ollama 部署教程（window、linux）

目录

一、官网

二、安装方式一：window10版本下载

三、安装方式二：linux版本docker

四、 模型库

五、运行模型

六、API服务

七、python调用

ollama库调用

langchain调用

requests调用

aiohttp调用

八、模型添加方式

1.线上pull

2.导入 GGUF 模型文件

3.导入 safetensors 模型文件

九、部署Open WebUI

---

一、官网

在 macOS 上下载 Ollama - Ollama 中文

二、安装方式一：window10版本下载

安装完成没有提示。 接下来配置环境变量！

Ollama的安装过程，与安装其他普通软件并没有什么两样，安装完成之后，有几个常用的系统环境变量参数建议进行设置：

1. OLLAMA_MODELS：模型文件存放目录，默认目录为当前用户目录(Windows 目录：C:\Users%username%.ollama\models，MacOS 目录：~/.ollama/models，Linux 目录：/usr/share/ollama/.ollama/models)，如果是 Windows 系统建议修改(如：D:\OllamaModels)，避免 C 盘空间吃紧
2. OLLAMA_HOST：Ollama 服务监听的网络地址，默认为127.0.0.1，如果允许其他电脑访问 Ollama(如：局域网中的其他电脑)，建议设置成0.0.0.0，从而允许其他网络访问
3. OLLAMA_PORT：Ollama 服务监听的默认端口，默认为11434，如果端口有冲突，可以修改设置成其他端口(如：8080等)
4. OLLAMA_ORIGINS：HTTP 客户端请求来源，半角逗号分隔列表，若本地使用无严格要求，可以设置成星号，代表不受限制
5. OLLAMA_KEEP_ALIVE：大模型加载到内存中后的存活时间，默认为5m即 5 分钟(如：纯数字如 300 代表 300 秒，0 代表处理请求响应后立即卸载模型，任何负数则表示一直存活)；我们可设置成24h，即模型在内存中保持 24 小时，提高访问速度
6. OLLAMA_NUM_PARALLEL：请求处理并发数量，默认为1，即单并发串行处理请求，可根据实际情况进行调整
7. OLLAMA_MAX_QUEUE：请求队列长度，默认值为512，可以根据情况设置，超过队列长度请求被抛弃
8. OLLAMA_DEBUG：输出 Debug 日志标识，应用研发阶段可以设置成1，即输出详细日志信息，便于排查问题
9. OLLAMA_MAX_LOADED_MODELS：最多同时加载到内存中模型的数量，默认为1，即只能有 1 个模型在内存中

看看是不是已经启动了ollama。右下角图标如下

如果没有，则去打开一下

黑窗口查看一下 版本

浏览器查看一下API服务: 127.0.0.1:11434

**如果出现连接不上，则检查一下环境变量是不是配错了，是不是没有E盘(如果你照抄)。 **

运行一个0.5b的qwen模型

登录后复制

ollama run qwen2:0.5b

看看API访问情况：

提问：

**对话： **

① system 代表系统设定(也就是告诉chatGPT他的角色)

② user 表示用户

③ assistant 表示GPT的回复

三、安装方式二：linux版本docker

Olama现已作为官方Docker镜像提供 · Olama博客 - Ollama 中文

登录后复制

docker run -d -v /home/ollama:/root/.ollama -p 11435:11434 --name ollama ollama/ollama

主机的/home/ollama文件夹映射到容器的/root/.ollama文件夹

主机的11435端口映射到容器的11434端口

进入容器内部：

登录后复制

docker exec -it ollama /bin/bash

查看ollama执行

登录后复制

ollama

ollama serve # 启动ollama
ollama create # 从模型文件创建模型
ollama show # 显示模型信息
ollama run # 运行模型，会先自动下载模型
ollama pull # 从注册仓库中拉取模型
ollama push # 将模型推送到注册仓库
ollama list # 列出已下载模型
ollama ps # 列出正在运行的模型
ollama cp # 复制模型
ollama rm # 删除模型

登录后复制

# 本地模型列表
>ollama list
NAME            ID              SIZE    MODIFIED
gemma2:9b       c19987e1e6e2    5.4 GB  7 days ago
qwen2:7b        e0d4e1163c58    4.4 GB  10 days ago

登录后复制

# 删除单个模型
>ollama rm gemma2:9b
deleted 'gemma2:9b'

>ollama list
NAME            ID              SIZE    MODIFIED
qwen2:7b        e0d4e1163c58    4.4 GB  10 days ago

