概述

随着人工智能技术的迅猛发展，多模态模型在各类应用场景中展现出强大的潜力和广泛的适用性。Qwen2-VL 作为最新一代的多模态大模型，融合了视觉与语言处理能力，旨在提升复杂任务的执行效率和准确性。本指南聚焦于 Qwen2-VL 在三个关键领域的实践应用：发票数据提取、视频聊天以及基于 PDF 文档的多模态检索增强生成（RAG, Retrieval-Augmented Generation）。

多模态 RAG 的重要性

传统的生成模型主要依赖于文本数据，而多模态 RAG 则通过结合视觉信息，实现对复杂数据的更深入理解和处理。这一方法不仅提高了生成内容的相关性和准确性，还扩展了模型在实际应用中的适用范围。Qwen2-VL 通过整合图像、视频和文本数据，能够在多种场景下提供智能化的解决方案，满足企业和个人用户日益增长的需求。

发票数据提取

在财务和会计领域，发票作为重要的交易凭证，其数据的准确提取和处理对于企业的运营至关重要。传统的方法往往依赖人工录入，效率低下且易出错。Qwen2-VL 利用其强大的视觉识别和自然语言理解能力，能够自动识别发票中的关键信息，如金额、日期和供应商信息，实现高效、准确的数据提取，大幅提升工作效率并降低人为错误的风险。

视频聊天

随着远程办公和在线交流的普及，视频聊天已成为日常工作和社交的重要工具。Qwen2-VL 在视频聊天应用中，通过结合视觉和语言模型，实现智能化的实时翻译、情感分析和内容摘要等功能。此举不仅提升了沟通的便捷性和效果，还为用户提供了更加个性化和高效的交流体验。

基于 PDF 的多模态 RAG

PDF 作为一种广泛使用的文档格式，涵盖了文本、图表和图像等多种信息形式。Qwen2-VL 通过解析和理解 PDF 文档中的多模态内容，能够实现智能检索和生成。例如，在科研、法律和教育等领域，用户可以通过自然语言查询，快速获取相关信息，并生成简洁明了的总结报告。这不仅提高了信息获取的效率，还促进了知识的传播和应用。

Qwen2-VL 架构

下面这张图就是Qwen2-VL的架构图。

到目前为止，已知的是 Qwen2-VL 使用带有 Vision Transformer 的 Qwen2-LM — 能够处理图像和视频。此外，Qwen2-VL 还推出了新颖的多模态旋转位置嵌入 s（ M-ROPE ）。这是 ROPE 嵌入的一种变体，它将位置嵌入分解为多个部分 。

Qwen2-VL 支持多种语言，包括大多数欧洲语言、日语、韩语、中文和阿拉伯语。更多细节参考官方文档。

项目 1：将发票数据提取为 JSON 格式

在这个小型项目中，我们将从下面的发票中提取财务和个人信息 — JSON 格式：

首先，安装必要的库：

pip install git+https://github.com/huggingface/transformers accelerate
pip install qwen-vl-utils

接下来，我们下载我们的文件:

import urllib.request# 发票图片地址
url = "<http://cwb.stdusfc.edu.cn/images/2015/cw112701.png>"
# 下载发票
file_name = url.split('/')[-1]
urllib.request.urlretrieve(url, file_name)
print(f"Downloaded file name: {file_name}")
# Downloaded file name: cw112701.png

然后，我们将安装 Qwen2-VL-7B-Instruct 。

from transformers import Qwen2VLForConditionalGeneration, AutoTokenizer, AutoProcessor
from qwen_vl_utils import process_vision_info
import jsonmodel_name = "Qwen/Qwen2-VL-7B-Instruct"
model = Qwen2VLForConditionalGeneration.from_pretrained(model_name,torch_dtype="auto",device_map="auto"
)
processor = AutoProcessor.from_pretrained(model_name
)

在模型下载并放入内存后，我们可以发送我们的请求。一些额外提示：

1. 至少使用原始图像尺寸 ：确保至少使用图像的原始尺寸以获得最佳效果（resized_height & resized_width arguments参数）
2. 较大的尺寸 ： 在质量较差的图像中，尺寸稍大可以提高准确性，但会增加 VRAM 的使用量。相应地调整：

我们将使用 Qwen2-VL 的聊天模板，并提示如下：

"检索项目内容，金额，付款单位，时间，发票代码，发票号码。响应必须是 JSON 格式"

messages = [{"role": "user","content": [{"type": "image","image": file_name,"resized_height": 696,"resized_width": 943,},{"type": "text","text": "检索项目内容，金额，付款单位，时间，发票代码，发票号码。响应必须是 JSON 格式"}]}
]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",
)
inputs = inputs.to("cuda")
generated_ids = 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 = processor.batch_decode(generated_ids_trimmed, skip_special_tokens=True, clean_up_tokenization_spaces=True)
output_text

