0. 編寫代碼并嘗試運行
克隆以下代碼
git clone https://gitee.com/ai-trailblazer/qwen-vl-hello.git嘗試運行qwen-vl-hello.py，報錯原因缺少modelscope：
1. 安裝qwen-vl-utils工具包
pip install qwen-vl-utils[decord]==0.0.8
嘗試運行，不出意外的話肯定運行不了，報錯原因依然是缺少modelscope：
2. 安裝modelscope
pip install modelscope -i https://pypi.tuna.tsinghua.edu.cn/simple再次嘗試運行，依然無法運行，報錯原因modelscope下未找到Qwen2_5_VLForConditionalGeneration：
3.安裝transformers
pip install git+https://github.com/huggingface/transformers accelerate
經歷10分鐘的漫長等待，終于下載安裝完成。再次嘗試運行，依然運行失敗，報錯原因缺少torchvision模塊：
4.安裝torchvision
pip install torchvision
5.嘗試進行視頻識別（失敗）
再次嘗試運行，事情出現轉機，開始下載模型，并進行漫長的等待（在等待過程中，順手去清理一些爆紅的C盤！）
經歷九九八十一分鐘后，發生了意外（我沒有碰它呀）
再次嘗試運行，執行失敗，報錯原因是TypeError: process_vision_info() got an unexpected keyword argument 'return_video_kwargs'：
下面先進行圖片識別，排查一下是否是環境問題。
6. 嘗試圖片識別（成功）
先運行圖片識別的代碼（qwen-vl-img-hello.py）吧，沒想到又發生更大意外驚喜，wsl系統連不上了！
Reload Window后，重新連接了
再次運行，圖片識別成功。
圖片識別成功，初步假設運行環境已經沒有問題了，下面再次嘗試視頻識別。
7.嘗試進行視頻識別（失敗）
依然是第5節的執行失敗原因：
檢查代碼問題。先刪除當前不必要的代碼
然后腦袋總算是要清醒一點了，即這一行代碼就是設置一個意料之外的參數return_video_kwargs。
image_inputs, video_inputs, video_kwargs = process_vision_info(messages, return_video_kwargs=True)
inputs = processor(text=[text],images=image_inputs,videos=video_inputs,fps=fps,padding=True,return_tensors="pt",**video_kwargs,
)
inputs = inputs.to("cuda")繼續思考解決方案：后面又要使用到這個video_kwargs，如果不配置它會不會無法返回這個參數......，管它呢，先刪除return_video_kwargs=True，反正電腦又不會炸掉！（繼續Run Python，并戰術性的喝了一口水）。
?嗯哼，報錯了：Error reading？難道是視頻鏈接失效了，復制到瀏覽器查看沒問題呀，視頻鏈接是有效的。
https://qianwen-res.oss-cn-beijing.aliyuncs.com/Qwen2-VL/space_woaudio.mp4下面將繼續排查，瞅一眼qwen-vl-utils的版本為0.0.8，沒錯兒呀，是文檔里的版本咧。
看看源碼，這個函數返回了None，但是這個函數的源碼又看不到！暫且不繼續了看源碼了，換個方向再試試。
繼續排查，嘗試識別本地視頻。（再喝一口水緩解一下壓力）
messages = [{"role": "user","content": [{"type": "video","video": "file:///mnt/e/WORK/project/ai/qwen-vl-hello/demo.mp4",},{"type": "text", "text": "Describe this video."},],}
]wsl又無法連接了！
再次連接后，再次嘗試運行，雖然報錯了，但是至少視頻是能讀取了，報錯只是說明video_kwargs這個不能用了。
修改代碼再次嘗試運行，wsl又斷連接了
直接在命令行執行
運行失敗，報錯原因fps未定義（這官方教程存在問題哦，艾特一下qwen官方）。修改代碼，刪除fps=fps。修改后再次運行
image_inputs, video_inputs = process_vision_info(messages)
inputs = processor(text=[text],images=image_inputs,videos=video_inputs,padding=True,return_tensors="pt"
)
inputs = inputs.to("cuda")顯存溢出！我不服，再次嘗試還是顯存溢出，我服了。
繼續嘗試量化模型Qwen/Qwen2.5-VL-3B-Instruct-AWQ
# 第一處修改
model = Qwen2_5_VLForConditionalGeneration.from_pretrained("Qwen/Qwen2.5-VL-3B-Instruct-AWQ", torch_dtype="auto", device_map="auto"
)# 第二處修改
processor = AutoProcessor.from_pretrained("Qwen/Qwen2.5-VL-3B-Instruct-AWQ")繼續運行，開始下載模型，然后繼續漫長的等待（順便打開音樂播放器，放一首DJ串燒緩解一下情緒）
經過九九八十一天的等待后，模型下載完了，但是緊接著又報了一個錯，報錯意思是`autoawq`的版本太低。
先不急，再運行一次看看，報錯依然如此。通過pip list|grep autoawq發現并沒有安裝autoawq，那就嘗試用pip安裝一個autoawq
pip install autoawq
繼續嘗試運行，顯存溢出！
但是，細心的我發現這樣一行輸出，于是我虛心的請教了Deepseek
Unused or unrecognized kwargs: return_tensors, fps.
