Ollama 是一个用于运行和管理大型语言模型（LLM）的工具。它提供了简单且功能丰富的 API 接口，方便用户与模型交互。以下是 Ollama 的所有 API 及其详细用法。

1. 生成文本 (`/api/generate`)

生成文本是 Ollama 的核心功能，允许用户通过 API 与模型交互。

请求方法

POST

请求 URL

http://localhost:11434/api/generate

请求参数

参数名	类型	是否必填	描述
`model`	string	是	要使用的模型名称（如 `llama2`）。
`prompt`	string	是	输入提示文本。
`stream`	bool	否	是否启用流式输出（默认 `false`）。
`max_tokens`	int	否	生成文本的最大 token 数量（默认无限制）。
`temperature`	float	否	控制生成文本的随机性（默认 `1.0`，范围 `0.0` 到 `2.0`）。
`top_p`	float	否	控制生成文本的多样性（默认 `1.0`，范围 `0.0` 到 `1.0`）。
`stop`	string	否	生成文本的停止条件（如 `\n`）。

示例请求

curl http://localhost:11434/api/generate -d '{
  "model": "llama2",
  "prompt": "Hello, how are you?",
  "stream": false,
  "max_tokens": 50,
  "temperature": 0.7
}'

响应示例

{
  "response": "I'm fine, thank you! How can I assist you today?",
  "done": true
}

2. 列出可用模型 (`/api/tags`)

获取当前系统中所有可用的模型列表。

请求方法

GET

请求 URL

http://localhost:11434/api/tags

示例请求

curl http://localhost:11434/api/tags

响应示例

{
  "models": [
    {
      "name": "llama2",
      "size": "7B",
      "modified_at": "2023-10-01T12:00:00Z"
    },
    {
      "name": "tinyllama",
      "size": "1B",
      "modified_at": "2023-10-01T12:00:00Z"
    }
  ]
}

3. 拉取模型 (`/api/pull`)

从远程仓库拉取指定模型。

请求方法

POST

请求 URL

http://localhost:11434/api/pull

请求参数

参数名	类型	是否必填	描述
`name`	string	是	要拉取的模型名称。
`stream`	bool	否	是否启用流式输出（默认 `false`）。

示例请求

curl http://localhost:11434/api/pull -d '{
  "name": "llama2",
  "stream": false
}'

响应示例

json

{
  "status": "success",
  "message": "Model 'llama2' pulled successfully."
}

4. 删除模型 (`/api/delete`)

删除本地存储的指定模型。

请求方法

DELETE

请求 URL

http://localhost:11434/api/delete

请求参数

参数名	类型	是否必填	描述
`name`	string	是	要删除的模型名称。

示例请求

bash

curl -X DELETE http://localhost:11434/api/delete -d '{
  "name": "llama2"
}'

响应示例

json

{
  "status": "success",
  "message": "Model 'llama2' deleted successfully."
}

5. 获取模型信息 (`/api/show`)

获取指定模型的详细信息。

请求方法

POST

请求 URL

http://localhost:11434/api/show

请求参数

参数名	类型	是否必填	描述
`name`	string	是	要查询的模型名称。

示例请求

bash

curl http://localhost:11434/api/show -d '{
  "name": "llama2"
}'

响应示例

json

{
  "name": "llama2",
  "size": "7B",
  "modified_at": "2023-10-01T12:00:00Z",
  "details": {
    "architecture": "Transformer",
    "license": "Apache 2.0"
  }
}

6. 流式生成文本 (`/api/generate` with `stream=true`)

启用流式输出，实时获取生成的文本。

请求方法

POST

请求 URL

http://localhost:11434/api/generate

请求参数

参数名	类型	是否必填	描述
`model`	string	是	要使用的模型名称。
`prompt`	string	是	输入提示文本。
`stream`	bool	是	必须设置为 `true`。
`max_tokens`	int	否	生成文本的最大 token 数量（默认无限制）。
`temperature`	float	否	控制生成文本的随机性（默认 `1.0`，范围 `0.0` 到 `2.0`）。
`top_p`	float	否	控制生成文本的多样性（默认 `1.0`，范围 `0.0` 到 `1.0`）。
`stop`	string	否	生成文本的停止条件（如 `\n`）。

