丝滑小连招，部署 Vision Language 模型

• llava
• internvl
• internlm-xcomposer2
• qwen-vl
• deepseek-vl
• minigemini
• yi-vl

LMDeploy 项目链接

https://github.com/InternLM/lmdeploy

（文末点击阅读原文可直达，

觉得不错，欢迎点亮小星星）

以上模型，除了 InternLM-XComposer2 外均采用 Llama 模型结构作为语言模块，而视觉模块则各有不同。LMDeploy 采用 AWQ 算法量化语言模块，并用 TurboMind 引擎进行加速，而视觉部分仍采用原有的 Transformers 对图片进行 encode。InternLM-XComposer2 模型的语言模块，使用了 Plora 对原本的 Llama 模型进行了微调。LMDeploy 在进行量化时，略过了 Plora 部分的权重，推理时 Plora 保持 w16a16 计算不变。我们挑选了 3 款模型，在 MMBench 数据集上，评测并对比了其量化前后的模型精度。如下表所示，LLaVA、InternVL-Chat 量化后，精度几乎无损，InternLM-XComposer2 略有损失。

LMDeploy 除了支持 w4a16 的计算外，也支持 kv cache 的在线量化。我们对 Mini-InternVL-Chat-2B-V1-5 模型的不同量化方式，在 MMBench 数据集上进行了精度测试。

可以看到，即使采用最激进的 w4a16 kv4 量化方案，精度掉点仍然在可接受范围。当然，用户可以根据实际情况自己选择需要的量化配置，在显存，吞吐量和精度间取得平衡。接下来，我们将以 Mini-InternVL-Chat-2B-V1-5 模型为例，介绍如何用 LMDeploy 丝滑部署 VL 模型。

配置环境

LMDeploy 可以直接通过 pip 安装预编译包，或者源码安装 (https://lmdeploy.readthedocs.io/zh-cn/latest/build.html）。

conda create -n lmdeploy python==3.10
pip install lmdeploy

LMDeploy的预编译包默认是基于 CUDA 12 编译的。如果需要在 CUDA 11+ 下安装 LMDeploy，请执行以下命令：

export LMDEPLOY_VERSION=0.4.2
export PYTHON_VERSION=310
pip install https://github.com/InternLM/lmdeploy/releases/download/v${LMDEPLOY_VERSION}/lmdeploy-${LMDEPLOY_VERSION}+cu118-cp${PYTHON_VERSION}-cp${PYTHON_VERSION}-manylinux2014_x86_64.whl --extra-index-url https://download.pytorch.org/whl/cu118

量化模型

LMDeploy 的推理引擎 TurboMind 提供了非常高效的 4bit 推理 CUDA kernel，性能是 FP16 的 2.4 倍以上。它支持以下 NVIDIA 显卡：

• 图灵架构（sm75）：20系列、T4
• 安培架构（sm80,sm86）：30系列、A10、A16、A30、A100
• Ada Lovelace架构（sm89）：40 系列

用户可以一行命令量化一个 VL 模型，以 Mini-InternVL-Chat-2B-V1-5 为例：

export HF_MODEL=OpenGVLab/Mini-InternVL-Chat-2B-V1-5
export WORK_DIR=Mini-InternVL-Chat-2B-V1-5-4bit

lmdeploy lite auto_awq \
   $HF_MODEL \
  --calib-dataset 'ptb' \
  --calib-samples 128 \
  --calib-seqlen 2048 \
  --w-bits 4 \
  --w-group-size 128 \
  --batch-size 1 \
  --search-scale False \
  --work-dir $WORK_DIR

