GPUなし＋オフライン＋Raspberry Pi(4GB)で動かすカメラAI - SLM多段パイプライン

はじめに

『Raspberry Pi』とは、低コストの小型コンピュータです。
フルスペックのLLMを動かすことは到底リソースが足りず、
通常は、クラウドやSaaS上で動作するAIを利用しなければ、AIを利用することはできません。

ですが、『1つの万能なAI(LLM)』を使う考えではなく、『得意なことに特化した小さなAIを組み合わせる』という設計思想に切り替えると、話が変わります。

本記事では、USBカメラ映像から『動きを検出』し、『英語で画像説明文を生成』し、『日本語に翻訳する』という3段階のパイプラインを、 オフライン(Offline) で Raspberry Pi のみで動かした実装をご紹介します。

なぜ『1つのLLM』では動かないのか？

メモリの壁

Raspberry Pi 4(4GB)でLLMを動かす場合、使えるRAMはシステム消費分を引いて実質2〜3GB程度です。
ですが、一般的な多言語/画像対応の大型LLMは、最低でも8〜16GBのVRAMを要求します。

『画像認識』と『日本語対応』の特徴を同時に持つモデルは、このメモリ量では動作困難です。

モデル	AI種別	画像認識	日本語対応	必要メモリ目安	Pi4 (4GB)で動作	備考
Llama 3.2 Vision 11B (大型マルチモーダルLLM)	マルチモーダルLLM	◯	△ (限定的)	10GB〜	✕
OpenCV	画像処理ライブラリ	△ (動き検知など)	✕	数百MB	◯	本稿のStage1で利用
moondream	VLM(視覚言語モデル)	◯	✕	2〜4GB程度	◯	本稿のStage2で利用
Qwen2.5:1.5b-instruct	SLM(テキストLLM)	✕	◯	2GB程度	◯	本稿のStage3で利用

前提

ここで利用する機器や仕様は次のとおりです。

• Raspberry Pi : Raspberry Pi 4 4GB
• USBカメラ : logi HD 1080p
• GPU搭載有無 : GPUなし
• microSD : KIOXIA EXCERIA 256GB

システム構成

以下、システム構成となります。

ステージ	利用技術	入力	出力	説明
CameraAI_Stage_1	OpenCV (フレーム差分)	USBカメラ映像	JPG + JSON	動き検出後、5秒後のキャプチャを取得
CameraAI_Stage_2	moondream (Ollama)	JPG	JSON	画像認識し、英語キャプションを出力
CameraAI_Stage_3	Qwen2.5:1.5b (Ollama)	JSON	JSON	英語から日本語へ翻訳

セットアップ

ここからは、実際にRaspberry Pi上で動かすための準備手順を書きます。

Ollama のインストール

まず、モデルをローカルで動かすためにOllamaをインストールします。
これを利用することで、LLM/SLMなどのダウンロードや管理、インタラクティブのチャットツールの利用ができるようになります。

curl -fsSL https://ollama.com/install.sh | sh

モデルの取得

今回利用するmoondreamとQwen2.5:1.5b-instructをダウンロードします。

ollama pull moondream
ollama pull qwen2.5:1.5b-instruct

Python環境の準備

Python環境を整えるために、Conda(Miniforge)を導入し、そこに環境を構築します。

Conda(Miniforge)のインストール

##### 事前準備
sudo localedef -f UTF-8 -i ja_JP ja_JP
##### 1. Miniforge (linux-aarch64 版) のインストーラをダウンロード
cd /tmp
curl -LO https://github.com/conda-forge/miniforge/releases/latest/download/Miniforge3-Linux-aarch64.sh

##### 2. インストーラを実行
bash Miniforge3-Linux-aarch64.sh
###### Proceed with initialization? [yes|no] -> yes

Conda環境設定の読み込み

##### ターミナルをいったん閉じて開き直すか、もしくは:
source ~/.bashrc

##### conda が使えるか確認
conda --version
###### conda 26.1.1などが表示されればOK

Python仮想環境の作成(cameraai環境)

