多模态大模型Qwen2.5 vl本地部署指南

Qwen2.5-VL 是通义千问系列的最新多模态大模型，具备图文理解、视觉推理、文档解析等强大能力，广泛应用于智能搜索、内容生成、企业文档处理等领域。

🔹 主要功能
✅ 多模态问答：解析图片、图表、文档，回答问题，支持 OCR 识别。
✅ 复杂文档解析：提取发票、合同、PPT、表格等文件中的结构化信息。
✅ 高级视觉推理：理解图像中的关系，如因果推理、数据分析。
✅ 智能摘要与生成：自动生成图片描述、文档摘要，提高信息获取效率。
✅ 代码与 UI 解析：识别截图中的代码/UI 设计，生成可执行代码或交互说明。

一. 环境准备

机器：4090
python: 3.10
cuda: 12.2

# 网络不好，可能需要尝试几次
pip install git+https://github.com/huggingface/transformers accelerate
pip install qwen-vl-utils[decord]

# 跑代码时缺少包
pip install torchvision==0.19.0

二. 下载模型

from modelscope import snapshot_download
model_dir = snapshot_download('Qwen/Qwen2.5-VL-7B')

三. 推理代码封装

from transformers import Qwen2_5_VLForConditionalGeneration, AutoProcessor
from qwen_vl_utils import process_vision_info
import torch


class QwenVLModel:
    def __init__(self, model_path="./Qwen2.5-VL-7B-Instruct", use_flash_attention=False):
        """
        初始化Qwen VL模型
        Args:
            model_path: 模型路径
            use_flash_attention: 是否使用flash attention加速
        """
        # 加载模型
        if use_flash_attention:
            self.model = Qwen2_5_VLForConditionalGeneration.from_pretrained(
                model_path,
                torch_dtype=torch.bfloat16,
                attn_implementation="flash_attention_2",
                device_map="auto",
            )
        else:
            self.model = Qwen2_5_VLForConditionalGeneration.from_pretrained(
                model_path, torch_dtype="auto", device_map="auto"
            )

        # 初始化处理器
        min_pixels = 256*28*28
        max_pixels = 1280*28*28
        self.processor = AutoProcessor.from_pretrained(
            model_path, 
            min_pixels=min_pixels, 
            max_pixels=max_pixels, 
            use_fast=True
        )

    def process_image(self, image_path, prompt):
        """
        处理图片并生成输出
        Args:
            image_path: 图片路径
            prompt: 提示文本
        Returns:
            生成的文本输出
        """
        messages = [
            {
                "role": "user",
                "content": [
                    {
                        "type": "image",
                        "image": image_path,
                    },
                    {"type": "text", "text": prompt},
                ],
            }
        ]

        # 准备推理输入
        text = self.processor.apply_chat_template(
            messages, tokenize=False, add_generation_prompt=True
        )
        image_inputs, video_inputs = process_vision_info(messages)
        inputs = self.processor(
            text=[text],
            images=image_inputs,
            videos=video_inputs,
            padding=True,
            return_tensors="pt",
        )
        inputs = inputs.to(self.model.device)

        # 生成输出
        generated_ids = self.model.generate(**inputs, max_new_tokens=512)
        generated_ids_trimmed = [
            out_ids[len(in_ids) :] for in_ids, out_ids in zip(inputs.input_ids, generated_ids)
        ]
        output_text = self.processor.batch_decode(
            generated_ids_trimmed, skip_special_tokens=True, clean_up_tokenization_spaces=False
        )
        return output_text



if __name__ == "__main__":
    model = QwenVLModel()
    img_path = "https://qianwen-res.oss-cn-beijing.aliyuncs.com/Qwen-VL/assets/demo.jpeg"
    output_text = model.process_image(
        img_path,
        "请用中文描述一下这张图片"
    )
    print(f"输出信息: {output_text}")

四. 测试效果

图片

模型输出结果：

输出信息: ['这张图片展示了一位女士和一只狗在海滩上互动的场景。女士坐在沙滩上，穿着格子衬衫和黑色裤子，面带微笑，似乎在与狗进行友好互动。狗戴着彩色的项圈，正伸出前爪与女士的手相触碰，显得非常亲密和愉快。背景是广阔的海洋和天空，夕阳的余晖洒在沙滩上，营造出一种温馨和谐的氛围。整个画面给人一种轻松愉快的感觉。']