需要注意的是，LMDeploy 的量化是将 Llama 模型逐层量化的，每层量化前都会进行一次从 CPU 加载到 GPU，量化完成后又将其从 GPU 卸载回 CPU。这样量化过程的显存压力小。此外，每层的量化都会按 --batch-size 个批次大小进行，这样可以进一步减小显存占用。但是相应的，量化的时间将会变长。如果 GPU 显存充足，可以将 --batch-size 设置大一些。最后，如果量化模型的精度不如预期，可以开启 --search-scale。如果不开启，默认会按 smooth quant 的方式进行量化。

pipeline

LMDeploy 把视觉-语言模型（VLM）复杂的推理过程，抽象为简单好用的 pipeline。它的用法与大语言模型（LLM）推理 pipeline （https://lmdeploy.readthedocs.io/zh-cn/latest/inference/pipeline.html）类似。

from lmdeploy import pipeline
from lmdeploy.messages import TurbomindEngineConfig
from lmdeploy.vl import load_image

model = 'Mini-InternVL-Chat-2B-V1-5-4bit'
image = load_image('https://raw.githubusercontent.com/open-mmlab/mmdeploy/main/tests/data/tiger.jpeg')
backend_config = TurbomindEngineConfig(model_format='awq')
pipe = pipeline(model, backend_config=backend_config, log_level='INFO')

response = pipe(('describe this image', image))
print(response)

上面的例子，使用我们量化好的 Mini-InternVL-Chat-2B-V1-5-4bit 模型，可以发现模型成功识别了图片中的老虎并给出描述。如果是单机多卡的用户，希望能更充分地利用硬件资源，可以参考下面的例子使用张量并行功能。

from lmdeploy import pipeline
from lmdeploy.messages import TurbomindEngineConfig
from lmdeploy.vl import load_image

model = 'Mini-InternVL-Chat-2B-V1-5-4bit'
image = load_image('https://raw.githubusercontent.com/open-mmlab/mmdeploy/main/tests/data/tiger.jpeg')
backend_config = TurbomindEngineConfig(model_format='awq', tp=2)
pipe = pipeline(model, backend_config=backend_config, log_level='INFO')

response = pipe(('describe this image', image))
print(response)

这里，语言模型和视觉模型都会被均匀地分到两块卡上进行推理。关于 pipline 的更多的用法，可以参考 LMDeploy 的文档（https://lmdeploy.readthedocs.io/zh-cn/latest/inference/vl_pipeline.html）。

服务化

使用 LMDeploy cli 工具一行命令启动 VL 模型的服务：

lmdeploy serve api_server Mini-InternVL-Chat-2B-V1-5-4bit --max-batch-size 256 --vision-max-batch-size 16

这里，--max-batch-size 是 server 端 LLM 部分最大的并发数，而 --vision-max-batch-size 是 server 端 vision 部分的最大并发数。这就意味着，假如每个 client 端的请求都带有一个图片，那么 server 端的实际运行的最大并发数将是 --vision-max-batch-size。更多的服务化相关的使用技巧，可以参考 LMDeploy 的服务化的文档（https://lmdeploy.readthedocs.io/zh-cn/latest/serving/api_server_vl.html）。

Benchmark

在 A100-SMX4-80G 显卡上部署一个 Mini-InternVL-Chat-2B-V1-5 的量化模型，实际测试模型每秒生成的 token 数，结果绘制成下图。图中的每个请求均带有一张分辨率 512*512 的图像。

通过上图可以看到，模型在并发度 16 以后，吞吐量（out tokens/s) 增长变缓了。同时随着并发数进一步提高，首个 token 延时急剧上升，这是因为服务启动时，vision 模型推理的 batch size 配置为 16。当请求并发超过它时，后到的请求不得不等待先到的请求处理完，才能接着被处理。所以，用户需要根据自己的实际使用情况合理分配 --max-batch-size 和--vision-max-batch-size 两个参数的大小。此外，我们使用了相同的方式，分别测试了模型量化前后的吞吐量。两者的对比结果如下图所示：

通过上面的折线图可以看到，量化后的模型拥有更高的吞吐量。综合上面的数据，用户可以考虑通过量化工具将模型量化后进行部署，服务将具有更好的推理性能。