示例请求

bash

curl http://localhost:11434/api/generate -d '{
  "model": "llama2",
  "prompt": "Hello, how are you?",
  "stream": true
}'

响应示例

json

{
  "response": "I'm fine, thank you!",
  "done": false
}
{
  "response": " How can I assist you today?",
  "done": true
}

7. 检查服务状态 (`/api/health`)

检查 Ollama 服务是否正常运行。

请求方法

GET

请求 URL

http://localhost:11434/api/health

示例请求

bash

curl http://localhost:11434/api/health

响应示例

json

{
  "status": "healthy"
}

8. 停止生成 (`/api/cancel`)

停止正在进行的生成任务。

请求方法

POST

请求 URL

http://localhost:11434/api/cancel

示例请求

bash

curl -X POST http://localhost:11434/api/cancel

响应示例

json

{
  "status": "success",
  "message": "Generation task canceled."
}

9. 获取版本信息 (`/api/version`)

获取 Ollama 的版本信息。

请求方法

GET

请求 URL

http://localhost:11434/api/version

示例请求

bash

curl http://localhost:11434/api/version

响应示例

json

{
  "version": "0.1.0",
  "build_date": "2023-10-01T12:00:00Z"
}

10. 重启服务 (`/api/restart`)

重启 Ollama 服务。

请求方法

POST

请求 URL

http://localhost:11434/api/restart

示例请求

bash

curl -X POST http://localhost:11434/api/restart

响应示例

json

{
  "status": "success",
  "message": "Ollama service restarted."
}

11. 获取模型配置 (`/api/config`)

获取当前模型的配置信息。

请求方法

GET

请求 URL

http://localhost:11434/api/config

示例请求

bash

curl http://localhost:11434/api/config

响应示例

json

{
  "model": "llama2",
  "temperature": 0.7,
  "max_tokens": 100
}

12. 更新模型配置 (`/api/config`)

更新当前模型的配置信息。

请求方法

POST

请求 URL

http://localhost:11434/api/config

请求参数

参数名	类型	是否必填	描述
`model`	string	否	要更新的模型名称。
`temperature`	float	否	控制生成文本的随机性（默认 `1.0`，范围 `0.0` 到 `2.0`）。
`max_tokens`	int	否	生成文本的最大 token 数量（默认无限制）。
`top_p`	float	否	控制生成文本的多样性（默认 `1.0`，范围 `0.0` 到 `1.0`）。

示例请求

bash

curl -X POST http://localhost:11434/api/config -d '{
  "temperature": 0.8,
  "max_tokens": 200
}'

响应示例

json

{
  "status": "success",
  "message": "Model configuration updated."
}

总结

以上是 Ollama 的所有 API 及其详细用法。通过这些 API，您可以轻松地管理模型、生成文本并与 Ollama 服务交互。

2.Ollama API进行模型推理

1. 启动 Ollama 服务

确保 Ollama 服务已启动并运行在 localhost:11434。如果未启动，可以使用以下命令启动：

bash

ollama serve

2. 使用 `/api/generate` 进行推理

/api/generate 是 Ollama 的核心 API，用于生成文本。

请求方法

POST

请求 URL

http://localhost:11434/api/generate

请求参数

参数名	类型	是否必填	描述
`model`	string	是	要使用的模型名称（如 `llama2`）。
`prompt`	string	是	输入提示文本。
`stream`	bool	否	是否启用流式输出（默认 `false`）。
`max_tokens`	int	否	生成文本的最大 token 数量（默认无限制）。
`temperature`	float	否	控制生成文本的随机性（默认 `1.0`，范围 `0.0` 到 `2.0`）。
`top_p`	float	否	控制生成文本的多样性（默认 `1.0`，范围 `0.0` 到 `1.0`）。
`stop`	string	否	生成文本的停止条件（如 `\n`）。

示例请求

使用 curl 进行请求：

bash

curl http://localhost:11434/api/generate -d '{
  "model": "llama2",
  "prompt": "Hello, how are you?",
  "stream": false,
  "max_tokens": 50,
  "temperature": 0.7
}'

