RestAI 开源项目教程
1、项目介绍
RestAI 是一个 AIaaS(AI as a Service)开源平台,旨在通过简单的 REST API 创建和使用 AI 项目。它基于 LlamaIndex、Ollama 和 HF Pipelines 构建,支持任何由 LlamaIndex 支持的公共 LLM 和 Ollama 支持的本地 LLM。RestAI 提供了精确的嵌入使用和调优功能,适用于各种 AI 项目,包括视觉识别、文本生成等。
2、项目快速启动
安装依赖
首先,确保你已经安装了 Poetry,这是一个用于管理 Python 依赖的工具。你可以通过以下命令安装 Poetry:
pip install poetry
克隆项目
使用 Git 克隆 RestAI 项目到本地:
git clone https://github.com/apocas/restai.git
cd restai
安装项目依赖
在项目根目录下,运行以下命令来安装项目依赖:
poetry install
启动开发环境
在开发模式下启动 RestAI:
make install
make dev
启动生产环境
在生产环境中启动 RestAI:
make install
make start
使用 Docker 启动
编辑 .env 文件以配置环境变量,然后使用 Docker Compose 启动服务:
docker compose --env-file .env up --build
3、应用案例和最佳实践
案例1:使用 RestAI 进行文本生成
RestAI 支持多种文本生成任务,例如使用 RAG(Retrieval-Augmented Generation)模型生成文本。以下是一个简单的示例,展示如何使用 RestAI 的 REST API 进行文本生成:
curl -X POST "http://localhost:8000/api/v1/generate" \
-H "Content-Type: application/json" \
-d '{"prompt": "生成一段关于人工智能的描述"}'
案例2:视觉识别
RestAI 还支持视觉识别任务,例如使用 Stable Diffusion 生成图像。以下是一个示例,展示如何使用 RestAI 的 REST API 进行图像生成:
curl -X POST "http://localhost:8000/api/v1/vision/text2img" \
-H "Content-Type: application/json" \
-d '{"prompt": "生成一张美丽的风景画"}'
最佳实践
- 嵌入调优:RestAI 提供了精确的嵌入调优功能,建议在实际应用中根据需求进行调优,以提高模型的性能。
- 自动 VRAM 管理:RestAI 自动管理 VRAM 的使用,按需加载和卸载模型,确保系统资源的有效利用。
4、典型生态项目
1. LlamaIndex
LlamaIndex 是一个用于构建和使用大型语言模型的开源库,RestAI 基于 LlamaIndex 构建,支持多种公共 LLM。
2. Ollama
Ollama 是一个用于本地 LLM 的开源平台,RestAI 支持 Ollama 支持的任何本地 LLM,提供了灵活的模型选择。
3. HF Pipelines
HF Pipelines 是 Hugging Face 提供的一个用于快速部署和使用 AI 模型的工具,RestAI 集成了 HF Pipelines,简化了模型的部署和使用。
通过这些生态项目,RestAI 构建了一个强大的 AIaaS 平台,适用于各种 AI 应用场景。
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
GLM-4.7-FlashGLM-4.7-Flash 是一款 30B-A3B MoE 模型。作为 30B 级别中的佼佼者,GLM-4.7-Flash 为追求性能与效率平衡的轻量化部署提供了全新选择。Jinja00
VLOOKVLOOK™ 是优雅好用的 Typora/Markdown 主题包和增强插件。 VLOOK™ is an elegant and practical THEME PACKAGE × ENHANCEMENT PLUGIN for Typora/Markdown.Less00
PaddleOCR-VL-1.5PaddleOCR-VL-1.5 是 PaddleOCR-VL 的新一代进阶模型,在 OmniDocBench v1.5 上实现了 94.5% 的全新 state-of-the-art 准确率。 为了严格评估模型在真实物理畸变下的鲁棒性——包括扫描伪影、倾斜、扭曲、屏幕拍摄和光照变化——我们提出了 Real5-OmniDocBench 基准测试集。实验结果表明,该增强模型在新构建的基准测试集上达到了 SOTA 性能。此外,我们通过整合印章识别和文本检测识别(text spotting)任务扩展了模型的能力,同时保持 0.9B 的超紧凑 VLM 规模,具备高效率特性。Python00
KuiklyUI基于KMP技术的高性能、全平台开发框架,具备统一代码库、极致易用性和动态灵活性。 Provide a high-performance, full-platform development framework with unified codebase, ultimate ease of use, and dynamic flexibility. 注意:本仓库为Github仓库镜像,PR或Issue请移步至Github发起,感谢支持!Kotlin07
compass-metrics-modelMetrics model project for the OSS CompassPython00