テキストだけじゃない？ 画像データも理解できる「VLM」（視覚言語モデル）を導入する方法：“超”初心者向けローカルAI「gpt-oss」導入ガイド（4）（2/4 ページ）

本連載ではローカルLLMの導入方法から活用方法に至るまで、「手元にハイエンドPCがあって、生成AIをローカル環境で動かしてみたい」という初心者の方にも分かりやすく連載で解説する。

[Yukito KATO，ITmedia]

gemma-3-12bで画像認識機能を試す

　gemma-3-12bは添付された写真の内容を認識し、入力されたプロンプトを元に処理が可能なモデルだ。LM Studioと組み合わせることで、初心者でも簡単に画像データを使ったLLMの利用が実現できる優れものだ。

　gpt-oss-20bと比べてパラメーター数が少ないため、より高速なテキスト生成が期待できるが、iPhoneで撮影した画像を読み込んでから、処理するまでの時間がどれほどかかるか気になるので、実際に筆者が撮影した写真を用いて試してみた。これが参考になれば幸いだ。

撮影した写真に何が写っているか聞いてみた

　それでは早速、gemma-3-12bを読み込んだLM Studioに、筆者が先日に土合駅（群馬県みなかみ町）で撮影してきた写真を添付し、「この写真は日本で撮影されたのですが、何が写っているか教えてください」というプロンプトを実行してみた。

土合駅の地上ホームで撮影した写真には、レールの一部だけが写っているが果たして正常に認識できるのだろうか……？

　gemma-3-12bを読み込んだ状態のLM Studioを見てみると、gpt-oss-20bを読み込んだ際に表示されなかった写真アイコンが表示されているので、こちらをクリックしよう。

gpt-oss-20bを読み込んだ際には表示されていなかった写真アイコンが表示されている

　するとプロンプト入力欄に画像のサムネイルが表示される。添付した画像について何を聞きたいのか、プロンプト入力欄に入力して「↑」アイコンをクリックし、プロンプトを実行しよう。

　なお、例では「この写真は日本で撮影されたのですが、何が写っているか教えてください」と入力している。

ロンプト入力欄に先ほど指定した画像ファイルのサムネイルが表示されていることが分かる

　プロンプトを実行すると、下記の通り回答が生成される。少ししか写っていないレールもしっかりと認識している。さらにホームの背景の自然を認識した上で「日本のローカル線の駅のホーム」と回答が得られた。

この写真は日本のローカル線の駅のホームです。

特徴としては、以下のような点が挙げられます。

• 線路とホーム：線路の横に黄色い点字ブロックが設置されているのが見えます。
• 架線柱：電車を動かすための架線を取り付ける柱があります。
• 自然豊かな風景：ホームの背景には緑豊かな山々が広がっており、日本の地方にある駅であることが分かります。

これらの要素から、この写真は日本で撮影されたローカル線の駅のホームであると判断できます。

少ししか写っていないレールや、風景の様子を正確に認識した上で回答を生成していることが分かる

　なおiPhoneで写真を撮影すると、初期設定ではJPG形式ではなく圧縮率の高いHEIC形式で保存される。

　今回はHEIC形式のままLM Studioに添付した場合と、PCでJPGに変換した場合とで、それぞれ回答が生成されるまでの時間を測定してみた。結果は以下の通りだ。

ファイル形式	画像の読み込みにかかった時間	回答が生成されるまでにかかった時間
HEIC形式	約41秒	約2秒
JPG形式	約9秒	約2秒

　HEIC形式のままでもLM Studioで取り扱えるが、ファイルを開くまでにかなりの時間を要する。もし利用するのであれば事前にJPG形式にPCで変換しておく方が無難だろう。