##### 仮想環境 cameraai を作成
conda create -n cameraai python=3.11 -y

##### 環境を有効化
conda activate cameraai

##### 必要なパッケージをインストール
pip install opencv-python ollama

プログラムの配備

まず、作業用ディレクトリを作成し、今回のスクリプト群を配置します。

mkdir -p ~/WORKSPACE/cameraai
cd ~/WORKSPACE/cameraai

mkdir handoff logs

このディレクトリに、以下 4 つのファイルを作成します。

• cameraai_stage_1_motion_capture.py
• cameraai_stage_2_scene_caption.py
• cameraai_stage_3_translate_ja_qwen.py
• cameraai_run_all_stages.sh
  以降では、それぞれの中身を記載します。

Stage1: OpenCVで動き検出＋5秒後キャプチャ

動きがあった瞬間ではなく、5秒後の静止フレームを採用することで、ブレの少ない画像を VLM に渡せるようにしています。

cameraai_stage_1_motion_capture.py

# cameraai_stage_1_motion_capture.py

import cv2
import json
import os
import time

CAMERA_INDEX      = int(os.getenv("CAMERAAI_CAMERA_INDEX", 0))
FRAME_WIDTH       = int(os.getenv("CAMERAAI_FRAME_WIDTH", 640))
FRAME_HEIGHT      = int(os.getenv("CAMERAAI_FRAME_HEIGHT", 480))
FPS               = int(os.getenv("CAMERAAI_FPS", 15))

# 撮りすぎ防止のため、しきい値を少し厳しめに
MOTION_RATIO      = float(os.getenv("CAMERAAI_MOTION_RATIO", 0.05))  # 0.02 → 0.05
DIFF_THRESH       = int(os.getenv("CAMERAAI_DIFF_THRESH", 25))

# 「検出 → カウントダウン → 撮影」の待ち時間
CAPTURE_DELAY_SEC = float(os.getenv("CAMERAAI_CAPTURE_DELAY_SEC", 5.0))
COOLDOWN_SEC      = float(os.getenv("CAMERAAI_EVENT_COOLDOWN_SEC", 8.0))

# 起動直後は 5 秒間ウォームアップし、その間は撮影しない
WARMUP_SEC        = float(os.getenv("CAMERAAI_WARMUP_SEC", 5.0))

HANDOFF_DIR = "handoff"
STAGE1_JPG  = os.path.join(HANDOFF_DIR, "cameraai_stage_1_motion_capture.jpg")
STAGE1_JSON = os.path.join(HANDOFF_DIR, "cameraai_stage_1_motion_capture.json")

os.makedirs(HANDOFF_DIR, exist_ok=True)

def handoff_busy() -> bool:
    """handoff/ にファイルが残っている間は、前回イベント処理中とみなす"""
    return os.path.exists(STAGE1_JPG) or os.path.exists(STAGE1_JSON)

cap = cv2.VideoCapture(CAMERA_INDEX)
cap.set(cv2.CAP_PROP_FRAME_WIDTH,  FRAME_WIDTH)
cap.set(cv2.CAP_PROP_FRAME_HEIGHT, FRAME_HEIGHT)
cap.set(cv2.CAP_PROP_FPS, FPS)

print(f"[INIT] warming up camera for {WARMUP_SEC} seconds...", flush=True)
warmup_start = time.time()

prev_gray   = None
frame_count = 0

# ウォームアップ期間: 「通常状態」の学習とみなす
while time.time() - warmup_start < WARMUP_SEC:
    ok, frame = cap.read()
    if not ok:
        time.sleep(0.1)
        continue
    frame_count += 1
    gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)
    gray = cv2.GaussianBlur(gray, (21, 21), 0)
    prev_gray = gray

print("[INIT] warmup finished. Start motion detection.", flush=True)

capture_scheduled_at = None
trigger_info         = {}
idle_announced       = False

while True:
    ok, frame = cap.read()
    if not ok:
        time.sleep(0.1)
        continue

    frame_count += 1
    gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)
    gray = cv2.GaussianBlur(gray, (21, 21), 0)

    if prev_gray is None:
        prev_gray = gray
        continue

    diff   = cv2.absdiff(prev_gray, gray)
    _, th  = cv2.threshold(diff, DIFF_THRESH, 255, cv2.THRESH_BINARY)
    motion_ratio = th.sum() / 255 / th.size
    prev_gray    = gray

    # handoff が埋まっている間は何もしない
    if handoff_busy():
        if capture_scheduled_at is not None:
            print("[INFO] handoff busy; cancel scheduled capture.", flush=True)
        capture_scheduled_at = None
        idle_announced = False
        continue