响应示例

json

{
  "response": "I'm fine, thank you! How can I assist you today?",
  "done": true
}

3. 使用 `/api/generate` 进行流式推理

如果需要实时获取生成的文本，可以启用流式输出。

示例请求

bash

curl http://localhost:11434/api/generate -d '{
  "model": "llama2",
  "prompt": "Hello, how are you?",
  "stream": true
}'

响应示例

json

{
  "response": "I'm fine, thank you!",
  "done": false
}
{
  "response": " How can I assist you today?",
  "done": true
}

4. 使用 Python 进行推理

以下是使用 Python 调用 Ollama API 的示例代码。

安装依赖

bash

pip install requests

示例代码

python

import requests

url = "http://localhost:11434/api/generate"
payload = {
    "model": "llama2",
    "prompt": "Hello, how are you?",
    "stream": False,
    "max_tokens": 50,
    "temperature": 0.7
}

response = requests.post(url, json=payload)
if response.status_code == 200:
    result = response.json()
    print("Generated Text:", result["response"])
else:
    print("Error:", response.status_code, response.text)

5. 使用 JavaScript 进行推理

以下是使用 JavaScript 调用 Ollama API 的示例代码。

示例代码

javascript

const fetch = require('node-fetch');

const url = "http://localhost:11434/api/generate";
const payload = {
    model: "llama2",
    prompt: "Hello, how are you?",
    stream: false,
    max_tokens: 50,
    temperature: 0.7
};

fetch(url, {
    method: 'POST',
    headers: { 'Content-Type': 'application/json' },
    body: JSON.stringify(payload)
})
.then(response => response.json())
.then(data => {
    console.log("Generated Text:", data.response);
})
.catch(error => {
    console.error("Error:", error);
});

6. 使用 Docker 进行推理

如果使用 Docker 运行 Ollama，可以通过容器调用 API。

示例请求

bash

docker exec -it ollama curl http://localhost:11434/api/generate -d '{
  "model": "llama2",
  "prompt": "Hello, how are you?",
  "stream": false
}'

3.ollama知识库文件推理

Ollama 本身并不直接支持文件上传和解析（如 PDF、Word 或 Text 文件）。但是，你可以通过以下步骤实现这一功能：

将文件内容提取为文本：使用工具将文件（如 PDF、Word）转换为纯文本。
将文本发送给 Ollama：将提取的文本作为输入，通过 Ollama API 进行推理。

以下是详细步骤和示例代码：

1. 安装文件解析工具

根据文件类型，安装相应的工具来提取文本内容。

PDF 文件

使用 PyPDF2 或 pdfminer.six 提取 PDF 文件内容：

bash

pip install PyPDF2

Word 文件

使用 python-docx 提取 Word 文件内容：

bash

pip install python-docx

Text 文件

直接读取文本文件内容，无需额外工具。

2. 提取文件内容

以下是提取不同文件类型的示例代码。

PDF 文件

python

from PyPDF2 import PdfReader

def extract_text_from_pdf(file_path):
    reader = PdfReader(file_path)
    text = ""
    for page in reader.pages:
        text += page.extract_text()
    return text

pdf_text = extract_text_from_pdf("example.pdf")
print(pdf_text)

Word 文件

python

from docx import Document

def extract_text_from_docx(file_path):
    doc = Document(file_path)
    text = ""
    for paragraph in doc.paragraphs:
        text += paragraph.text + "\n"
    return text

docx_text = extract_text_from_docx("example.docx")
print(docx_text)

Text 文件

python

def extract_text_from_txt(file_path):
    with open(file_path, "r", encoding="utf-8") as file:
        text = file.read()
    return text

txt_text = extract_text_from_txt("example.txt")
print(txt_text)

3. 将文本发送给 Ollama

将提取的文本作为输入，通过 Ollama API 进行推理。

示例代码

python

import requests

# 提取文件内容
file_path = "example.pdf"  # 替换为你的文件路径
if file_path.endswith(".pdf"):
    text = extract_text_from_pdf(file_path)
elif file_path.endswith(".docx"):
    text = extract_text_from_docx(file_path)
elif file_path.endswith(".txt"):
    text = extract_text_from_txt(file_path)
else:
    raise ValueError("Unsupported file format")

