首页 > Ai资讯 > AI教程

如何在本地部署DeepSeek Janus Pro？

映技派于2025-01-29发布在AI教程

DeepSeek发布的Janus-Pro-7B是一款开源多模态大模型，支持图像识别和生成，性能超越Openai的DALL·E 3。以下是 DeepSeek Janus Pro-7B 如何在本地部署的详细步骤、技巧及注意事项：

一、环境准备

硬件要求

GPU：显存 ≥24GB（推荐 NVIDIA RTX A6000 或更高性能显卡）；若显存不足，可尝试低精度模式（model.half()）或减小生成参数。
存储空间：≥30GB 可用空间（模型文件约 20GB+）。
操作系统：推荐 Ubuntu 20.04+ 或 Windows（需适配 CUDA）。
Python：3.8+，建议使用 Conda 管理虚拟环境。

软件依赖

CUDA：11.7+（需与 PyTorch 版本匹配）。
PyTorch：指定版本 torch==2.0.1+cu117（需通过官方索引安装）。
其他工具：Git、HuggingFace Hub 下载工具（huggingface-cli）。

二、部署步骤

1. 克隆代码库

git clone https://github.com/deepseek-ai/Janus.git
cd Janus

2. 创建虚拟环境

conda create -n janus python=3.8 -y
conda activate janus

3. 安装依赖

pip install torch==2.0.1+cu117 --index-url https://download.pytorch.org/whl/cu117
pip install -r requirements.txt
pip install -e .[gradio]  # 安装 Gradio 扩展

4. 下载模型

方法一：通过 huggingface-cli 下载完整模型（推荐国内用户使用镜像加速）：

HF_ENDPOINT=https://hf-mirror.com huggingface-cli download deepseek-ai/Janus-Pro-7B \
  --local-dir ./models/Janus-Pro-7B \
  --resume-download --cache-dir ./cache

方法二：手动从 HuggingFace 仓库下载模型文件并解压至 ./models/Janus-Pro-7B。

5. 启动应用

文本交互界面：

python demo/app_text.py --model-path ./models/Janus-Pro-7B

多模态界面（支持图像生成与问答）：

python demo/app_multimodal.py --model-path ./models/Janus-Pro-7B --port 7860

访问 http://localhost:7860 或 http://127.0.0.1:7860 使用交互界面。

三、功能使用示例

文生图（Text-to-Image）

from janus.utils import generate_image
generate_image(
    model_path="./models/Janus-Pro-7B",
    prompt="夕阳下的雪山，山脚下有蓝色的湖泊",
    output_dir="./outputs",
    num_images=4  # 生成4张图)

多模态问答（Visual QA）

from janus.models import MultiModalityCausalLM, VLChatProcessor
processor = VLChatProcessor.from_pretrained("./models/Janus-Pro-7B")
model = MultiModalityCausalLM.from_pretrained("./models/Janus-Pro-7B").to("cuda")
# 输入对话与图片路径
conversation = [
    {"role": "", "content": "描述这张图片的内容", "images": ["sample.jpg"]},
    {"role": "", "content": ""}
]
inputs = processor(conversations=conversation)
outputs = model.generate(**inputs)
print(processor.decode(outputs[0]))

四、常见问题与优化

显存不足

减小生成参数：max_new_tokens=256。
启用低精度模式：model = model.half()。

下载速度慢

使用国内镜像源：HF_ENDPOINT=https://hf-mirror.com。
开启多线程下载：--workers 8。

依赖冲突

严格安装指定版本：

pip install transformers==4.33.2

图像生成质量优化

调整 CFG 权重（5-7 范围内）。
增加并行采样数量：parallel_size=16。

这里也分享X上一位我关注的技术员的本地部署方法：

本地部署DeepSeek Janus Pro.webp

小技巧：

技巧1：如果你之前已经装过conda的pytorch环境了，可以用 conda create --name myenv --clone base 直接克隆一个，不然每次重新下载pytorch很慢，浪费时间。
技巧2：一定要装flash-attention，虽然不装也能运行，但是显存会爆，有A100的可以忽略。

通过以上的步骤，你就可在本地快速部署并体验 Janus-Pro-7B 的多模态能力了。如需进一步优化或了解模型细节，可参考 GitHub仓库和技术文档。