    # 完全 idle 状態のときだけ、新しいイベントを受付
    if capture_scheduled_at is None and not idle_announced:
        print("[STATE] pipeline idle; waiting for next motion event", flush=True)
        idle_announced = True

    # イベント検出: motion_ratio をログに出しつつ、しきい値以上で反応
    if capture_scheduled_at is None and motion_ratio > MOTION_RATIO:
        now = time.time()
        capture_scheduled_at = now + CAPTURE_DELAY_SEC
        trigger_info = {
            "trigger_frame_count": frame_count,
            "motion_ratio": round(motion_ratio, 6),
            "detected_at": now,
        }
        print(
            f"[EVENT] motion detected frame={frame_count} "
            f"motion_ratio={motion_ratio:.6f} "
            f"capture_in={CAPTURE_DELAY_SEC:.1f}s",
            flush=True,
        )

        # ここでカウントダウンを開始（撮影前に必ずカウントダウン）
        remaining = int(CAPTURE_DELAY_SEC)
        while remaining > 0:
            # 途中で handoff が埋まったらキャンセル
            if handoff_busy():
                print("[INFO] handoff became busy during countdown; cancel capture.", flush=True)
                capture_scheduled_at = None
                break
            print(f"[COUNTDOWN] capture in {remaining} sec", flush=True)
            time.sleep(1.0)
            remaining -= 1

        # handoff busy によるキャンセル時は次のフレームへ
        if capture_scheduled_at is None:
            continue

    # 撮影タイミングになったら、現在のフレームを保存
    if capture_scheduled_at is not None and time.time() >= capture_scheduled_at:
        cv2.imwrite(STAGE1_JPG, frame)
        meta = {
            "frame_count": frame_count,
            "capture_delay_sec": CAPTURE_DELAY_SEC,
            **trigger_info,
        }
        with open(STAGE1_JSON, "w", encoding="utf-8") as f:
            json.dump(meta, f, ensure_ascii=False)

        print(
            f"[PRODUCE] delayed_capture frame={frame_count} "
            f"(trigger={trigger_info.get('trigger_frame_count')} "
            f"motion_ratio={trigger_info.get('motion_ratio')})",
            flush=True,
        )

        capture_scheduled_at = None
        idle_announced = False

        # 撮りすぎ防止のクールダウン
        time.sleep(COOLDOWN_SEC)

Stage2: moondreamで英語キャプション生成

handoff/ に jpg + json が置かれるのを待ち、moondream を使って英語キャプションを生成します。

cameraai_stage_2_scene_caption.py

# cameraai_stage_2_scene_caption.py

import json
import os
import time

import ollama

VLM_MODEL  = os.getenv("CAMERAAI_VLM_MODEL", "moondream")
VLM_PROMPT = os.getenv(
    "CAMERAAI_VLM_PROMPT",
    "Describe"
)
POLL_SEC   = float(os.getenv("CAMERAAI_STAGE2_POLL_SEC", 0.2))

HANDOFF_DIR = "handoff"
STAGE1_JPG  = os.path.join(HANDOFF_DIR, "cameraai_stage_1_motion_capture.jpg")
STAGE1_JSON = os.path.join(HANDOFF_DIR, "cameraai_stage_1_motion_capture.json")
STAGE2_JSON = os.path.join(HANDOFF_DIR, "cameraai_stage_2_scene_caption.json")

while True:
    # 入力がそろうまで待機
    if not (os.path.exists(STAGE1_JPG) and os.path.exists(STAGE1_JSON)):
        time.sleep(POLL_SEC)
        continue

    # まだ前回の出力が残っている場合は待機
    if os.path.exists(STAGE2_JSON):
        time.sleep(POLL_SEC)
        continue

    with open(STAGE1_JSON, encoding="utf-8") as f:
        meta = json.load(f)

    print(f"[CAPTION] start image={os.path.basename(STAGE1_JPG)}", flush=True)
    t0 = time.time()

    with open(STAGE1_JPG, "rb") as img_f:
        img_bytes = img_f.read()

    res = ollama.chat(
        model=VLM_MODEL,
        messages=[{
            "role": "user",
            "content": VLM_PROMPT,
            "images": [img_bytes],
        }],
    )
    caption_en = res["message"]["content"].strip()
    elapsed    = round(time.time() - t0, 2)

    out = {
        **meta,
        "caption_en": caption_en,
        "caption_elapsed_sec": elapsed,
        "model": VLM_MODEL,
        "prompt": VLM_PROMPT,
    }
    with open(STAGE2_JSON, "w", encoding="utf-8") as f:
        json.dump(out, f, ensure_ascii=False)

    print(f"[CAPTION] done elapsed={elapsed}s", flush=True)
    print(f"[CAPTION] EN: {caption_en}", flush=True)

