Qwen2.5-VL 实战：用 VLM 实现 “看图对话”，从目标检测到空间推理！【附源码】
《博主简介》
小伙伴们好，我是阿旭。
专注于计算机视觉领域，包括目标检测、图像分类、图像分割和目标跟踪等项目开发，提供模型对比实验、答疑辅导等。
《------往期经典推荐------》
二、机器学习实战专栏【链接】，已更新31期，欢迎关注，持续更新中~~
三、深度学习【Pytorch】专栏【链接】
四、【Stable Diffusion绘画系列】专栏【链接】
五、YOLOv8改进专栏【链接】，持续更新中~~
六、YOLO性能对比专栏【链接】，持续更新中~
《------正文------》
目录
一、核心主题与背景
本文聚焦视觉语言模型（VLMs）在目标检测与空间理解领域的应用，以阿里巴巴团队开发的开源模型Qwen2.5-VL为核心案例，阐述其如何打破传统视觉模型（如 YOLO）依赖预训练类别、无法与人类 “对话式交互” 的局限，实现 “像素语言” 与 “文字语言” 的跨模态融合，推动计算机视觉从 “识别” 向 “理解” 升级。
二、Qwen2.5-VL 模型核心优势
作为当前接近闭源模型（如 GPT-4o）性能的开源 VLMs，其核心竞争力体现在四大维度：
- 原生高清图像处理：无需将图像缩放到固定尺寸，可保留原始分辨率下的细节（如远处标牌文字、织物纹理），避免信息丢失。
- 精准空间感知能力：基于像素级坐标定位目标（类似 “图像 GPS”），而非模糊相对位置，为关键点检测等高精度任务提供支撑。
- 复杂文档解析能力：可处理含表格、图表、手写笔记、化学公式的 PDF 等文档，能理解文档结构而非仅识别文本。
- 视频时序理解能力：通过 “多模态旋转位置嵌入（MRoPE）” 技术，将内部 “时间 ID” 与视频绝对时间戳对齐，可区分快 / 慢动作，突破传统模型仅按帧序分析的局限。
此外，模型训练基于4.1 万亿个多样化 tokens（含图像描述、智能体交互等数据），为深度目标理解奠定基础。
三、VLMs 的视觉理解层级（以 Qwen2.5-VL 为例）
VLMs 的视觉理解呈 “阶梯式进阶”，对应不同应用场景需求：
1. Level 1：基础级 —— 零样本目标检测（Zero-Shot Object Detection）
- 定位：模型无需针对特定图像做预训练，可基于通用知识识别指定类别的所有目标并返回坐标。
- 案例：输入 “检测图像中所有摩托车手，以 JSON 格式返回坐标及是否戴头盔”，模型可在繁忙公路图像中框选所有摩托车手并标注状态。
- 价值：无需定制数据集或微调模型，适用于通用目标检测场景。
2. Level 2：进阶级 —— 精准视觉定位与计数（Visual Grounding & Object Counting）
- 核心能力：将文本描述与图像中特定目标绑定，不仅识别类别，还能基于特征筛选目标；支持关键点检测（超越 bounding box 的精细定位）。
- 视觉定位案例：输入 “定位所有蛋糕并描述特征，返回坐标”，模型可识别 “带巧克力豆的纸杯蛋糕” 并排除其他款式。
- 关键点检测案例：输入 “识别篮球运动员并标记手部、头部关键点”，模型可在运动员身上标记像素级精准点位，适用于体育分析、AR 等场景。
3. Level 3：高阶 —— 关系与场景理解（Relationship & Context Understanding）
-
核心能力：超越单一目标识别，通过 “视觉观察 + 语言推理” 解读目标间关系与场景逻辑，处理抽象概念任务。
-
案例：输入 “定位表现勇敢的人，返回坐标”，模型需先识别图像中儿童与老人 / 掉落的杂货袋，再结合 “勇敢” 的语言定义，判断出帮助老人的儿童并定位。
-
价值：实现从 “看场景” 到 “懂场景” 的跨越，可用于复杂场景自动描述、智能机器人交互等。
四、Qwen2.5-VL 代码实现流程
现在，我们介绍一个 Python 脚本，该脚本为使用 VLM 进行对象检测的交互式应用程序提供支持。
核心分三部分：
1. 环境搭建：加载模型与处理器
from transformers import (
AutoProcessor,
Qwen2_5_VLForConditionalGeneration,
)
import supervision as sv
# --- Config ---
model_qwen_id = "Qwen/Qwen2.5-VL-3B-Instruct"
# Load the main model
model_qwen = Qwen2_5_VLForConditionalGeneration.from_pretrained(
model_qwen_id, torch_dtype="auto", device_map="auto"
)
# Load the processor
min_pixels = 224 * 224
max_pixels = 1024 * 1024
processor_qwen = AutoProcessor.from_pretrained(
"Qwen/Qwen2.5-VL-3B-Instruct", min_pixels=min_pixels, max_pixels=max_pixels
)
- 模型：Qwen2_5_VLForConditionalGeneration（核心推理模块）；
- 处理器：AutoProcessor（将图像 / 文本转为模型可识别的张量，支持动态分辨率范围）。
2. 核心推理函数（detect_qwen）
实现 “输入图像 + 提示词→模型输出” 的核心流程，分 6 步：
def detect_qwen(image, prompt):
# Step 1: Format the inputs
messages = [
{
"role": "user",
"content": [
{"type": "image", "image": image},
{"type": "text", "text": prompt},
],
}
]
# Step 2: Preprocess with the processor
text = processor_qwen.apply_chat_template(messages, tokenize=False, add_generation_prompt=True)
image_inputs, video_inputs = process_vision_info(messages)
inputs = processor_qwen(
text=[text],
images=image_inputs,
# ...
return_tensors="pt",
).to(model_qwen.device)
# Step 3: Run inference
generated_ids = model_qwen.generate(**inputs, max_new_tokens=1024)
