阿里云开源的Qwen2.5-VL凭借其强大的图像理解、文本识别和复杂布局解析能力，已成为AI视觉领域的明星模型。本文从零开始教你用PyCharm实现本地部署，全程避坑指南+代码可复制，小白也能轻松搞定！

📦 准备工作（必装工具）

1. Anaconda
   >> 官网下载地址
   用于管理Python环境，避免依赖冲突

2. PyCharm
   >> 专业版下载
   推荐使用专业版，社区版也可运行

3. Git
   >> 下载地址
   用于克隆开源代码仓库

   🛠️ 本地部署全流程（含镜像加速）

步骤1：创建虚拟环境

# 创建名为qwen-vl的Python3.11环境
conda create -n qwen-vl python=3.11 -y

# 激活环境
conda activate qwen-vl

步骤2：安装依赖（国内镜像加速）

# 使用清华镜像加速安装！
pip install torch torchvision -i https://pypi.tuna.tsinghua.edu.cn/simple

# 关键依赖（必须安装）
pip install transformers accelerate -i https://pypi.tuna.tsinghua.edu.cn/simple

# 模型管理工具
pip install modelscope qwen-tools

步骤3：克隆代码仓库

git clone https://github.com/QwenLM/Qwen2.5-VL.git
cd Qwen2.5-VL  # 进入项目目录

⚡ PyCharm配置指南

1. 关联虚拟环境

• 打开PyCharm -> 点击右下角Python解释器
• 选择添加新解释器 -> Conda环境
• 选择已存在的环境：qwen-vl

2. 修改核心代码

import base64

from modelscope import snapshot_download
from transformers import Qwen2_5_VLForConditionalGeneration, AutoProcessor
from qwen_vl_utils import process_vision_info
from test_aliyun import image_base64
def image_to_base64(image_path):
    with open(image_path, "rb") as image_file:
        return base64.b64encode(image_file.read()).decode("utf-8")
# 下载模型
model_dir = snapshot_download("Qwen/Qwen2.5-VL-3B-Instruct")

# 加载模型和处理器
model = Qwen2_5_VLForConditionalGeneration.from_pretrained(
    model_dir,
    torch_dtype="auto",
    device_map="auto"
)
processor = AutoProcessor.from_pretrained(model_dir, max_pixels=1280*28*28)

# 图像路径
image_path = r"H:\test_aliyun\picture\test.png"
image_base64 = image_to_base64(image_path)
# 定义符合 Qwen 格式的对话历史
my_messages = [
    {
        "role": "system",
        "content": "You are an OCR expert. Extract ALL text and return a JSON array with 'text'",
    },
    {
        "role": "user",
        "content": "Extract text from this image in JSON format.",
        "image": f"data:image/png;base64,{image_base64}"  # ✅ 正确 base64 格式
    }
]



# 处理视觉输入（自动加载图像）
text = processor.apply_chat_template(
    my_messages,
    tokenize=False,
    add_generation_prompt=True
)
image_inputs, _ = process_vision_info(my_messages)  # 忽略视频输入


# 模型推理
inputs = processor(
    text=[text],
    images=image_inputs,
    padding=True,
    return_tensors="pt"
).to(model.device)

generated_ids = model.generate(**inputs, max_new_tokens=512)  # 增加 token 长度
output_text = processor.batch_decode(generated_ids, skip_special_tokens=True)[0]

print(output_text)

🚀运行与测试

• 右键运行demo.py
• 首次运行会自动下载模型（约3GB）
• 查看控制台输出示例：