Stage3: Qwen2.5で英語→日本語翻訳

Stage2 が出力した英語キャプションを、Qwen2.5 で日本語 1 文に翻訳し、logs/ に追記していきます。

cameraai_stage_3_translate_ja_qwen.py

# cameraai_stage_3_translate_ja_qwen.py

import json
import os
import re
import time

import ollama

TRANSLATE_MODEL = os.getenv("CAMERAAI_TRANSLATE_MODEL", "qwen2.5:1.5b-instruct")
TEMPERATURE     = float(os.getenv("CAMERAAI_TRANSLATE_TEMPERATURE", 0))
POLL_SEC        = float(os.getenv("CAMERAAI_STAGE3_POLL_SEC", 0.2))

HANDOFF_DIR = "handoff"
STAGE1_JPG  = os.path.join(HANDOFF_DIR, "cameraai_stage_1_motion_capture.jpg")
STAGE1_JSON = os.path.join(HANDOFF_DIR, "cameraai_stage_1_motion_capture.json")
STAGE2_JSON = os.path.join(HANDOFF_DIR, "cameraai_stage_2_scene_caption.json")
LOG_FILE    = os.path.join("logs", "cameraai_results_qwen.jsonl")

os.makedirs("logs", exist_ok=True)

PROMPT_TMPL = """\
You are a careful bilingual translation assistant.
Translate the following English image caption into natural Japanese.
Rules:
- Keep it to one Japanese sentence.
- Do not add new information.
- Do not remove objects or relations mentioned in the English caption.
- If the English sentence is long, compress wording but keep all objects.
- Return valid JSON only.
JSON schema:
{{"caption_ja": "natural Japanese translation"}}
English caption:
"{caption_en}"
"""

def extract_json_object(text: str):
    m = re.search(r"\{.*\}", text, re.DOTALL)
    return json.loads(m.group()) if m else {}

while True:
    if not os.path.exists(STAGE2_JSON):
        time.sleep(POLL_SEC)
        continue

    with open(STAGE2_JSON, encoding="utf-8") as f:
        src = json.load(f)

    caption_en = src["caption_en"]
    print(f"[TRANSLATE] start model={TRANSLATE_MODEL}", flush=True)
    t0 = time.time()

    res = ollama.chat(
        model=TRANSLATE_MODEL,
        messages=[{
            "role": "user",
            "content": PROMPT_TMPL.format(caption_en=caption_en),
        }],
        options={"temperature": TEMPERATURE},
    )
    raw = res["message"]["content"].strip()
    parsed = extract_json_object(raw)
    caption_ja = parsed.get("caption_ja", raw)
    elapsed    = round(time.time() - t0, 2)

    result = {
        **src,
        "caption_ja": caption_ja,
        "translate_elapsed_sec": elapsed,
        "translate_model": TRANSLATE_MODEL,
        "translated_at": time.time(),
    }

    with open(LOG_FILE, "a", encoding="utf-8") as f:
        f.write(json.dumps(result, ensure_ascii=False) + "\n")

    print(f"[TRANSLATE] done elapsed={elapsed}s", flush=True)
    print(f"[RESULT] EN: {caption_en}", flush=True)
    print(f"[RESULT] JA: {caption_ja}", flush=True)

    # handoff を空にして Stage1 に「処理完了」を伝える
    for path in [STAGE1_JPG, STAGE1_JSON, STAGE2_JSON]:
        if os.path.exists(path):
            os.remove(path)
    print("[ACK] cleared handoff files", flush=True)

一括起動スクリプト

3つのStageをまとめて立ち上げるシェルスクリプトです。

cameraai_run_all_stages.sh

#!/bin/bash
set -e

mkdir -p handoff logs

python -u cameraai_stage_1_motion_capture.py &
PID1=$!
python -u cameraai_stage_2_scene_caption.py &
PID2=$!
python -u cameraai_stage_3_translate_ja_qwen.py &
PID3=$!

