【机器学习】阿里Qwen-VL：基于FastAPI私有化部署你的第一个AI多模态大模型

一、引言

之前在热榜第一?文章GLM-4中提到了最新开源的GLM-4V-9B多模态模型，其中采用python对GLM-4V-9B推理方法进行实现，而实际应用到项目中，仅有推理代码只能进行离线测试，如果想应用到线上，还是需要封装成OpenAI兼容的API接口。今天我们基于FastAPI，以Qwen-VL为例，讲述如何封装一个私有化的多模态大模型（MLLMs）。

OpenAI兼容的API接口（OpenAI-API-compatible）：是个很重要的接口规范，由大模型王者OpenAI制定，简单来说就是接口名、传参方式、参数格式统一仿照OpenAI的接口方式，这样可以降低使用接口的学习与改造，做到多厂商、多模型兼容。

DIFY平台：自定义的接口要求复合OpenAI兼容API规范才能使用

vLLM、Ollama、Xinference等开源推理框架：接口均参照OpenAI兼容API规范 

本文基于FastAPI简单实现了一个遵照OpenAI兼容接口的Qwen-VL服务端和客户端接口，用于交流学习，如有问题与建议欢迎大家留言指正！

二、Qwen-VL 介绍

2.1 Qwen-VL 特点

Qwen-VL 是阿里云研发的大规模视觉语言模型（Large Vision Language Model, LVLM）。Qwen-VL 可以以图像、文本、检测框作为输入，并以文本和检测框作为输出。Qwen-VL 系列模型的特点包括：

强大的性能：在四大类多模态任务的标准英文测评中（Zero-shot Captioning/VQA/DocVQA/Grounding）上，均取得同等通用模型大小下最好效果；

多语言对话模型：天然支持英文、中文等多语言对话，端到端支持图片里中英双语的长文本识别；

多图交错对话：支持多图输入和比较，指定图片问答，多图文学创作等；

首个支持中文开放域定位的通用模型：通过中文开放域语言表达进行检测框标注；

细粒度识别和理解：相比于目前其它开源LVLM使用的224分辨率，Qwen-VL是首个开源的448分辨率的LVLM模型。更高分辨率可以提升细粒度的文字识别、文档问答和检测框标注。

目前，提供了 Qwen-VL 系列的两个模型：

Qwen-VL: Qwen-VL 以 Qwen-7B 的预训练模型作为语言模型的初始化，并以 Openclip ViT-bigG 作为视觉编码器的初始化，中间加入单层随机初始化的 cross-attention，经过约1.5B的图文数据训练得到。最终图像输入分辨率为448。

Qwen-VL-Chat: 在 Qwen-VL 的基础上，我们使用对齐机制打造了基于大语言模型的视觉AI助手Qwen-VL-Chat，它支持更灵活的交互方式，包括多图、多轮问答、创作等能力。

2.2 Qwen-VL 原理

Qwen-VL模型网络包括视觉编码器（Vision Encoder）、视觉语言适配器（VL Adapter）、语言模型（LLM）三部分，其中编码器1.9B、视觉语言适配器0.08B、语言模型7.7B，共计9.6B。（GLM-4V-9B）约13B。两者视觉编码器占比分别为20%和30%。

具体的训练过程分为三步：

预训练：只优化视觉编码器和视觉语言适配器，冻结语言模型。使用大规模图像-文本配对数据，输入图像分辨率为224x224。

多任务预训练：引入更高分辨率（448x448）的多任务视觉语言数据，如VQA、文本VQA、指称理解等，进行多任务联合预训练。

监督微调：冻结视觉编码器，优化语言模型和适配器。使用对话交互数据进行提示调优，得到最终的带交互能力的Qwen-VL-Chat模型。

2.3 Qwen-VL 模型结构

通过之前的文章中讲述的使用transformers查看model结构的方法，查看模型结构如下，包含以下几个部分

ModuleList语言模型部分：包含32个QwenBlock，每个QwenBlock中包含1个QwenAttention和QwenMLP

ViT视觉编码器部分：包含TransformerBlock和Resampler部分：

 TransformerBlock包含48个VisualAttentionBlock，每个VisualAttentionBlock包含1个1664维输入的VisualAttention和1个Sequential的mlp

