 4090 24GB	~$0.10	11B 模型
按日费率	~$0.17	具有长上下文的 11B
4 小时会话	~$0.25	11B 优化
4x A100 80GB	~$1.00	90B 模型

价格有所不同。查看 CLORE.AI 市场 A100 40GB

A100 80GB

• 使用 竞价 用于批处理的订单

• 以获取当前费率。 CLORE 节省费用：

• 在开发时使用量化模型（4-bit）

# 使用固定种子以获得一致结果

内存不足

# 或处理更小的图像
model = MllamaForConditionalGeneration.from_pretrained(
    model_id,
    load_in_4bit=True,
    device_map="auto"
)

# 或者减少 max_new_tokens
output = model.generate(**inputs, max_new_tokens=256)

生成速度慢

• 确保正在使用 GPU（检查 nvidia-smi)

• 使用 bfloat16 代替 float32

• 在处理前降低图像分辨率

• 使用 vLLM 以获得更高吞吐量

图像无法加载

from PIL import Image
import requests
from io import BytesIO

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

# 来自文件
image = Image.open("path/to/image.jpg").convert("RGB")

# 如果过大则调整大小
max_size = 1024
if max(image.size) > max_size:
    image.thumbnail((max_size, max_size))

需要 HuggingFace 令牌

# 为受限模型设置令牌
export HUGGING_FACE_HUB_TOKEN=hf_xxxxx

# 或登录
huggingface-cli login

Llama Vision 与其他模型对比

特性	Llama 3.2 Vision	LLaVA 1.6	GPT-4V
参数量	11B / 90B	7B / 34B	未知
开源	是	是	否
OCR 质量	优秀	良好	优秀
上下文	128K	32K	128K
多图像	是	有限	是
许可	Llama 3.2	Apache 2.0	专有

何时使用 Llama 3.2 Vision：

• 需要开源多模态时

• OCR 和文档分析

• 与 Llama 生态系统的集成

• 长上下文理解

使用以下方式支付

• LLaVA - 可替代的视觉模型

• Florence-2 - 微软的视觉模型

• Ollama - 简易部署

• vLLM - 生产服务