登录后复制

# 启动本地模型
>ollama run qwen2:0.5b
>>>

登录后复制

# 运行中模型列表
>ollama ps
NAME            ID              SIZE    PROCESSOR       UNTIL
qwen2:0.5b      6f48b936a09f    693 MB  100% CPU        4 minutes from now

登录后复制

# 复制本地大模型：ollama cp 本地存在的模型名 新复制模型名
>ollama cp qwen2:0.5b Qwen2-0.5B
copied 'qwen2:0.5b' to 'Qwen2-0.5B'

>ollama list
NAME                    ID              SIZE    MODIFIED
Qwen2-0.5B:latest       6f48b936a09f    352 MB  4 seconds ago
qwen2:0.5b              6f48b936a09f    352 MB  29 minutes ago
qwen2:7b                e0d4e1163c58    4.4 GB  10 days ago

四、 模型库

library (ollama.com)

五、运行模型

模型要求

这里我们运行一个要求最小的0.5B的qwen模型。

注意这是在容器内部运行的：

登录后复制

ollama run qwen2:0.5b

登录后复制

root@535ec4243693:/# ollama run qwen2:0.5b
pulling manifest 
pulling 8de95da68dc4... 100% ▕████████████████████████████████████▏ 352 MB                         
pulling 62fbfd9ed093... 100% ▕████████████████████████████████████▏  182 B                         
pulling c156170b718e... 100% ▕████████████████████████████████████▏  11 KB                         
pulling f02dd72bb242... 100% ▕████████████████████████████████████▏   59 B                         
pulling 2184ab82477b... 100% ▕████████████████████████████████████▏  488 B                         
verifying sha256 digest 
writing manifest 
removing any unused layers 
success 
>>> 你是谁
我是来自阿里云的超大规模语言模型——通义千问。我能够理解、生产、传播各种语言和文字，可以回答您在任
何语言或任何问题的问题。

>>> Send a message (/? for help)

六、API服务

文档地址:

• model：(必需) 模型名称
• prompt：生成响应的提示
• suffix：模型响应后的文本
• images：(可选)base64 编码图像列表(对于多模态模型，例如llava)

高级参数(可选)：

• format：返回响应的格式。目前唯一接受的值是json
• options： Modelfile 文档中列出的其他模型参数，例如temperature
• system：系统消息更改为(覆盖Modelfile)
• template：要使用的提示模板(覆盖Modelfile)
• context：从上一个请求返回的 context 参数 to ，这可用于保持较短的对话记忆/generate
• stream：如果响应将作为单个响应对象返回，而不是对象流false
• raw：如果没有格式将应用于提示。如果您在对 API 的请求中指定了完整的模板化提示，则可以选择使用该参数true``````raw
• keep_alive：控制模型在请求后加载到内存中的时间(默认值：5m)

登录后复制

curl --location --request POST 'http://127.0.0.1:11435/api/generate' \
--header 'User-Agent: Apifox/1.0.0 (https://apifox.com)' \
--header 'Content-Type: application/json' \
--data-raw '{
    "model": "qwen2:0.5b",
    "prompt": "你知道麦克斯韦吗"
}'

登录后复制

curl --location --request POST 'http://127.0.0.1:11435/api/chat' \
--header 'User-Agent: Apifox/1.0.0 (https://apifox.com)' \
--header 'Content-Type: application/json' \
--data-raw '{
    "model": "qwen2:0.5b",
    "messages": [
        {
            "role": "system",
            "content": "你是一个历史专家"
        },
        {
            "role": "user",
            "content": "东北三省是哪三个?"
        },
        {
            "role": "assistant",
            "content": "东北三省是指中国东北地区(不含内蒙古)。它包括吉林省的延边朝鲜族自治州、黑龙江省的黑河市和哈尔滨市，以及辽宁省的抚顺市、本溪市、丹东市。其中，延边州包括临山子、龙沙等13个县市。"
        },
        {
            "role": "user",
            "content": "张作霖的势力是在这里兴起的吗"
        }
    ],
    "stream": false
}'

① system 代表系统设定(也就是告诉chatGPT他的角色)

② user 表示用户

③ assistant 表示 GPT的回复

API访问会激活模型，经过

**keep_alive的时间内(默认5m)如果没有访问，则会自动下线模型。当再次有API访问，则会再次自动激活模型。**

**如果keep_alive的值为零0，则是主动将模型下线**。比如：

登录后复制

curl http://localhost:11434/api/chat -d '{
  "model": "llama3.1",
  "messages": [],
  "keep_alive": 0
}'

