OLLAMA LLaVA 1.6 による Visual Question Answering（ソースコードと実行結果）

REM Python をシステム領域にインストール
winget install --scope machine --id Python.Python.3.12 -e --silent
REM Python のパス設定
set "PYTHON_PATH=C:\Program Files\Python312"
set "PYTHON_SCRIPTS_PATH=C:\Program Files\Python312\Scripts"
echo "%PATH%" | find /i "%PYTHON_PATH%" >nul
if errorlevel 1 setx PATH "%PATH%;%PYTHON_PATH%" /M >nul
echo "%PATH%" | find /i "%PYTHON_SCRIPTS_PATH%" >nul
if errorlevel 1 setx PATH "%PATH%;%PYTHON_SCRIPTS_PATH%" /M >nul

winget install --scope machine Codeium.Windsurf -e --silent

# プログラム名: OLLAMA LLaVA 1.6 による Visual Question Answering プログラム
# 特徴技術名: LLaVA (Large Language and Vision Assistant) v1.6
# 出典: Liu, H., Li, C., Wu, Q., & Lee, Y. J. (2024). Visual Instruction Tuning. NeurIPS.
# 特徴機能: Vision-Language Understanding - 画像とテキストを同時に理解し、画像に関する質問に自然言語で回答
#
# === LLaVA 1.6 公式仕様情報（2024年1月リリース） ===
# 主要改善点:
#   - 4倍高解像度対応（最大672x672、336x1344、1344x336）
#   - OCR機能強化と視覚推論改善、文書・図表・図解データセット追加学習
#   - 多様なシナリオ対応の会話能力向上
#   - 世界知識と論理推論能力強化
#   - Apache 2.0 / LLaMA 2 Community Licenseによる寛容なライセンス
# ベンチマーク性能:
#   - GPT-4比較相対スコア: 85.1%
#   - ScienceQA精度: 90.92%
#   - 視覚会話ベンチマークで優秀な性能
#
# 学習済みモデル詳細:
#   - llava:13b (13Bパラメータ、Q4_K_M量子化、8.0GB、推奨RAM:16GB+、バランス型)
#   - llava:34b (34Bパラメータ、Q4_K_M量子化、21GB、推奨RAM:32GB+、最高精度)
#   - llava-llama3:8b (Llama3ベース8Bパラメータ、Q4_K_M量子化、4.9GB、推奨RAM:8GB+、軽量高速)
#   URL: https://ollama.com/library/llava
#
# === OLLAMA生成パラメータ公式仕様 ===
# top_p: 核サンプリング（0.1-1.0、デフォルト0.9、確率質量閾値）
# top_k: トークン選択範囲（1-100、デフォルト40、候補数制限）
# num_ctx: コンテキストウィンドウ（デフォルト4096、メモリ使用量に影響）
# num_predict: 最大生成トークン数（デフォルト128、-1=無制限、-2=コンテキスト埋め）
# repeat_penalty: 繰り返しペナルティ（デフォルト1.1、高値=繰り返し抑制）
# repeat_last_n: 繰り返し検出範囲（デフォルト64、0=無効、-1=num_ctx）
# 注意: temperatureパラメータはLLaVAモデルでサーバーハング問題があるため除外

import ollama
import subprocess
import sys
import time
import base64
import io
import os
import cv2
import tkinter as tk
from tkinter import filedialog
import urllib.request
from PIL import Image
import re

# === 定数定義 ===
OLLAMA_PATHS = [
    "ollama",
    rf"C:\Users\{os.getenv('USERNAME')}\AppData\Local\Programs\Ollama\ollama.exe",
    r"C:\Program Files\Ollama\ollama.exe",
    r"C:\Program Files\WinGet\Links\ollama.exe"
]

MODELS = [
    ("llava:13b", "8.0GB", "推奨バランス型"),
    ("llava:34b", "21GB", "最高精度"),
    ("llava-llama3:8b", "4.9GB", "軽量高速")
]

DEFAULT_MODEL = "llava:13b"
MAX_SIZE = 1024

# === 生成パラメータ設定（公式仕様準拠、temperature除外） ===
GENERATION_PARAMS = {
    "top_p": 0.9,             # 核サンプリング（デフォルト0.9）
    "top_k": 40,              # トークン選択範囲（デフォルト40）
    "num_ctx": 4096,          # コンテキストウィンドウ（デフォルト4096）
    "num_predict": 256,       # 最大生成トークン数（デフォルト128）
    "repeat_penalty": 1.1,    # 繰り返しペナルティ（デフォルト1.1）
    "repeat_last_n": 64,      # 繰り返し検出範囲（デフォルト64）
    "seed": -1                # ランダムシード（-1で無指定）
}

# === プロンプトテンプレート標準化 ===
PROMPT_TEMPLATES = {
    "question_answer": "Question: {question}\nAnswer:",
    "detailed_description": "Image Description Request: {question}\nDetailed Description:",
    "analysis": "Visual Analysis Task: {question}\nAnalysis Result:",
    "conversation": "この画像について日本語で詳しく答えてください: {question}"
}

SAMPLE_URLS = [
    "https://raw.githubusercontent.com/opencv/opencv/master/samples/data/fruits.jpg",
    "https://raw.githubusercontent.com/opencv/opencv/master/samples/data/messi5.jpg",
    "https://raw.githubusercontent.com/opencv/opencv/master/samples/data/aero3.jpg",
    "https://upload.wikimedia.org/wikipedia/commons/3/3a/Cat03.jpg"
]