 Resampler包含1个MultiheadAttention

QWenLMHeadModel(

  (transformer): QWenModel(

    (wte): Embedding(151936, 4096)

    (drop): Dropout(p=0.0, inplace=False)

    (rotary_emb): RotaryEmbedding()

    (h): ModuleList(

      (0-31): 32 x QWenBlock(

        (ln_1): RMSNorm()

        (attn): QWenAttention(

          (c_attn): Linear(in_features=4096, out_features=12288, bias=True)

          (c_proj): Linear(in_features=4096, out_features=4096, bias=False)

          (attn_dropout): Dropout(p=0.0, inplace=False)

        )

        (ln_2): RMSNorm()

        (mlp): QWenMLP(

          (w1): Linear(in_features=4096, out_features=11008, bias=False)

          (w2): Linear(in_features=4096, out_features=11008, bias=False)

          (c_proj): Linear(in_features=11008, out_features=4096, bias=False)

        )

      )

    )

    (ln_f): RMSNorm()

    (visual): VisionTransformer(

      (conv1): Conv2d(3, 1664, kernel_size=(14, 14), stride=(14, 14), bias=False)

      (ln_pre): LayerNorm((1664,), eps=1e-06, elementwise_affine=True)

      (transformer): TransformerBlock(

        (resblocks): ModuleList(

          (0-47): 48 x VisualAttentionBlock(

            (ln_1): LayerNorm((1664,), eps=1e-06, elementwise_affine=True)

            (ln_2): LayerNorm((1664,), eps=1e-06, elementwise_affine=True)

            (attn): VisualAttention(

              (in_proj): Linear(in_features=1664, out_features=4992, bias=True)

              (out_proj): Linear(in_features=1664, out_features=1664, bias=True)

            )

            (mlp): Sequential(

              (c_fc): Linear(in_features=1664, out_features=8192, bias=True)

              (gelu): GELU(approximate='none')

              (c_proj): Linear(in_features=8192, out_features=1664, bias=True)

            )

          )

        )

      )

      (attn_pool): Resampler(

        (kv_proj): Linear(in_features=1664, out_features=4096, bias=False)

        (attn): MultiheadAttention(

          (out_proj): NonDynamicallyQuantizableLinear(in_features=4096, out_features=4096, bias=True)

        )

        (ln_q): LayerNorm((4096,), eps=1e-06, elementwise_affine=True)

        (ln_kv): LayerNorm((4096,), eps=1e-06, elementwise_affine=True)

      )

      (ln_post): LayerNorm((4096,), eps=1e-06, elementwise_affine=True)

    )

  )

  (lm_head): Linear(in_features=4096, out_features=151936, bias=False)

)

三、FastAPI封装Qwen-VL大模型服务接口

3.1 FastAPI 极简入门

搭建1个FastAPI服务依赖fastapi、pydantic、uvicorn三个库：

3.1.1 FastAPI

FastAPI是一个现代、快速（高性能）的Web框架，用于构建API，用Python编写。它基于标准的Python类型提示，提供自动的交互式文档和数据验证。

代码示例：

# 导入FastAPI模块

from fastapi import FastAPI

# 创建一个FastAPI实例

app = FastAPI()

# 定义一个路径操作函数

@app.get("/")

async def root():

    # 返回一个JSON响应

    return {"message": "Hello World"}

# 运行应用

if __name__ == "__main__":

    import uvicorn

    uvicorn.run(app, host="0.0.0.0", port=8000)

这段代码创建了一个简单的FastAPI应用，当访问根路径/时，会返回一个包含"Hello World"的消息。可以使用uvicorn运行这个应用，它是一个ASGI服务器，FastAPI是基于ASGI构建的 