trap "kill $PID1 $PID2 $PID3 2>/dev/null" EXIT INT TERM

wait

実行

実行方法

conda activate cameraai
cd ~/WORKSPACE/cameraai

# 前回の handoff を消してから起動
rm -f handoff/*.jpg handoff/*.json

bash cameraai_run_all_stages.sh

実行結果の確認

カメラの前で動きを見せると、
Stage1 が 5 秒後のフレームを handoff/ に保存
Stage2 が moondream で英語キャプションを生成
Stage3 が Qwen2.5 で日本語に翻訳し、logs/cameraai_results_qwen.jsonl に 1 行 JSON を追記
という流れでパイプラインが回ります。

(cameraai) hiro_to_int@pi4:~/WORKSPACE/cameraai $ bash cameraai_run_all_stages.sh
[INIT] warming up camera for 5.0 seconds...
[INIT] warmup finished. Start motion detection.
[STATE] pipeline idle; waiting for next motion event
[EVENT] motion detected frame=107 motion_ratio=0.177288 capture_in=5.0s
[COUNTDOWN] capture in 5 sec
[COUNTDOWN] capture in 4 sec
[COUNTDOWN] capture in 3 sec
[COUNTDOWN] capture in 2 sec
[COUNTDOWN] capture in 1 sec
[PRODUCE] delayed_capture frame=107 (trigger=107 motion_ratio=0.177288)
[CAPTION] start image=cameraai_stage_1_motion_capture.jpg
[CAPTION] done elapsed=210.31s
[CAPTION] EN: The image features a pink stuffed animal, likely a Pokemon character or toy, lying on its back on top of a bed. The plush toy is positioned in such a way that it appears to be resting comfortably and facing the camera directly. The bed occupies most of the background, showcasing the main subject of the photo - the adorable Pokemon plushie.
[TRANSLATE] start model=qwen2.5:1.5b-instruct
[TRANSLATE] done elapsed=46.39s
[RESULT] EN: The image features a pink stuffed animal, likely a Pokemon character or toy, lying on its back on top of a bed. The plush toy is positioned in such a way that it appears to be resting comfortably and facing the camera directly. The bed occupies most of the background, showcasing the main subject of the photo - the adorable Pokemon plushie.
[RESULT] JA: ピンクのぬいぐるみが、 likely ポケモンキャラクターまたは玩具で、ベッドの上に寝転がっています。このぬいぐるとカメラに向かって直接見つめています。背景には主な被写体であるポケモンぬいぐりが占めるスペースが広く、ベッドは全体的に占めており、その中にいるポケモンぬいぐりがゆっくりと寝転がっています。
[ACK] cleared handoff files
[STATE] pipeline idle; waiting for next motion event

logs/cameraai_results_qwen.jsonl

{
    "frame_count": 107,
    "capture_delay_sec": 5.0,
    "trigger_frame_count": 107,
    "motion_ratio": 0.177288,
    "detected_at": 1776545852.8470438,
    "caption_en": "The image features a pink stuffed animal, likely a Pokemon character or toy, lying on its back on top of a bed. The plush toy is positioned in such a way that it appears to be resting comfortably and facing the camera directly. The bed occupies most of the background, showcasing the main subject of the photo - the adorable Pokemon plushie.",
    "caption_elapsed_sec": 210.31,
    "model": "moondream",
    "prompt": "Describe",
    "caption_ja": "ピンクのぬいぐるみが、 likely ポケモンキャラクターまたは玩具で、ベッドの上に寝転がっています。このぬいぐるとカメラに向かって直接見つめています。背景には主な被写体であるポケモンぬいぐりが占めるスペースが広く、ベッドは全体的に占めており、その中にいるポケモンぬいぐりがゆっくりと寝転がっています。",
    "translate_elapsed_sec": 46.39,
    "translate_model": "qwen2.5: 1.5b-instruct",
    "translated_at": 1776546114.9013596
}

各ステージのポイント

Stage1: 動き検出＋5秒後キャプチャ

Stage1 は「撮りすぎない」「ブレたフレームを渡さない」ことを重視しています。

• 起動直後 5 秒間はウォームアップとして、撮影は一切しない
• フレーム差分から計算した motion_ratio が 0.05 を超えたときだけイベント扱い
• 動きを検出したらすぐには撮らず、ログでカウントダウンしながら 5 秒待つ
• カウントダウン中に handoff が埋まったら、そのイベントはキャンセルして次を待つ

