Ollama で Gemma 3 による画像認識

Ollama を利用して Gemma 3 で画像を分析します。

Gemma 3

Gemma 3 は Google が開発したローカルで動かせる LLM です。

1B/4B/12B/27B の 4 つのサイズが用意されています。

4B 以上のモデルは画像認識が可能で、サイズが大きいほど精度が向上します。本記事では 4B を例に説明を進めます。

準備

Ollama をインストールして、モデルをダウンロードしてください。

ollama pull gemma3:4b

コマンドラインからの実行

画像を置いたフォルダで Ollama を実行します。

ollama run gemma3:4b

処理速度を測定するためのオプションを指定します。

/set verbose

プロンプトで ./ に続けてファイル名を指定すれば読み込まれます。

プロンプト

画像を説明してください。./image.png

入力画像（別途生成）: image.png (1024×1024)

生成パラメーター

• Model: Animagine XL 3.1
• Prompt: 1girl, original, eating pizza
• Negative Prompt: nsfw, lowres, (bad), text, error, fewer, extra, missing, worst quality, jpeg artifacts, low quality, watermark, unfinished, displeasing, oldest, early, chromatic aberration, signature, extra digits, artistic error, username, scan, [abstract]

出力例

この画像は、アニメ風の若い女性を描いたものです。以下に詳細を説明します。

• 人物:
  • 若い女性で、茶色のショートヘアをしています。
  • 頬にはピンク色のチークをしています。
  • 大きな、少し憂鬱な目をしています。
  • 彼女は、オレンジ色のフリースジャケットと緑色のセーターを着ています。
• 背景:
  • 木製のテーブルの上に座っています。
  • 背景には窓があり、自然光が差し込んでいます。
• オブジェクト:
  • 彼女は、ピザを食べています。ピザにはトマトとチーズが乗っています。
• スタイル:
  • 全体的にアニメ風で、細部まで丁寧に描かれています。
  • 色使いは暖色系で、全体的に温かみのある雰囲気です。

この画像は、美味しそうなピザを食べる若い女性の可愛らしいイラストです。

測定結果

total duration:       6.9259706s
load duration:        62.7936ms
prompt eval count:    273 token(s)
prompt eval duration: 2.942s
prompt eval rate:     92.79 tokens/s
eval count:           214 token(s)
eval duration:        3.912s
eval rate:            54.70 tokens/s

以下の環境で測定しました。

• OS: Windows 11 Home [10.0.26100.3476]
• RAM: DDR4-3200 64GB
• CPU: AMD Ryzen 5 5600X 6-Core Processor
• GPU: AMD Radeon RX 7600 XT (VRAM 16GB)

文章での説明

プロンプトで指定すれば文章で説明できます。

プロンプト

箇条書きではなく文章で、画像を説明してください。./image.png

出力例

このイラストは、明るい光が差し込む室内で、可愛らしいアニメ風の少女を描いています。

少女は、オレンジ色のフリースジャケットと緑色のセーターを着ています。彼女は、丸いテーブルの上に置かれたピザを、両手で持って、一口食べる準備をしています。ピザにはトマトソースとチーズ、そしてトマトのスライスが散りばめられています。

少女の表情は、楽しそうに、そして少し照れくさそうに見つめています。頬にはほんのりとしたピンク色のチークをしています。背景には、窓から差し込む自然光がぼんやりと写っており、暖かく、居心地の良い雰囲気を作り出しています。全体的に、このイラストは、美味しそうなピザと、少女の可愛らしい表情が組み合わさって、温かみのある、ほのぼのとした雰囲気を醸し出しています。

測定結果

total duration:       6.359634s
load duration:        64.1589ms
prompt eval count:    280 token(s)
prompt eval duration: 2.848s
prompt eval rate:     98.31 tokens/s
eval count:           188 token(s)
eval duration:        3.438s
eval rate:            54.68 tokens/s

文字認識

文字認識も可能です。

プロンプト

文字を読み取ってください。./text.png

ただし精度的に 4B は実用的ではなく、27B で 90% くらいという印象です。

日本語も多少は読めるみたいです。 pic.twitter.com/Dvb2NqiQSK

— 七誌 (@7shi) March 12, 2025

手書き文字にも対応しています。詳細は以下の記事を参照してください。

Python

Python から読み込む例です。

ライブラリ追加

pip install ollama

import ollama

response = ollama.chat(
    model = "gemma3:4b",
    messages = [{
        "role": "user",
        "content": "画像を説明してください。",
        "images": ["image.png"],
    }],
)
print(response["message"]["content"])

リサイズ

画像サイズによっては応答しなくなる可能性があるため、リサイズ処理を追加した例です。

Ollama に縮小した画像データを渡しますが、元のファイルは変更しません。

ライブラリ追加

pip install pillow

import ollama, io
from PIL import Image

def shrink_image(image_path, max_size):
    image = Image.open(image_path)
    w1, h1 = image.size
    if max(w1, h1) > max_size:
        if w1 > h1:
            w2 = max_size
            h2 = int(h1 * (max_size / w1))
        else:
            w2 = int(w1 * (max_size / h1))
            h2 = max_size
        image = image.resize((w2, h2), resample=Image.LANCZOS)
    buf = io.BytesIO()
    image.save(buf, format="PNG")
    return buf.getvalue()

response = ollama.chat(
    model = "gemma3:4b",
    messages = [{
        "role": "user",
        "content": "画像を説明してください。",
        "images": [shrink_image("image.png", 512)],
    }],
)
print(response["message"]["content"])

LangChain

LangChain での利用法は以下の記事を参照してください。

関連記事

本記事は、以下の記事の改訂版という位置付けです。Gemma 3 は Llama 3.2-Vision よりも高性能です。

ピザ画像の元ネタは以下を参照してください。