3.1.2 uvicorn

uvicorn是一个ASGI（Asynchronous Server Gateway Interface）服务器，用于运行现代的异步Python Web应用，如FastAPI。以下是如何使用uvicorn运行一个FastAPI应用的步骤：

假设你有一个名为main.py的文件，其中包含你的FastAPI应用：

from fastapi import FastAPI

app = FastAPI()

@app.get("/")

async def root():

    return {"message": "Hello World"}

可以使用以下命令运行你的应用：

uvicorn main:app --reload

这里的main是你的Python文件名（不包括.py扩展名），app是你的FastAPI实例的变量名。--reload标志告诉uvicorn在代码更改时自动重新加载应用，这对于开发非常有用。

3.1.3 pydantic

Pydantic是一个Python库，用于数据验证和设置管理。它被广泛用于FastAPI中，用于定义请求和响应模型，以进行数据验证和解析。

from pydantic import BaseModel

class Item(BaseModel):

    name: str

    description: str = None

    price: float

    tax: float = None

    tags: list = []

items = {

    "foo": {"name": "Foo", "price": 50.2},

    "bar": {"name": "Bar", "description": "The bartenders", "price": 62, "tax": 20.2},

    "baz": {"name": "Baz", "description": None, "price": 50.2, "tax": 10.5, "tags": []},

}

item = Item(**items["foo"])

print(item)

# 输出: Item(name='Foo', description=None, price=50.2, tax=None, tags=[])

3.2  QwenVL-API服务端

3.2.1 代码示例

from fastapi import FastAPI

from pydantic import BaseModel

import uvicorn

import requests

from io import BytesIO

from modelscope import snapshot_download

from transformers import AutoTokenizer, AutoModelForCausalLM

import torch

from PIL import Image

#import os

#os.environ["CUDA_VISIBLE_DEVICES"] = "1,2"

#model_dir = snapshot_download('ZhipuAI/glm-4v-9b')

model_dir = snapshot_download('qwen/Qwen-VL-Chat')

device = "auto" 

tokenizer = AutoTokenizer.from_pretrained(model_dir,trust_remote_code=True)

qwen_vl = AutoModelForCausalLM.from_pretrained(model_dir, device_map=device, trust_remote_code=True,fp16=True).eval()

# 创建FastAPI应用实例

app = FastAPI()

# 定义请求体模型，与OpenAI API兼容

class ChatCompletionRequest(BaseModel):

    model: str

    messages: list

    max_tokens: int = 1024

    temperature: float = 0.7

# 文本生成函数

def generate_text(model: str, messages: list, max_tokens: int, temperature: float):

    text = messages[0]["content"][0]["text"]

    image_url =  messages[0]["content"][1]["image_url"]["url"]

    #print(text,image_url)

    query = tokenizer.from_list_format([

        {'image': image_url}, # Either a local path or an url

        {'text': text}

    ])

    response, history = qwen_vl.chat(tokenizer, query=query, history=None,max_new_tokens=max_tokens)

    return response

# 定义路由和处理函数，与OpenAI API兼容

@app.post("/v1/chat/completions")

async def create_chat_completion(request: ChatCompletionRequest):

    # 调用自定义的文本生成函数

    response = generate_text(request.model, request.messages, request.max_tokens, request.temperature)

    return {"choices": [{"message": {"content": response}}],"model": request.model}

# 启动FastAPI应用

if __name__ == "__main__":

    uvicorn.run(app, host="0.0.0.0", port=8888)

3.2.2 代码详解 

环境：在代码之前建立conda环境、pip代码中依赖的库，这个地方不讲啦，可以看之前的文章

下载必要的库：如上一节讲到的fastapi、pydantic、uvicorn等用于搭建api服务的库，以及modelscope、transformers、torch，以及图片处理的库io、PIL等

