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 torchclass 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*28max_pixels = 1280*28*28self.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_textif __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。']
