Qwen2.5-VL：the new flagship vision-language model of Qwen and also a significant leap from the previous Qwen2-VL.

愛芯通元：以算子為原子指令集的AI計算處理器。高效支持混合精度算法設計和Transformer，為大模型（DeepSeek、Qwen、MiniCPM……）在“云—邊—端”的AI應用提供強力基礎。

https://www.axera-tech.com/Skill/166.html

TLDR

背景

熟悉愛芯通元NPU的網友很清楚，從去年開始我們在端側多模態(tài)大模型適配上一直處于主動緊跟的節(jié)奏。先后適配了國內最早開源的多模態(tài)大模MiniCPM V 2.0，上海人工智能實驗室的書生多模態(tài)大模型 InternVL2.5-1B/8B/MPO，Huggingface推出的全球最小多模態(tài)大模型SmloVLM-256M。為工業(yè)界提供了離線部署多模態(tài)大模型（VLM）實現(xiàn)圖片本地高效率理解的可行性方案。

從本文開始，我們將逐漸探索基于VLM的視頻理解方案，讓端側/邊緣設備智能化升級有更大的想象空間。

本文基于Qwen2.5-VL-3B走馬觀花介紹VLM是如何從圖片理解(Image Understand)延伸到視頻理解(Video Understand)，并展示基于愛芯通元NPU平臺的最新適配情況，最后“腦洞”一些可能存在的產品落地場景。

Qwen2.5-VL

Qwen2.5-VL是由通義千問團隊開源的視覺多模態(tài)大模型。到目前為止已經開源了3B、7B、32B、72B四種尺度，滿足不同算力設備靈活部署。

官方鏈接：https://github.com/QwenLM/Qwen2.5-VL

Huggingface：https://huggingface.co/Qwen/Qwen2.5-VL-3B-Instruct

Qwen2.5-VL是Qwen2-VL的版本更新，以下功能更新展示了Qwen2.5-VL在視覺-語言處理領域的強大功能和廣泛應用前景。

增強功能

視覺理解能力：Qwen2.5-VL不僅擅長識別常見的物體如花、鳥、魚和昆蟲，還能高效地分析圖像中的文本、圖表、圖標、圖形和布局；

作為視覺代理的能力：該模型能夠直接充當一個視覺代理，具備推理能力和動態(tài)工具指導能力，適用于計算機和手機的使用；

長視頻理解和事件捕捉：Qwen2.5-VL能夠理解超過一小時的視頻內容，并新增了通過精確定位相關視頻段來捕捉事件的能力；

不同格式的視覺定位能力：該模型能通過生成邊界框或點準確地在圖像中定位對象，并提供包含坐標和屬性的穩(wěn)定JSON輸出；

結構化輸出：針對發(fā)票掃描件、表格、表單等數(shù)據，Qwen2.5-VL支持其內容的結構化輸出，這在金融、商業(yè)等領域具有重要應用價值。

架構更新

為視頻理解進行的動態(tài)分辨率和幀率訓練：通過采用動態(tài)FPS采樣將動態(tài)分辨率擴展到時間維度，使模型能夠在各種采樣率下理解視頻。相應地，我們在時間維度上用ID和絕對時間對齊更新了mRoPE，讓模型能夠學習時間序列和速度，最終獲得定位特定時刻的能力。

跑分情況

愛芯通元

愛芯通元是愛芯元智自研的NPU IP品牌。本文基于內置愛芯通元NPUv3架構的愛芯派Pro(AX650N)進行示例展示。

愛芯派Pro

搭載愛芯元智第三代高能效比智能視覺芯片AX650N。集成了八核Cortex-A55 CPU，18TOPs@INT8 NPU以及H.264、H.265 編解碼的VPU。接口方面，AX650N支持64bit LPDDR4x，多路MIPI輸入，千兆Ethernet、USB、以及HDMI 2.0b輸出，并支持32路1080p@30fps解碼內置高算力和超強編解碼能力，滿足行業(yè)對高性能邊緣智能計算的需求。通過內置多種深度學習算法，實現(xiàn)視覺結構化、行為分析、狀態(tài)檢測等應用，高效率支持Transformer結構的大模型。提供豐富的開發(fā)文檔，方便用戶進行二次開發(fā)。