我们得到以下输出：

['```json\\n{\\n  "项目内容": [\\n    "钢尺 30 x11.5",\\n    "美工刀 60 x2",\\n    "腊线 30 x14"\\n  ],\\n  "金额": [\\n    "345.00",\\n    "200.00",\\n    "420.00"\\n  ],\\n  "付款单位": "石家庄铁道大学四方学院",\\n  "时间": "2015年5月11日",\\n  "发票代码": "113001464131",\\n  "发票号码": "09404611"\\n}\\n```']

你可以使用以下代码来修复潜在错误并设置模型的 JSON 输出格式：

json_string = output_text[0]
json_string = json_string.strip("[]'")
json_string = json_string.replace("```json\\n", "").replace("\\n```", "")
json_string = json_string.replace("'", "")
try:formatted_json = json.loads(json_string)print(json.dumps(formatted_json, indent=3, ensure_ascii=False))
except json.JSONDecodeError as e:print("Not valid JSON format:", e)

通过将结果与上述发票进行比较，我们注意到：

• 该模型的输出准确率非常高 — 它准确地提取了所有相关信息！
• 尽管图像质量很差并且表格中嵌入了数据！
• 较小的 Qwen2-VL 在这里表现良好，但对于更复杂的图像或手写文本，你可能需要更大的模型，例如 Qwen2-VL-72B .

项目 2：通过视频聊天

Qwen2-VL 还可以提取信息并与视频交互。

在这个项目中，我们将使用一个简短的 B站 视频 —《这一段毫无表演痕迹 堪称经典》 ：

## 下载B站视频
pip install yt-dlp

按如下方式下载：

import yt_dlp
import osdef download_bilibili_video(url, download_path='downloads', fmt='100047+30280', cookiefile=None):# 创建下载目录（如果不存在）if not os.path.exists(download_path):os.makedirs(download_path)ydl_opts = {'outtmpl': os.path.join(download_path, '%(title)s.%(ext)s'),'format': fmt,  # 指定视频和音频的格式ID'noplaylist': True,'merge_output_format': 'mp4',  # 合并为mp4格式}if cookiefile:ydl_opts['cookiefile'] = cookiefilewith yt_dlp.YoutubeDL(ydl_opts) as ydl:ydl.download([url])video_url = '<https://www.bilibili.com/video/BV1us41eBERp>'  # 替换为你要下载的视频URL
download_directory = './downloads'  # 替换为你希望保存视频的目录# 如果需要使用Cookies进行认证，取消下行注释并提供Cookies文件路径# cookies_path = 'path_to_cookies.txt'# download_bilibili_video(video_url, download_directory, fmt='100047+30280', cookiefile=cookies_path)# 如果不需要认证，使用以下行
download_bilibili_video(video_url, download_directory, fmt='100046+30280')file_name = './downloads/这一段毫无表演痕迹  堪称经典.mp4'

我们将再次使用Qwen2-VL-7B，因为它的资源密集度较低。

from transformers import Qwen2VLForConditionalGeneration, AutoTokenizer, AutoProcessormodel_name = "Qwen/Qwen2-VL-7B-Instruct"model = Qwen2VLForConditionalGeneration.from_pretrained(model_name,torch_dtype="auto",##attn_implementation="flash_attention_2", #use flash-attention2 if your gpu card supports it (Free Colab's T4 does not support it)device_map="auto",
)
processor = AutoProcessor.from_pretrained(model_name
)

我们定义函数 chat_with_video ，它接受调整后的视频尺寸、每秒帧数和我们将向 Qwen 询问的文本消息：

def chat_with_video(file_name, query, video_width, video_height, fps=1.0):messages = [{"role": "user","content": [{"type": "video","video": file_name,"max_pixels": video_width * video_height,"fps": 1.0,},{"type": "text", "text": query},],}]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",)inputs = inputs.to("cuda")generated_ids = model.generate(**inputs, max_new_tokens=150)generated_ids_trimmed = [out_ids[len(in_ids) :] for in_ids, out_ids in zip(inputs.input_ids, generated_ids)]output_text = processor.batch_decode(generated_ids_trimmed, skip_special_tokens=True, clean_up_tokenization_spaces=False)return output_text

让我们问一下模型：

output_text = chat_with_video(file_name, "这个视频展示了什么?", 360, 360,fps=0.5)
>>['这个视频展示了两个人在餐馆里吃饭的场景。其中一个人穿着蓝色衣服，戴着帽子，另一个人穿着棕色外套。他们用筷子夹着食物，喝着汤，看起来非常享受。']

还有另一个问题：

output_text = chat_with_video(file_name, "谁付的钱?", 360, 360,fps=0.5)
>>['根据视频内容，最后是穿棕色大衣的男子付了钱。']

耗费gpu资源情况：

令人惊讶的是，该模型准确地回答了这两个问题！

一些额外的说明：

• 增加视频的高度、宽度和帧速率 （fps） 通常会提高准确性，但需要更多的 GPU VRAM。
• Qwen2-VL 可以处理超过 20 分钟的视频，但是GPU资源需求很大。
• 从我的实验来看，Qwen2-VL-7B 在准确性和资源需求 （GPU VRAM） 之间提供了最佳平衡。

