Ollama 更新！手把手教你用Ollama轻松搭建Llama 3.2 Vision + 视觉RAG系统（本地安装）

最新推荐文章于 2025-03-27 15:51:48 发布

大模型微调实战

最新推荐文章于 2025-03-27 15:51:48 发布

阅读量7.1k

点赞数 44

文章标签： llama 学习人工智能产品经理 AI-native

本文链接：https://blog.youkuaiyun.com/2401_85373898/article/details/143657459

版权

在本文中，我将介绍Ollama最近对Llama 3.2 Vision的支持更新，并分享Llama 3.2 Vision的实测结果。同时，我还将介绍一个视觉RAG系统，展示如何将Llama 3.2 Vision与该系统结合，完成基于视觉RAG检索的任务。

先介绍此次更新：

Ollama 现在正式支持 Llama 3.2 视觉模型（Llama 3.2 Vision）。

你看就像这样拖进去就可以识别图片了。

▲ 来源 | Prompt Engineering

你可以看到该模型有11B参数版和90B参数版。选择90B参数版时，文件大小约为55GB。当然还有一些量化的版本。

Llama 3.2 Vision 11B 至少需要 8GB VRAM，而 90B 型号至少需要 64 GB VRAM。

为了安装它，你需要更新一下ollama，这里以docker安装的ollama为例，没更新前拉取这个视觉模型不成功，我们需要删掉容器，再pull更新它。

更新完之后我们可以执行拉取操作

如果你的是Linux版本ollama由于网络问题下载不成功的话，你可以看看这篇文章的末尾。

[

Ollama 升级！支持一键拉取Huggingface上所有的模型，太方便了！（vLLM、Fastgpt、Dify、多卡推理）

2024-10-17

](http://mp.weixin.qq.com/s?__biz=MzkyMzY1NTM0Mw==&mid=2247495145&idx=1&sn=bdf414c7b5d443900aae324d9e47db89&chksm=c1e36029f694e93fe2623305e4410361bb893a206571b7967349b79c3e1575d9cb603dbd93d6&scene=21#wechat_redirect)

你可以使用ollama python库这样运行它的测试

通过本地图像路径向模型提问“这张图片是什么”。

▲ 来源 | Fahd Mirza

模型返回了结果，描述图片中有“日落、袋鼠和一群鸟，太阳位于画面中央，但被云遮挡。” 这正是图片内容。

“ 这是什么城市？”，模型会给出答案：“我猜这是日本的城市，可能是东京或大阪。”

我们看看其他一些场景的情况：

手写内容识别

光学字符识别 (OCR)

图表和表格

图片问答

还是不错的。

下面我们进入正题 …

一个视觉RAG系统 + Llama 3.2 Vision

LocalGPT-Vision 是一个基于视觉的检索增强生成 (RAG) 系统，它可以让你与文档进行对话，使用Vision语言模型实现端到端的RAG系统。

该项目使用Colqwen 或 ColPali模型进行基于视觉的页面信息检索，检索到的页面将传递到视觉语言模型 (VLM) 以生成响应。

安装这个项目：

首先，你需要克隆代码仓库或拉取最新的更改；然后你需要创建一个新的虚拟环境来使用conda；最后使用`pip install -r requirements.txt`安装所有需要的包。

为了启动主应用程序，我们将使用`python app.py`，这会启动我们的Flask服务器，并在该URL上运行。只需在浏览器中访问即可。

这是本地GPT Vision的主界面。如果你进入模型列表，将看到检索模型。我将选择Colqwen ，它是最适合的模型之一。

对于生成模型，你有多个选项，我将选择Ollama Llama Vision，

然后保存更改。

对于被RAG的对象，我们使用一篇名叫Light RAG论文，这是一种简单快速的检索增强生成方法，结合了知识库和基于密集向量的方式，特别适用于具有某种关系的实体。

_Light_RAG开源了！轻巧、强大，GraphRAG的进化版

2024-10-14

开始：

点击上传文档按钮，选择相应的PDF文件，然后点击“开始索引”。

▲ 来源 | Prompt Engineering

此时，后台将使用Colqwen模型为PDF中的每一页创建多维向量表示，转换成图像并计算嵌入，所有这些操作都依赖于强大的poppler库。

如果遇到问题，请确保已安装poppler库，因为有些人在使用这个库时遇到过问题。索引完成后，点击“确定”，然后开始与刚才创建的知识库进行交互。

首先，我们用一个简单的提示开始：“这篇论文的标题是什么？”

你可以看到，论文的标题是《Light RAG: Simple and Fast Retrieval Augmented Generation》。

它与标题完全一致。

接下来我们可以看看它是否能够解释该图像的详细信息。

我问：“你能详细解释图1吗？”

图1 作为论文中的一个插图，讨论了索引过程和检索过程，并展示了提议的Light RAG框架的整体架构。该页面还包含了其他信息，特别是数学公式，它们本质上也解释了相同的概念。

原文是这样的

这里是这个视觉RAG系统回答的翻译版本：

生成的响应是：“该图像展示了Light RAG框架的全面概述，该框架旨在增强信息检索系统的性能和效率。”然后它讨论了不同的组件，包括数据索引器和数据检索器。

这些信息似乎来自图像本身或图像所在页面上的文本。描述可以做得更好一些，可能90B版本的模型会做得更好。

我在这里补充它回答后续的截图：

此外，这些视觉开源大模型往往也可以用于一些视频帧的分析的场景。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

在这里插入图片描述