これにより、「起動時のノイズで大量に撮れる」「少し手を動かしただけで連写になる」といった挙動を避けています。

Stage2: moondream で英語キャプション生成

Stage2 は、画像から説明文を作る VLM (Vision Language Model) のステージです。

• 入力は Stage1 が保存した JPG + JSON
• 出力は caption_en と処理時間 caption_elapsed_sec
• 処理時間を考慮し、プロンプトは "Describe" のようなシンプルなものを採用している。

Stage3: Qwen2.5 で英語→日本語翻訳

Stage3 は、英語キャプションを日本語 1〜2 文に翻訳するステージです。

• Qwen2.5 に渡すプロンプトで、「要約ではなく翻訳」「オブジェクトを削らない」ことを明示
• 英語キャプションをそのまま埋め込むのではなく、English caption: "{caption_en}" のように
  ダブルクォートで 1 つの文字列として渡すことで、長文でも途中で切れずに翻訳されるようになりました。
• Qwen の出力は JSON で返させていますが、取り出しているのは caption_ja だけです。
  caption_en も一緒に生成させてしまうと、元の英語キャプションを「要約」したり書き換えてしまうことがあったため、
  英語は 必ず Stage2 で生成したものだけを使うこととしています。

実際、この "{caption_en}" に変える前は、カンマ以降の情報が無視されてしまうことがあり、短い訳しか返ってこない場面がありました。
プロンプト側で「文字列の境界」を明確にしてあげることが、地味に効いたポイントです。

今後の発展アイデア

今回は、あくまで「Raspberry Pi 4 (4GB) だけでどこまでできるか」という制約つきの構成でしたが、
ここから先の発展として、次のような方向性が考えられます。

• Stage2 の高速化

  • 入力画像を 1280x960 ではなく 512px 四方程度に縮小してから moondream に渡す
  • それでも遅い場合は、Stage2/3 だけを GPU 付き PC にオフロードし、Pi は Stage1 専任にする

• 翻訳品質のチューニング

  • 「2 文まで OK」にして、読みやすさを優先する
  • 「です・ます調」「だ・である調」のどちらで話すかをプロンプトで固定する
  • Stage3の翻訳は『Argos Translate』の利用も検討した方が良いかと思われる

• 応用例

  • 監視カメラ代わりに、「人が通ったときだけ日本語で説明ログを残す」
  • 工場やガレージで、「特定の場所に物が置かれたときだけログを取る」
  • 視覚に課題がある人向けに、「手元のモノをかざすと日本語で説明してくれる」端末として使う

まとめ

本記事では、Raspberry Pi 4 (4GB) という小さなマシン上で、

• Stage1: OpenCV による動き検出と「5秒後」の静止フレーム取得
• Stage2: moondream による画像 → 英語キャプション生成
• Stage3: Qwen2.5:1.5b による英語 → 日本語翻訳

という 3 段構成のパイプラインを構築し、USB カメラの映像を「日本語の説明文」に変換するところまで実装しました。

ここで重要だったのは、

• フルスペックのマルチモーダル LLM はメモリ的に載らない → 1 台に「全部入り」を使わない
• 代わりに、OpenCV / VLM / SLM それぞれの 得意分野に処理を分割 する

といった設計上の工夫でした。

Raspberry Pi のようなリソース制約の厳しい環境でも、

• 古典的な画像処理（OpenCV）
• 軽量 VLM（moondream）
• 小さめの言語モデル（Qwen2.5:1.5b）

をうまく組み合わせることで、「巨大な LLM がなければできないと思っていた処理」も、
十分に現実的な形で動かせることが分かったと思います。

エッジでのAI利用でも組み合わせや用途によっては、十分に活用できる可能性がありますので、それぞれの利用シーンに応じた検討を実施して行って頂けたらと思います。

参考リンク

• Moondream 公式サイト: https://moondream.ai
• Moondream GitHub: https://github.com/vikhyat/moondream
• Qwen2.5-1.5B-Instruct (Hugging Face 公式モデルカード): https://huggingface.co/Qwen/Qwen2.5-1.5B-Instruct
• Qwen2.5 (Ollama ライブラリ): https://ollama.com/library/qwen2.5
• Ollama 公式サイト: https://ollama.com