下载模型：基于modelscope的snapshot_download下载模型文件，专为网络不稳定的开发者服务

实例化分词器和模型：模型基于transformers的AutoTokenizer、AutoModelForCausalLM建立分词器和模型qwen_vl

实例化FastAPI：通过app=FastAPI()创建fastapi实例

定义请求体模型：继承pydantic的BaseModel，参数需要兼容OpenAI API

从主函数开始看：通过uvicorn.run启动Fastapi实例app，配置host和port

定义app的路由：路由指向v1/chat/completions

定义app的处理函数：处理函数调用generate_text函数，传入request接收的兼容OpenAI的请求体模型。

文本和图像生成generate_text：提取query、image_url，构造query，传入qwen_vl.chat()，基于图片和文本生成response返回

API返回格式：拼接choices、message、content等构造兼容OpenAI API的返回

3.2.3 代码使用 

使用CUDA_VISIBLE_DEVICES=2 python run_api_qwenvl.py启动，指定卡2运行api服务。 

显存占用18.74G（模型尺寸9.6B，根据我们之前提过很多次的经验，推理模型显存占用=模型尺寸*2=9.6*2=19.2G）

3.3  QwenVL-API客户端

3.3.1 代码示例

import requests

import json

# 定义请求的URL

url = "http://0.0.0.0:8888/v1/chat/completions"

# 定义请求体

data = {

        "model": "qwen-vl",

        "messages":[{"role":"user","content":[{"type":"text","text":"这是什么?"},{"type":"image_url","image_url":{"url":"https://img1.baidu.com/it/u=1369931113,3388870256&fm=253&app=138&size=w931&n=0&f=JPEG&fmt=auto?sec=1703696400&t=f3028c7a1dca43a080aeb8239f09cc2f"}}]}],

        "max_tokens": 1024,

        "temperature": 0.5

}

# 将字典转换为JSON格式

headers = {'Content-Type': 'application/json'}

data_json = json.dumps(data)

# 发送POST请求

response = requests.post(url, data=data_json, headers=headers)

# 检查响应状态码

if response.status_code == 200:

    # 如果响应成功，打印响应内容

    print(response.json())

else:

    # 如果响应失败，打印错误信息

    print(f"Error: {response.status_code}, {response.text}")

3.3.2 代码要点

requests：采用requests库进行请求，requests是一个在Python中用于发送HTTP请求的库。它允许你发送各种类型的HTTP请求，如GET、POST、PUT、DELETE等，以及处理响应。requests库的一个主要优点是它的易用性和简洁的API。

请求体data定义：完全模仿OpenAI API请求结构，服务端也根据此结构规范处理。

headers请求头：接口请求格式为JSON，采用json.dumps可以将字典型的data转换为json字符串，用于请求时采用json格式传输。更多json用法可以参考之前的文章

3.3.2 代码使用 

将以上客户端代码放入post_api.py中，采用python post_api.py调用服务端接口。

比如传入的图片为：

qwen-vl输出为 

“这是海面，可以看到远处的海平线和海岸线。天空中飘着美丽的云彩。”

glm-4v输出为 

“这是一张展示海滨风景的图片。图中可以看到一片宁静的海洋，海面上有几块岩石露出水面。天空呈现出深浅不一的蓝色，其中散布着一些白云。在远处，可以看到陆地和大海的交界线，以及一些小岛或陆地突起。整个场景给人一种宁静、宽广的感觉。”

看起来glm-4v的效果要好一些，主要原因：

发布日期：qwen-vl发布于2023年8月22日，glm-4v发布于2024年6月6日，隔着将近一年

分辨率：qwen-vl是448*448，glm-4v是1120*1120

模型尺寸：qwen-vl是9.6B，glm-4v是13B

期待qwen2-vl的诞生吧！

四、总结

本文首先在引言中强调了一下OpenAI兼容API的重要性，希望引起读者重视，其次介绍了Qwen-VL的原理与模型结构，最后简要讲了下FastAPI以及搭配组件，并基于FastAPI封装了OpenAI兼容API的Qwen-VL大模型服务端接口，并给出了客户端实现。本文内容在工作中非常实用，希望大家能有所收获并与我交流。期待您的关注+三连！