七、python调用

• temperature：用于调整生成结果的创造性程度，设置越高，生成的文本越新颖、越独特，设置越低，结果更集中。
• stream：默认false,是否流式传输回部分进度。
• format: 转录输出的格式，可选项包括json、str等。

ollama库调用

登录后复制

pip install ollama

登录后复制

import ollama

host = "127.0.0.1"
port = "11434"
client = ollama.Client(host=f"http://{host}:{port}")
res = client.chat(model="qwen2:0.5b",
                  messages=[{"role": "user", "content": "你是谁"}],
                  options={"temperature": 0})

print(res)

langchain调用

登录后复制

pip install langchain
pip install langchain_community

登录后复制

from langchain_community.llms import Ollama
host="127.0.0.1"
port="11434" #默认的端口号为11434
llm=Ollama(base_url=f"http://{host}:{port}", model="qwen2:0.5b",temperature=0)
res=llm.invoke("你是谁")
print(res)

requests调用

登录后复制

pip install requests

登录后复制

host="127.0.0.1"
port="11434"
url = f"http://{host}:{port}/api/chat"
model = "qwen2:0.5b"
headers = {"Content-Type": "application/json"}
data = {
        "model": model, #模型选择
        "options": {
            "temperature": 0.  #为0表示不让模型自由发挥，输出结果相对较固定，>0的话，输出的结果会比较放飞自我
         },
        "stream": False, #流式输出
        "messages": [{
            "role": "system",
            "content":"你是谁？"
        }] #对话列表
    }
response=requests.post(url,json=data,headers=headers,timeout=60)
res=response.json()
print(res)

aiohttp调用

登录后复制

pip install aiohttp

Welcome to AIOHTTP — aiohttp 3.10.5 documentation

登录后复制

import asyncio
import json
import aiohttp

host = "127.0.0.1"
port = "11434"
url = f"http://{host}:{port}/api/chat"

headers = {
    'Content-Type': 'application/json'
}

payload = json.dumps({
    "model": "qwen2:0.5b",
    "options": {
        "temperature": 0.  # 为0表示不让模型自由发挥，输出结果相对较固定，>0的话，输出的结果会比较放飞自我
    },
    "messages": [
        {"role": "system", "content": "你是一个历史砖家，专门胡说八道，混淆历史"},
        {"role": "user", "content": "吕雉和吕不韦是啥关系？汉朝是大秦帝国的延续吗？"}
    ],
    "stream": False
})

async def main():
    start_time = asyncio.get_event_loop().time()
    async with aiohttp.ClientSession() as session:
        try:
            async with session.post(url, headers=headers, data=payload, timeout=60) as response:
                if response.status == 200:
                    data = await response.text()
                    print(data)
                    end_time = asyncio.get_event_loop().time()
                    elapsed_time = end_time - start_time
        except asyncio.TimeoutError:
            print("请求超时了")

        finally:
            print(f"耗时：0.0570秒")

if __name__ == '__main__':
    asyncio.run(main())

八、模型添加方式

1.线上pull(推荐)

即上述教程采用的方式。

2.导入 GGUF 模型文件(推荐)

windows示例:

①.下载模型

从 HF 或者 ModeScope 下载了 GGUF 文件：qwen2-0_5b-instruct-q4_0.gguf

②.上传文件

新建一个文件夹来存放GGUF文件，例如我存放在E:\huggingface_models\qwen2-05b-q4中，在GGUF文件的同级，创建一个文件名为Modelfile的文件，该文件的内容如下：

登录后复制

FROM ./qwen2-0_5b-instruct-q4_0.gguf

③.导入模型

打开Modelfile所在文件夹下打开终端，执行命令导入模型文件：

登录后复制

ollama create 模型名称 -f ./Modelfile

登录后复制

ollama create qwen2-05b-q4 -f ./Modelfile

④.查看模型

导入成功之后，我们就可以通过

list

命名，看到名为qwen2-05b-q4的本地模型了，后续可以和其他模型一样进行管理了。

⑤.运行模型

登录后复制

ollama run qwen2-05b-q4:latest

Linux示例：

①.在主机的/home/ollama文件夹下新建huggingface_models文件夹，

②.再在huggingface_models文件夹下新建qwen2-05b-q4文件夹。

③.将模型文件和Modelfile上传到上一步创建的qwen2-05b-q4文件夹中。

登录后复制

/home/ollama/huggingface_models/qwen2-05b-q4

④.进入ollama容器

登录后复制

docker exec -it ollama bash

⑤.cd 到映射的文件夹中

登录后复制

cd /root/.ollama/huggingface_models/qwen2-05b-q4

⑥. 执行导入模型命令

登录后复制

ollama create qwen2-05b-q4 -f ./Modelfile

⑦.查看导入的模型

登录后复制

ollama list

⑧.运行模型

登录后复制

ollama run qwen2-05b-q4:latest

3.导入 safetensors 模型文件(多了一个将safetensors转换成gguf文件的过程)