项目 3：多模态 RAG

在本项目中，我们将 Qwen2-VL 与另一个模型 ColPali 相结合，以对 PDF 执行 RAG。ColPali 是一个文档检索模型，包含一个 PaliGemma-3B 模型（也是 VLM）和一个 Gemma-2B。ColPali 的作用是执行文档检索部分并创建一个多向量文档存储：

• 在我们的例子中，流程如下：
• 将每个 PDF 页面转换为图像。
• 将图像推送到 ColPali 中，以存储每个页面的多向量表示。
• 向 ColPali 提交文本查询以检索相关图像。
• 将文本查询和相关图像提交给 Qwen2-VL 以获取答案。

我们将使用 Byaldi 库创建图像向量存储。Byaldi 加载 ColPali（以及使用 API 的类似模型）。我们还将使用 pdf2image 将 PDF 转换为图像：

让我们从安装必要的库开始：

#pip install --upgrade byaldi
pip install byaldi==0.0.5
pip install -q git+https://github.com/huggingface/transformers.git qwen-vl-utils pdf2image

## pdf2image 必要的工具
!sudo apt-get install -y poppler-utils

我们将为此项目下载一个 1 页的 PDF — 一个用于节省 VRAM 的小文件。

import urllib.request# We will use this pdf:
url = "<http://ep.ycwb.com/epaper/ycwb/resfile/2020-01-28/A08/ycwb20200128A08.pdf>"
# Download the file
pdf_filepath = url.split('/')[-1]
urllib.request.urlretrieve(url, pdf_filepath)
print(f"Downloaded file name: {pdf_filepath}")

由于模型处理的是图像，而不是 PDF 文件，因此我们将每个页面转换为图像。如果要在 Jupyter/Colab 中可视化图像，请运行以下代码：

from PIL import Image as PILImage
from pdf2image import convert_from_path
from IPython.display import displayimages = convert_from_path(pdf_filepath)
for page_number, page in enumerate(images):resized_image = page.resize((600, 800), PILImage.Resampling.LANCZOS)print(f"Page {page_number + 1}:")display(resized_image)

以下是我们 PDF 中的一张图片：

接下来，我们加载 ColPali 并构建我们的索引存储：

from transformers import Qwen2VLForConditionalGeneration, AutoTokenizer, AutoProcessor
from qwen_vl_utils import process_vision_info
import torchvlm_name = "Qwen/Qwen2-VL-7B-Instruct"
model = Qwen2VLForConditionalGeneration.from_pretrained(vlm_name,torch_dtype="auto",device_map="auto")
processor = AutoProcessor.from_pretrained(vlm_name)

该函数extract_answer_from_pdf执行以下操作：

1. 给定一个文本查询，我们要求 Colpali 检索最相关的图像 （k=1）。该图像表示一个 PDF 页面。
2. 给定文本查询和相关图像，我们要求 Qwen-VL-7B 执行图像识别并提供文本查询的答案：
3. 该函数返回答案 （output_text）、包含答案的页码以及相关的图像/页面

def extract_answer_from_pdf(text_query):results = RAG.search(text_query, k=1)print(results)image_index = results[0]["page_num"] - 1messages = [{"role": "user","content": [{"type": "image","image": images[image_index], ## 包含检索到的 pdf 页面作为图像"resized_height": 527,"resized_width": 522,},{"type": "text", "text": text_query},],}]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",)inputs = inputs.to(device)generated_ids = model.generate(**inputs, max_new_tokens=50)## 从答案中删除提示generated_ids_trimmed = [out_ids[len(in_ids) :] for in_ids, out_ids in zip(inputs.input_ids, generated_ids)]output_text = processor.batch_decode(generated_ids_trimmed, skip_special_tokens=True, clean_up_tokenization_spaces=False)return output_text, results[0].page_num , images[image_index]

让我们问问我们的模型：

text_query = "这篇报道的时间是什么?"
output_text, page_number, image =  extract_answer_from_pdf(text_query)print("\\n\\n")
print(output_text)>>> 
['2020-01-28']

模型是正确的！报道的时间是2020-01-28。让我们再问一个问题：

text_query = "科比的直升机坠机地点在哪?"
output_text, page_number, image =  extract_answer_from_pdf(text_query)print("\\n\\n")
print(output_text)>>>
['T事故发生在美国加利福尼亚州卡拉巴萨斯市，在洛杉矶以西大约 30 公里.']

1. 我们可以使用多个 PDF 吗？

是的！只需将多个 PDF 放在访问的RAG.index()文件夹中即可。

1. 我们可以检索多张图像吗？

是的。在这种情况下，我们只检索了最相关的图像 （k=1）。你可以通过设置 k=2 来检索更多图像，然后将两张图像都传递给 Qwen 进行处理。

chat_template = [{"role": "user","content": [{"type": "image","image": image[0],},{"type": "image","image": image[1],}{"type": "text", "text": text_query},],}
]

但是，添加更多 PDF 或检索多个页面需要更多的资源。

结束语

本文探讨了 Qwen2-VL 在图像、视频和文档检索任务中的应用。

对于更复杂的情况，你可以选择模型的更大版本或量化版本——这些版本的大小更小，质量损失最小。