# Step 4: Decode the output
# ... (trimming and decoding logic)
output_text = processor_qwen.batch_decode(
generated_ids_trimmed,
# ...
)[0]
# Step 5: Get processed dimensions for scaling
input_height = inputs["image_grid_thw"][0][1] * 14
input_width = inputs["image_grid_thw"][0][2] * 14
# Step 6: Create the annotated image
annotated_image = create_annotated_image(image, output_text, input_height, input_width)
return annotated_image, output_text, # ...
- 格式化输入：将图像与提示词封装为 “user-message” 结构；
- 预处理：处理器对文本应用聊天模板、对图像分块，生成张量；
- 推理：调用
model_qwen.generate()生成输出 tokens； - 解码：将 tokens 转为人类可读文本（如 JSON 格式）；
- 获取处理后尺寸：基于模型的 14×14 像素补丁网格，计算模型 “看到” 的图像尺寸，用于后续坐标缩放；
- 生成标注图像：调用可视化函数处理结果。
3. 结果可视化函数（create_annotated_image）
该模型为我们提供了数据,下面将数据结果绘制在界面上。它解析模型的 JSON 响应，并将边界框和关键点直接绘制到我们的原始图像上。
def create_annotated_image(image, json_data, height, width):
# Step 1: Parse the JSON response
try:
parsed_json_data = json_data.split("```json")[1].split("```")[0]
bbox_data = json.loads(parsed_json_data)
except Exception:
return image # Return original image if parsing fails
# Step 2: Handle both bounding boxes and keypoints using 'supervision'
annotated_image = np.array(image.convert("RGB"))
# For Bounding Boxes
detections = sv.Detections.from_vlm(
vlm=sv.VLM.QWEN_2_5_VL,
result=json_data,
resolution_wh=(width, height), # Use the model's processed dimensions
)
bounding_box_annotator = sv.BoxAnnotator()
label_annotator = sv.LabelAnnotator()
annotated_image = bounding_box_annotator.annotate(scene=annotated_image, detections=detections)
annotated_image = label_annotator.annotate(scene=annotated_image, detections=detections)
# For Keypoints
# ... (code to extract and annotate points) ...
return Image.fromarray(annotated_image)
第 1 步：解析 JSON：该模型通常将其 JSON 输出包装在 Markdown 样式的代码块（json …）中。此代码首先清理它，然后使用 json.loads 将文本转换为可用的 Python 对象列表。try-except 块是防止应用在模型返回非 JSON 响应时崩溃的良好做法。第 2 步：在supervision下可视化：手动绘制框和标签可能很乏味。supervision库是一个很棒的工具包，可以极大地简化这一点。
sv.Detections.from_vlm(…)：该库内置了对解析 Qwen2.5-VL 输出的支持！我们只需将原始 JSON 响应（结果）和模型使用的维度（resolution_wh）传递给它。它会自动处理坐标缩放并创建 Detections 对象。
sv.BoxAnnotator and sv.LabelAnnotator：这些是获取 Detections 对象的帮助程序，并使用一行代码将框和标签绘制到我们的图像上。
五、典型应用案例
以下是 4 类核心应用展示：
-
特定目标定位：输入 “检测蓝色糖果中位于顶部的那个，返回坐标”，模型精准框选符合 “蓝色 + 顶部位置” 的糖果；
-
关键点检测：输入 “识别红色汽车并标记关键点”，模型在红色汽车上标记像素级点位（如车轮、车头）；
-
目标计数推理：输入 “数猫头鹰的眼睛数量”，模型先识别 2 只猫头鹰，再结合 “猫头鹰有 2 只眼睛” 的常识，计算出总数 4 只并以自然语言回答；
-
抽象现象检测：输入 “定位纸狐狸的影子，返回坐标”，模型通过推理 “纸狐狸与光线的关系”，框选出无实体纹理的影子区域（传统检测器无法实现）。
六、核心结论与价值
- 技术突破：VLMs 实现 “与图像对话”，可通过自然语言提问获取精准结果，突破传统视觉模型的交互局限；
- 落地潜力：Qwen2.5-VL 的原生分辨率处理、文档解析、坐标精准性等能力，可应用于电商视觉搜索、视障辅助、资产分类等场景；
- 开发便捷性：借助 Hugging Face Transformers（加载模型）、Supervision（可视化）等库，无需从零构建，降低 VLMs 应用门槛；
好了，这篇文章就介绍到这里，喜欢的小伙伴感谢给点个赞和关注，更多精彩内容持续更新~~
关于本篇文章大家有任何建议或意见，欢迎在评论区留言交流！
DAMO开发者矩阵，由阿里巴巴达摩院和中国互联网协会联合发起，致力于探讨最前沿的技术趋势与应用成果，搭建高质量的交流与分享平台，推动技术创新与产业应用链接，围绕“人工智能与新型计算”构建开放共享的开发者生态。
更多推荐
10
0- 0
已为社区贡献210条内容
所有评论(0)