# 调用 Ollama API
url = "http://localhost:11434/api/generate"
payload = {
    "model": "llama2",
    "prompt": f"Please summarize the following text:\n{text}",
    "stream": False,
    "max_tokens": 500,
    "temperature": 0.7
}

response = requests.post(url, json=payload)
if response.status_code == 200:
    result = response.json()
    print("Generated Text:", result["response"])
else:
    print("Error:", response.status_code, response.text)

4. 处理大文件

如果文件较大，可以分段提取文本并分批发送给 Ollama。

示例代码

python

def chunk_text(text, max_length=1000):
    return [text[i:i + max_length] for i in range(0, len(text), max_length)]

text_chunks = chunk_text(text)
for chunk in text_chunks:
    payload = {
        "model": "llama2",
        "prompt": f"Please summarize the following text:\n{chunk}",
        "stream": False,
        "max_tokens": 500,
        "temperature": 0.7
    }
    response = requests.post(url, json=payload)
    if response.status_code == 200:
        result = response.json()
        print("Generated Text:", result["response"])
    else:
        print("Error:", response.status_code, response.text)

5. 使用 Docker 运行

如果使用 Docker 运行 Ollama，可以通过容器调用 API。

示例请求

bash

docker exec -it ollama curl http://localhost:11434/api/generate -d '{
  "model": "llama2",
  "prompt": "Please summarize the following text:\n<extracted_text>",
  "stream": false
}'

4.人像图片,生成卡通图片

Ollama 是一个专注于文本生成和推理的工具，它本身并不直接支持图像处理或生成卡通图片的功能。如果你想实现上传人像图片并生成卡通图片，需要使用专门的图像处理工具或模型（如 Stable Diffusion、GANs 等），然后将生成的卡通图片与 Ollama 结合使用。

以下是实现这一功能的完整步骤：

1. 使用图像处理工具生成卡通图片

你可以使用以下工具或模型将人像图片转换为卡通风格：

工具推荐

Stable Diffusion: 一个强大的生成式 AI 模型，支持图像风格转换。
CartoonGAN: 专门用于生成卡通风格图像的 GAN 模型。
OpenCV: 通过图像处理技术实现卡通化效果。
DeepAI: 提供在线卡通化 API。

示例：使用 OpenCV 实现卡通化

以下是一个简单的 Python 示例，使用 OpenCV 将人像图片转换为卡通风格：

python

import cv2

def cartoonize_image(image_path):
    # 读取图片
    image = cv2.imread(image_path)
    
    # 转换为灰度图
    gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
    
    # 使用中值滤波去除噪声
    gray = cv2.medianBlur(gray, 5)
    
    # 使用自适应阈值生成边缘
    edges = cv2.adaptiveThreshold(gray, 255, cv2.ADAPTIVE_THRESH_MEAN_C, cv2.THRESH_BINARY, 9, 9)
    
    # 将图像转换为卡通风格
    color = cv2.bilateralFilter(image, 9, 300, 300)
    cartoon = cv2.bitwise_and(color, color, mask=edges)
    
    # 保存卡通化图片
    output_path = "cartoonized_image.png"
    cv2.imwrite(output_path, cartoon)
    return output_path

# 使用示例
input_image = "portrait.jpg"
cartoon_image = cartoonize_image(input_image)
print(f"Cartoonized image saved to: {cartoon_image}")

2. 将生成的卡通图片与 Ollama 结合

生成卡通图片后，你可以将其路径或描述发送给 Ollama，生成相关的文本描述或故事。

示例：生成卡通图片的描述

python

import requests

# 调用 Ollama API 生成描述
url = "http://localhost:11434/api/generate"
payload = {
    "model": "llama2",
    "prompt": "Describe the following cartoon image:\n",
    "stream": False,
    "max_tokens": 100,
    "temperature": 0.7
}

response = requests.post(url, json=payload)
if response.status_code == 200:
    result = response.json()
    print("Generated Description:", result["response"])
else:
    print("Error:", response.status_code, response.text)

