Erstellen Sie einen von KI unterstützten Kochassistenten mit LLaMA 3.2 Vision

Erstellen eines KI-gestützten Kochassistenten mit LLaMA 3.2 Vision

Hallo! Hier ist Tommy wieder, und ich freue mich, Sie auf eine aufregende Reise mitzunehmen, auf der wir einen praktischen KI-gestützten Kochassistenten erstellen werden. In diesem Tutorial werden wir LLaMA 3.2 Vision nutzen, ein leistungsstarkes KI-Modell von Meta, um Bilder von Zutaten zu analysieren und in Echtzeit Rezeptvorschläge zu machen. Mit der Hilfe von Groq Cloud für effiziente KI-Verarbeitung und Streamlit zur Erstellung einer interaktiven Benutzeroberfläche werden Sie am Ende dieses Tutorials eine funktionale App erstellen können.

Egal, ob Sie ein Anfänger in der KI sind oder einfach neugierig, wie maschinelles Lernen unsere Küchenerlebnisse verbessern kann, dieses Tutorial gibt Ihnen ein praktisches Verständnis dieser Werkzeuge, während wir es einfach und praktisch halten.

Lasst uns kochen!

Einrichten Ihrer Conda-Umgebung

Bevor wir in den Code eintauchen, lassen Sie uns Ihre Umgebung mit Conda vorbereiten, einem beliebten Paket- und Umgebungsmanager für Python. Wir werden eine spezielle Umgebung einrichten, um alles organisiert zu halten.

Schritte zum Einrichten der Conda-Umgebung:

1. Installieren Sie Conda: Wenn Sie Conda nicht installiert haben, laden Sie es von der offiziellen Website herunter und installieren Sie es.
2. Erstellen Sie eine neue Conda-Umgebung: Sobald Conda installiert ist, öffnen Sie Ihr Terminal oder die Eingabeaufforderung und führen Sie aus:

   conda create --name cooking-assistant python=3.11

   Dies erstellt eine neue Umgebung namens cooking-assistant mit Python 3.11.
3. Aktivieren Sie die Umgebung:

   conda activate cooking-assistant

4. Installieren Sie die erforderlichen Pakete: Lassen Sie uns nun die notwendigen Python-Pakete installieren:

   pip install groq streamlit python-dotenv

Erstellen der Hauptanwendungsdatei

N als Nächstes erstellen Sie eine Datei mit dem Namen main.py, in der wir die Kernlogik unseres KI-gestützten Kochassistenten schreiben werden. Diese Datei wird das Hochladen von Bildern, das Senden an die Groq Cloud API zur Analyse und das Anzeigen der Ergebnisse in einer einfachen Schnittstelle, die mit Streamlit erstellt wurde, übernehmen.

Initialisierung des Groq-Clients für die Bildanalyse

Wir beginnen mit der Einrichtung des Groq-Clients. Dieser Client ermöglicht es uns, mit dem LLaMA 3.2 Vision-Modell zu interagieren, das die von den Benutzern hochgeladenen Bilder von Zutaten analysiert.

Code:

Erklärung:

• dotenv: Wir verwenden dotenv, um unsere API-Schlüssel sicher zu verwalten. Die .env-Datei sollte den Groq API-Schlüssel enthalten.
• Groq Client: Der Groq-Client wird mit dem API-Schlüssel initialisiert, der es uns ermöglicht, mit dem LLaMA 3.2 Vision-Modell zu interagieren.

Analyse von Zutaten mit LLaMA 3.2 Vision

Sobald der Groq-Client eingerichtet ist, benötigen wir eine Funktion, um die Bilddaten an das LLaMA 3.2 Vision-Modell zur Analyse zu senden.

Code:

Erklärung:

• Base64-Kodierung: Wir konvertieren das Bild in das Base64-Format, das für das Senden der Bilddaten über die API erforderlich ist.
• Groq API-Call: Wir senden das Bild an das LLaMA 3.2 Vision-Modell 11b, um die Zutaten zu identifizieren.

Rezeptvorschläge basierend auf identifizierten Zutaten

Sobald die Zutaten identifiziert sind, können wir LLaMA 3.2 bitten, Rezepte unter Verwendung dieser Zutaten vorzuschlagen. Dies geschieht mit einem weiteren Groq-API-Aufruf.

Code:

Erklärung:

• Rezeptvorschlag: Die identifizierten Zutaten werden an das LLaMA 3.2 Textmodell gesendet, um Rezeptvorschläge zu generieren.

Erstellen der Streamlit-Oberfläche

Jetzt, da die Kernfunktionalität vorhanden ist, lassen Sie uns die Streamlit-Oberfläche erstellen, über die wir Bilder hochladen und die Zutatenidentifikation sowie Rezeptvorschläge erhalten können.

Erklärung:

• Datei-Uploader: Wir können ein oder mehrere Bilder hochladen.
• Bildverarbeitung: Für jedes hochgeladene Bild analysieren wir es und zeigen die identifizierten Zutaten an.
• Rezeptvorschlag: Sobald alle Zutaten identifiziert sind, schlägt das LLaMA 3.2-Modell ein Rezept vor.

Ausführen der Anwendung

Jetzt, da alles eingerichtet ist, können Sie Ihre App ausführen. Stellen Sie im Terminal sicher, dass Sie sich im selben Verzeichnis wie main.py befinden, und führen Sie den folgenden Befehl aus:

streamlit run main.py

Sobald die App läuft, können Sie Bilder hochladen, die identifizierten Zutaten anzeigen und Rezeptvorschläge in Echtzeit sehen!

Was kommt als Nächstes?

• Erforschen Sie andere Modelle: Experimentieren Sie mit verschiedenen LLaMA 3.2-Modellen, die auf Groq Cloud verfügbar sind.
• Funktionalität erweitern: Fügen Sie Funktionen wie das Speichern von Lieblingsrezepten hinzu oder verbessern Sie den Prozess der Zutatenidentifikation.
• Setzen Sie Ihre App ein: Ziehen Sie in Betracht, Ihre App auf einer Cloud-Plattform wie Heroku oder Streamlit Cloud einzusetzen, um sie mit anderen zu teilen.

Abschluss

In diesem Tutorial haben wir einen KI-gestützten Kochassistenten erstellt, der das LLaMA 3.2 Vision-Modell über Groq Cloud verwendet, um Bilder von Zutaten zu analysieren und Rezepte vorzuschlagen. Wir haben auch eine benutzerfreundliche Oberfläche mit Streamlit erstellt, die es Benutzern ermöglicht, Bilder hochzuladen und in Echtzeit mit der KI zu interagieren.

Jetzt, da Sie gesehen haben, wie man Vision-Modelle mit einer Weboberfläche integriert, können Sie den Assistenten weiter verbessern, indem Sie weitere Funktionen hinzufügen oder die Genauigkeit verbessern. Dieses Projekt zeigt, wie KI nahtlos in Alltagsanwendungen integriert werden kann und nützliche, praktische Lösungen bietet.

Viel Spaß beim Programmieren und Kochen!