QUESTIONS = [
    "Question: この画像には何が写っていますか？ Answer:",
    "Question: この画像の詳細を説明してください Answer:",
    "Question: この画像の色や雰囲気について教えてください Answer:"
]

print("OLLAMA LLaVA 1.6 VQA システム（改良版）")
print("画像を入力し、質問に対する回答を生成します\n")

# OLLAMA確認と起動
ollama_path = None
for path in OLLAMA_PATHS:
    try:
        subprocess.run([path, "--version"], capture_output=True, check=True)
        ollama_path = path
        break
    except:
        continue

if not ollama_path:
    print("エラー: OLLAMAがインストールされていません")
    exit()

try:
    ollama.list()
except:
    subprocess.Popen([ollama_path, "serve"], stdout=subprocess.DEVNULL, stderr=subprocess.DEVNULL)
    time.sleep(3)

# モデル選択
print("利用可能モデル:")
for i, (model, size, desc) in enumerate(MODELS, 1):
    print(f"{i}. {model} ({size}) - {desc}")
print("Enter: デフォルト(llava:13b)を使用")

choice = input("\nモデル番号 (Enterでデフォルト): ")
model_name = DEFAULT_MODEL if choice == "" else MODELS[int(choice) - 1][0]

# パラメータ設定（temperature除外）
current_params = {
    "top_p": 0.9,
    "top_k": 40,
    "num_ctx": 4096,
    "num_predict": 256,
    "repeat_penalty": 1.1,
    "repeat_last_n": 64,
    "seed": -1
}

# モデル確認とダウンロード
try:
    model_list = ollama.list()
    installed = []
    if isinstance(model_list, dict) and 'models' in model_list:
        installed = [m.get('name', '') for m in model_list.get('models', [])]

    if model_name not in installed:
        print(f"{model_name} をダウンロード中...")
        try:
            for progress in ollama.pull(model_name, stream=True):
                if 'status' in progress:
                    print(f"\r{progress.get('status', '')}", end='', flush=True)
        except TypeError:
            ollama.pull(model_name)
        print(f"\n{model_name} ダウンロード完了")
except Exception as e:
    print(f"エラー: {e}")
    exit()

results = []

def extract_response(response_text):
    """レスポンスからAnswer:以降の部分を抽出"""
    match = re.search(r"Answer:\s*(.*?)(?:\n|$)", response_text, re.DOTALL)
    if match:
        return match.group(1).strip()
    return response_text

def process_image(img):
    if img is None:
        print("画像の読み込みに失敗しました")
        return

    # 画像のリサイズ処理
    height, width = img.shape[:2]
    if width > MAX_SIZE or height > MAX_SIZE:
        scale = MAX_SIZE / max(width, height)
        new_width = int(width * scale)
        new_height = int(height * scale)
        img_resized = cv2.resize(img, (new_width, new_height))
    else:
        img_resized = img

    # 質問選択
    print("\n質問:")
    for i, q in enumerate(QUESTIONS, 1):
        print(f"{i}. {q}")
    print("4. 自由入力")

    q_choice = int(input("選択: "))
    if q_choice <= 3:
        prompt = QUESTIONS[q_choice-1]
    else:
        question = input("質問: ")
        prompt = f"Question: {question} Answer:"

    # Base64エンコード
    pil_img = Image.fromarray(cv2.cvtColor(img_resized, cv2.COLOR_BGR2RGB))
    buffer = io.BytesIO()
    pil_img.save(buffer, format='PNG')

    # 推論実行
    print("回答生成中...")
    response = ollama.generate(
        model=model_name,
        prompt=f"この画像について日本語で詳しく答えてください: {prompt}",
        images=[base64.b64encode(buffer.getvalue()).decode()],
        options=current_params
    )

    result = f"\n質問: {prompt}\n回答: {response['response']}\n"
    print(result)
    results.append(result)

    cv2.imshow('Image', img)
    cv2.waitKey(0)

print("\n0: 画像ファイル")
print("1: カメラ")
print("2: サンプル画像")

choice = input("選択: ")

if choice == '0':
    root = tk.Tk()
    root.withdraw()
    paths = filedialog.askopenfilenames()
    if not paths:
        exit()
    for path in paths:
        process_image(cv2.imread(path))
elif choice == '1':
    cap = cv2.VideoCapture(0, cv2.CAP_DSHOW)
    print("\nスペースキー: 撮影, Qキー: 終了")
    try:
        while True:
            cap.grab()
            ret, frame = cap.retrieve()
            if not ret:
                break
            cv2.imshow('Camera', frame)
            key = cv2.waitKey(1) & 0xFF
            if key == ord(' '):
                process_image(frame)
            elif key == ord('q'):
                break
    finally:
        cap.release()
elif choice == '2':
    print("\nサンプル画像:")
    print("1. fruits.jpg")
    print("2. messi5.jpg")
    print("3. aero3.jpg")
    print("4. Cat03.jpg")

    idx = int(input("選択: ")) - 1
    filename = f"sample_{idx}.jpg"
    try:
        urllib.request.urlretrieve(SAMPLE_URLS[idx], filename)
        process_image(cv2.imread(filename))
        os.remove(filename)
    except Exception as e:
        print(f"画像のダウンロードに失敗しました: {e}")
        exit()

cv2.destroyAllWindows()

# 結果保存
if results:
    with open('result.txt', 'w', encoding='utf-8') as f:
        f.writelines(results)