3. 使用 Stable Diffusion 生成卡通图片

如果你希望使用更强大的生成式模型，可以尝试 Stable Diffusion。

示例：使用 Stable Diffusion 生成卡通图片

安装 diffusers 库：

bash

pip install diffusers transformers torch

使用以下代码生成卡通图片：

python

from diffusers import StableDiffusionPipeline
import torch

# 加载模型
model_id = "stabilityai/stable-diffusion-2-1"
pipe = StableDiffusionPipeline.from_pretrained(model_id, torch_dtype=torch.float16)
pipe = pipe.to("cuda")

# 生成卡通图片
prompt = "A cartoon style portrait of a person"
image = pipe(prompt).images[0]

# 保存图片
image.save("cartoon_portrait.png")
print("Cartoon image saved to: cartoon_portrait.png")

4. 使用在线服务生成卡通图片

如果你不想本地运行模型，可以使用在线服务（如 DeepAI 或 Runway ML）生成卡通图片。

示例：使用 DeepAI API

使用以下代码生成卡通图片：

python

import requests

# DeepAI API 配置
api_key = "your-deepai-api-key"
url = "https://api.deepai.org/api/cartoon-generator"
headers = {"api-key": api_key}

# 上传图片并生成卡通图片
with open("portrait.jpg", "rb") as file:
    response = requests.post(url, files={"image": file}, headers=headers)
    if response.status_code == 200:
        result = response.json()
        print("Cartoon image URL:", result["output_url"])
    else:
        print("Error:", response.status_code, response.text)

5. 整合流程

将以上步骤整合为一个完整的流程：

上传人像图片。
使用图像处理工具生成卡通图片。
将卡通图片的描述发送给 Ollama，生成相关的文本。

总结

虽然 Ollama 本身不支持图像处理，但你可以通过结合图像处理工具（如 OpenCV、Stable Diffusion 或 DeepAI）和 Ollama 的文本生成能力，实现上传人像图片并生成卡通图片的功能。

Ollama API 学习

1. 生成文本 (/api/generate)

请求方法

请求 URL

请求参数

示例请求

响应示例

2. 列出可用模型 (/api/tags)

请求方法

请求 URL

示例请求

响应示例

3. 拉取模型 (/api/pull)

请求方法

请求 URL

请求参数

示例请求

响应示例

4. 删除模型 (/api/delete)

请求方法

请求 URL

请求参数

示例请求

响应示例

5. 获取模型信息 (/api/show)

请求方法

请求 URL

请求参数

示例请求

响应示例

6. 流式生成文本 (/api/generate with stream=true)

请求方法

请求 URL

请求参数

示例请求

响应示例

7. 检查服务状态 (/api/health)

请求方法

请求 URL

示例请求

响应示例

8. 停止生成 (/api/cancel)

请求方法

请求 URL

示例请求

响应示例

9. 获取版本信息 (/api/version)

请求方法

请求 URL

示例请求

响应示例

10. 重启服务 (/api/restart)

请求方法

请求 URL

示例请求

响应示例

11. 获取模型配置 (/api/config)

请求方法

请求 URL

示例请求

响应示例

12. 更新模型配置 (/api/config)

请求方法

请求 URL

请求参数

示例请求

响应示例

总结

2.Ollama API进行模型推理

1. 启动 Ollama 服务

2. 使用 /api/generate 进行推理

请求方法

请求 URL

请求参数

示例请求

响应示例

3. 使用 /api/generate 进行流式推理

示例请求

响应示例

4. 使用 Python 进行推理

1. 生成文本 (`/api/generate`)

2. 列出可用模型 (`/api/tags`)

3. 拉取模型 (`/api/pull`)

4. 删除模型 (`/api/delete`)

5. 获取模型信息 (`/api/show`)

6. 流式生成文本 (`/api/generate` with `stream=true`)

7. 检查服务状态 (`/api/health`)

8. 停止生成 (`/api/cancel`)

9. 获取版本信息 (`/api/version`)

10. 重启服务 (`/api/restart`)

11. 获取模型配置 (`/api/config`)

12. 更新模型配置 (`/api/config`)

2. 使用 `/api/generate` 进行推理

3. 使用 `/api/generate` 进行流式推理