模型轉換

我們在Huggingface上提供了預編譯好的模型，建議直接使用。

如果有朋友想深入研究如何從Huggingface原生倉庫的safetytensor模型使用Pulsar2 NPU工具鏈轉換生成axmodel模型，請參考我們的開源項目：

https://github.com/AXERA-TECH/Qwen2.5-VL-3B-Instruct.axera

模型部署

預編譯文件

從Huggingface上獲取

https://huggingface.co/AXERA-TECH/Qwen2.5-VL-3B-Instruct

pipinstall -U huggingface_hub
exportHF_ENDPOINT=https://hf-mirror.com
huggingface-cli download --resume-download AXERA-TECH/Qwen2.5-VL-3B-Instruct --local-dir Qwen2.5-VL-3B-Instruct

文件說明

root@ax650:/mnt/qtang/llm-test/Qwen2.5-VL-3B-Instruct# tree -L 1
.
|-- image
|-- main
|-- python
|-- qwen2_5-vl-3b-image-ax650
|-- qwen2_5-vl-3b-video-ax650
|-- qwen2_5-vl-tokenizer
|-- qwen2_tokenizer_image_448.py
|-- qwen2_tokenizer_video_308.py
|-- run_qwen2_5_vl_image.sh
|-- run_qwen2_5_vl_video.sh
`-- video

qwen2_5-vl-3b-image-ax650：存放圖片理解的axmodel文件

qwen2_5-vl-3b-video-ax650：存放視頻理解的axmodel文件

qwen2_tokenizer_image_448.py：適用于圖片理解的tokenizer解析服務

run_qwen2_5_vl_image.sh：圖片理解示例的執(zhí)行腳本

準備環(huán)境

使用transformer庫實現(xiàn)tokenizer解析服務。

pipinstall transformers==4.41.1

圖片理解示例

先啟動適用于圖片理解任務的tokenizer解析服務。

python3qwen2_tokenizer_image_448.py --port12345

運行圖片理解示例

./run_qwen2_5_vl_image.sh

輸入圖片

輸入文本(prompt)：描述下圖片

輸出結果

輸入文本(prompt)：目標檢測，穿著藍色衣服的人，輸出概率最高的一個結果

輸出結果

將原始圖片resize到448x448分辨率后，使用返回的坐標信息[188, 18, 311, 278]，手動畫框結果還是挺準的。

視頻理解示例

提前將從某一段視頻抽取適當時間戳的8幀。先啟動適用于視頻理解任務的tokenizer解析服務。

pythonqwen2_tokenizer_video_308.py --port12345

運行視頻理解示例

./run_qwen2_5_vl_video.sh

輸入視頻

輸入文本(prompt)：描述下視頻

輸出結果

應用場景探討

視頻理解能結合視頻中時間序列上的信息。能夠更佳準確的理解真實世界的行為語義。

家庭場景：老人摔倒，煙火檢測

工業(yè)場景：缺陷檢測，危險行為檢測

車載場景：駕艙內外環(huán)境感知

其他場景：穿戴式視覺輔助設備

總結

隨著年初DeepSeek破圈，普通大眾已經接受大模型與日常生活中的萬事萬物進行融合，單純的語言類大模型已經無法滿足大眾的需求，多模態(tài)大模型、全模態(tài)大模型已經成為今年的主流。

愛芯通元NPU結合原生支持Transformer、高能效比、易用性等技術優(yōu)勢，將積極適配業(yè)界優(yōu)秀的多模態(tài)大模型，提供端&邊大模型高效部署的軟硬件整體解決方案。推動“普惠AI造就美好生活”。