修改代碼
image_inputs, video_inputs = process_vision_info(messages)
inputs = processor(text=[text],images=image_inputs,videos=video_inputs,fps=30,padding=True,return_tensors="pt"
)
inputs = inputs.to("cuda")仍然報錯顯存溢出！但是這個輸出內容有點奇怪，區別如下（虛心的我又去查了一下這個單詞的意思unrecognized-無法識別的，也就是說：這兩個參數沒有意義加和不加都一樣！）：
# 不添加fps參數
Unused or unrecognized kwargs: return_tensors, fps.# 添加fps=30后
Unused or unrecognized kwargs: fps, return_tensors.有進行了多次嘗試，添加PYTORCH_CUDA_ALLOC_CONF環境變量、指定torch_dtype，都以顯存溢出為結局
from modelscope import Qwen2_5_VLForConditionalGeneration, AutoTokenizer, AutoProcessor
from qwen_vl_utils import process_vision_info
import torchimport os
os.environ["PYTORCH_CUDA_ALLOC_CONF"] = "expandable_segments:True"# default: Load the model on the available device(s)
model = Qwen2_5_VLForConditionalGeneration.from_pretrained("Qwen/Qwen2.5-VL-3B-Instruct-AWQ", torch_dtype=torch.float16, device_map="auto"
)
于是，我不得不承認本地的GPU顯存確實有限，下面我改變策略，在云服務進行嘗試。
8.借用云服務器進行視頻識別（失敗）
在魔塔選擇贈送的GPU服務器使用時長，點擊啟動并稍等2分鐘左右
克隆代碼倉庫
https://gitee.com/ai-trailblazer/qwen-vl-hello.git
代碼拉取完成后，繼續查看conda版本和顯存。
發現沒有conda，那就先在常規python環境嘗試。
pip install qwen-vl-utils[decord]==0.0.8
pip install modelscope -i https://pypi.tuna.tsinghua.edu.cn/simple
pip install git+https://github.com/huggingface/transformers accelerate
安裝transformers報錯了，暫且不管，先運行代碼
python qwen-vl-video-hello.py第一行運行報錯，找不到Qwen2_5_VLForConditionalGeneration
此時回憶一下在本地的經驗，安裝transformers可是花費了十分鐘之久，并且下載了很多內容，但是此時馬上下載完畢并且還報錯了，仔細分析錯誤原因，發現是很多python三方庫版本不兼容的問題。所以后面還是啟動一個conda環境吧
【AI訓練環境搭建】在Windows11上搭建WSL2+Ubuntu22.04+Tensorflow+GPU機器學習訓練環境
?
?
?
?
?
創建新的conda環境，名稱為vlenv
conda create -n vlenv python=3.12
?
安裝依賴
pip install qwen-vl-utils[decord]==0.0.8
pip install modelscope
pip install git+https://github.com/huggingface/transformers accelerate安裝transformers報錯了
?
重新創建一個3.11 python版本的conda環境，名稱為t1
conda create -n t1 python=3.11
?
嘗試安裝
pip install qwen-vl-utils[decord]==0.0.8
pip install modelscope -i https://pypi.tuna.tsinghua.edu.cn/simple
pip install git+https://github.com/huggingface/transformers accelerate這次看起來能正常安裝了
?
安裝完成
?
嘗試運行，報出熟悉的異常
?
安裝torchvision
pip install torchvision
再次嘗試運行
python qwen-vl-video-hello.py
依然報顯存溢出（這可是20多個G的顯存哦）
(本次實踐從本地到云服務，共花費7個多小時光陰，雖然目前沒有運行成功，但是至少在這過程中實踐了很多經驗，后續我將嘗試找一個比較小的視頻再次驗證。)
9.使用一個較小的視頻進行識別（成功）
在以上實踐中，使用的是一個21M的視頻，視頻時長約三分鐘。而后我又拿了一個只有291KB的視頻，視頻時長只有1s。
功夫不負有心人，終于成功識別了一個視頻！盡管這個視頻只有1s，可以看到GPU也占用了9G（該顯卡總共只有12G）。
10. 總結和展望
在本次實踐中，主要采用transformers拉起Qwen2.5-VL-3B大模型進行視頻識別，盡管這并不是工程化的運行方式，但是有作為入門實踐的價值。
在整個過程中，總結出以下經驗：
（1）鑒于網絡原因，最好使用modelscope來下載模型；
（2）在vscode中使用wsl的conda環境，可能會出現無響應的情況，此時直接使用cmd命令行可能更加方便；
（3）當一條路走不通時，可以換一條路，如果換一條路還是走不通，這時在回頭看方法是否有問題，很多時候就是在你回頭思考的過程中解決掉問題的，但是你還是得感謝你在另一條路上探索，因為你至少知道了那條路行不通，否則你的思維陷入到不確定中；
（4）云服務器的網絡和硬件優勢可以加速我們進行AI方面的實踐，本次實踐中在云服務器上花費的實踐僅僅只占總時長的30%，但是產生的效果卻很顯著，在這里也非常感謝modelscope社區和阿X云為我們提供的免費實例環境，非常感謝；
（5）conda是個好東西，其提供的強大的隔離式python環境，在解決各種依賴庫版本庫問題的時候非常有用，本次實踐中，在云服務器最終使用的是python3.11版本，而我本地電腦是使用的python3.12，這些經驗在工程成產過程中也很有價值；
后續的實際計劃和展望：
（1）達到這個目標“Qwen2.5-VL 可以理解超過1小時的視頻”，所需要的條件和方式有哪些？
（2）考慮更加工程化和輕量化的通過Qwen2.5-VL進行視頻識別的方案；
（3）其它模型或方案進行視頻識別的使用資源和效果對比；
?