示例：

①.下载模型文件

从 HF 或者 ModeScope 下载了 safetensors 文件

https://huggingface.co/Qwen/Qwen2.5-0.5B/tree/main

将模型所有文件上传到linux

在linux上新建一个文件夹huggingface_safetensors_models，再在里面新建一个文件夹qwen2-05b-q4，然后将模型所有文件上传进去

②.克隆ollama/ollama项目

git克隆，并设置python环境，最好是虚拟环境，防止依赖版本与其他项目冲突。可能会有类似下面的错误。博主使用的是conda，以此为例：

ollama/ollama: Get up and running with Llama 3.1, Mistral, Gemma 2, and other large language models. (github.com)

登录后复制

git clone [email protected]:ollama/ollama.git ollama

进入项目中

登录后复制

cd ollama

紧接着，同步 llm/llama.cpp 子模块

登录后复制

git submodule init
git submodule update llm/llama.cpp

③.设置环境

创建一个虚拟环境

登录后复制

conda create -n ollama python=3.11

激活虚拟环境

登录后复制

conda activate ollama

④.安装依赖

进入项目目录

登录后复制

cd /home/ollama/ollama

执行安装命令

登录后复制

pip install -r llm/llama.cpp/requirements.txt

如果报错，就多装几次，可能网络时间太长断开了。

④.构建量化工具

如果没有make命令则安装一个make

登录后复制

sudo apt update

登录后复制

sudo apt install make

如果没有

gcc

和

g++

编译器 则需要安装一下

登录后复制

sudo apt update

登录后复制

sudo apt install build-essential

下边这个可选(可以加速)

登录后复制

sudo apt install ccache

构建量化工具

登录后复制

make -C llm/llama.cpp quantize

⑤.模型转换

将 safetensors 转换为 converted.bin格式：

登录后复制

python llm/llama.cpp/convert_hf_to_gguf.py 模型所在文件夹 --outtype f16 --outfile converted.bin

登录后复制

python llm/llama.cpp/convert_hf_to_gguf.py /home/ollama/huggingface_safetensors_models/qwen2-05b-q4 --outtype f16 --outfile converted.bin

注意：某些模型架构需要使用特定的转换脚本。例如，Qwen 模型需要运行

1.outtype 指定了模型的格式，这里是 f16，也就是 float16

2.生成的converted.bin文件在ollama项目的根目录下

⑥.生成llama系列文件

进入llama.cpp文件夹

登录后复制

cd llm/llama.cpp/

执行make命令

登录后复制

make

此时在llama.cpp文件夹下生成了一些列的llama文件，其中有一个llama-quantize是我们需要的。

⑦.量化模型

回到ollama项目目录下

上面转换的事f16，也就是float16，此时的访问速度很慢，我们需要向量化来加快它的计算速度。

这里我们量化成q4，也就是int4:

登录后复制

llm/llama.cpp/llama-quantize converted.bin quantized.bin q4_0

此时在ollama项目的根目录下生成了我们需要的文件：quantized.bin，它与gguf文件作用相同。

⑧.将quantized.bin文件放到我们的平时存放gguf文件的文件夹中：

我们将quantized.bin文件放到我们的平时存放gguf文件的文件夹中，比如我放到了huggingface_models，在huggingface_models中新建了一个文件夹qwen2-05b-q4-s来存放。

登录后复制

cp /home/ollama/ollama/quantized.bin /home/ollama/huggingface_models/qwen2-05b-q4-s/quantized.bin

在 quantized.bin同级新建Modelfile文件，内容如下

登录后复制

FROM quantized.bin

⑨.导入模型文件：

ollama create 模型名称 -f ./Modelfile

进入ollama容器中

登录后复制

docker exec -it ollama bash

进入存放模型的文件夹中

登录后复制

cd /root/.ollama/huggingface_models/qwen2-05b-q4-s

执行命令，创建Ollama模型

登录后复制

ollama create qwen2-05b-q4-s -f ./Modelfile

⑩.查看模型

登录后复制

ollama list

⑪.运行模型

登录后复制

ollama run qwen2-05b-q4-s:latest

九、部署Open WebUI

🏡 Home | Open WebUI