近期阿里通義實驗室在 Hugging Face 和 ModelScope 上開源了 Qwen2.5-VL 的 Base 和 Instruct 模型，包含 3B、7B 和 72B 在內(nèi)的 3 個模型尺寸。其中，Qwen2.5-VL-7B-Instruct 在多個任務(wù)中超越了 GPT-4o-mini，而 Qwen2.5-VL-3B 作為端側(cè) AI 的潛力股，甚至超越了之前版本 的Qwen2-VL 7B 模型。Qwen2.5-VL 增強了模型對時間和空間尺度的感知能力，在空間維度上，Qwen2.5-VL 不僅能夠動態(tài)地將不同尺寸的圖像轉(zhuǎn)換為不同長度的 token，使用圖像的實際尺寸來表示檢測框和點等坐標(biāo)，這也使得Qwen2.5-VL模型可以直接作為一個視覺 Agent，推理并動態(tài)地使用工具，具備了使用電腦和使用手機的能力。

本文將分享如何利用英特爾 OpenVINO? 工具套件在本地加速Q(mào)wen2.5-VL系列模型的推理任務(wù)。

內(nèi)容列表

1.環(huán)境準(zhǔn)備

2.模型下載和轉(zhuǎn)換

3.加載模型

4.準(zhǔn)備模型輸入

5.運行圖像理解任務(wù)

1 環(huán)境準(zhǔn)備

該示例基于Jupyter Notebook編寫，因此我們需要準(zhǔn)備好相對應(yīng)的Python環(huán)境?；A(chǔ)環(huán)境可以參考以下鏈接安裝，并根據(jù)自己的操作系統(tǒng)進行選擇具體步驟。

https://github.com/openvinotoolkit/openvino_notebooks?tab=readme-ov-file#-getting-started

圖：基礎(chǔ)環(huán)境安裝導(dǎo)航頁面

此外本示例將依賴qwen-vl-utils以及optimum-intel組件，其中安裝optimum-intel過程中將自動安裝OpenVINO? runtime, NNCF及Transformers等相關(guān)依賴庫。

2 模型下載和轉(zhuǎn)換

這一步中，我們需要完成將Qwen2.5-VL .safetensor格式模型轉(zhuǎn)化為OpenVINO? IR格式，并對其進行INT4權(quán)重量化，實現(xiàn)對模型體積的壓縮。為了達(dá)到這一目的，optimum-intel提供了命令行工具：optimum-cli，基于該工具，我們只需一行命令便可實現(xiàn)上述步驟：

 optimum-cli export openvino --model Qwen/Qwen2.5-VL-3B-Instruct Qwen2.5-VL-3B-Instruct/INT4 --weight-format int4

其中“—model”參數(shù)后的“Qwen/Qwen2.5-VL-3B-Instruct”為模型在HuggingFace上的model id，這里我們也提前下載原始模型，并將model id替換為原始模型的本地路徑，針對國內(nèi)開發(fā)者，推薦使用ModelScope魔搭社區(qū)作為原始模型的下載渠道，具體加載方式可以參考ModelScope官方指南：https://www.modelscope.cn/docs/models/download

3 加載模型

接下來需要完成對模型推理任務(wù)的初始化，并將模型載入到指定硬件的內(nèi)存中，同樣的，我們可以利用optimum-intel封裝好的OpenVINO? 視覺多模態(tài)任務(wù)對象 OVModelForVisualCausalLM 對象完成該操作。

from optimum.intel.openvino import OVModelForVisualCausalLM
model = OVModelForVisualCausalLM.from_pretrained(model_dir, device.value)

如示例代碼所示，通過OVModelForVisualCausalLM的from_pretrained函數(shù)接口，可以很方便地根據(jù)用戶提供的模型路徑，將模型載入到指定的硬件平臺，完成視覺多模態(tài)任務(wù)的初始化。

4 準(zhǔn)備模型輸入

第四步需要根據(jù)Qwen2.5-VL模型要求的prompt template準(zhǔn)備模型的輸入數(shù)據(jù)。數(shù)據(jù)格式如下：

messages = [
    {
        "role": "user",
        "content": [
            {
                "type": "image",
                "image": f"file://{example_image_path}",
            },
            {"type": "text", "text": question},
        ],
    }
]

其中:

■ “role“字段用于指定對話角色，包括system, user以及assistant三種類型；

■ "content"字段表示對話角色輸出的內(nèi)容，其中”type”為內(nèi)容類別，包含image，video，text三種類型，支持多張image輸入。

接下來可以通過Qwen官方提供的方法將用戶輸入的text和image編碼為模型的輸入tensor。

text = processor.apply_chat_template(messages, tokenize=False, add_generation_prompt=True)
image_inputs, video_inputs = process_vision_info(messages)
inputs = processor(
    text=[text],
    images=image_inputs,
    videos=video_inputs,
    padding=True,
    return_tensors="pt",
)

5 運行圖像理解任務(wù)

最后一步需要調(diào)用模型對象的generation函數(shù)，進行答案生成，這里可以通過添加TextStreamer迭代器的方式，在命令行中流式輸出文本內(nèi)容。

from transformers import TextStreamer
generated_ids = model.generate(**inputs, max_new_tokens=100, streamer=TextStreamer(processor.tokenizer, skip_prompt=True, skip_special_tokens=True))

根據(jù)示例圖片生成生成對話內(nèi)容如下所示：

Question:

Describe this image.

Answer:

The image depicts a serene beach scene at sunset. A person is sitting on the sandy beach, facing a light-colored dog, likely a Labrador Retriever, which is also sitting and facing the person. The dog appears to be wearing a harness with a leash attached, suggesting that it might be a pet. The person is dressed in a plaid shirt and shorts, and they are smiling, indicating a happy and relaxed moment. The background shows the ocean with gentle waves and the sun setting, casting

圖：Gradio示例界面

6 總結(jié)

Qwen2.5-VL 系列模型的發(fā)布帶來了更精準(zhǔn)的視覺定位，文字理解以及Agent智能體能力。OpenVINO? 則可以以更低的資源占用，高效地在本地運行Qwen2.5-VL視覺多模態(tài)模型，激發(fā)AIPC異構(gòu)處理器的潛能。相信構(gòu)建面向桌面操作系統(tǒng)的本地智能體應(yīng)用已不再遙遠(yuǎn)。

參考示例

https://github.com/openvinotoolkit/openvino_notebooks/tree/latest/notebooks/qwen2.5-vl