FastVLM – Descripción automática de imágenes (Docker + Streamlit)

Este proyecto permite ejecutar el modelo FastVLM-0.5B de Apple en local, sin necesidad de Internet durante la inferencia, gracias a la descarga previa del modelo dentro de la imagen Docker.

Ofrece una interfaz web mediante Streamlit en la que se puede subir una imagen y obtener una descripción automática utilizando Transformers.

Características

• Ejecución de FastVLM-0.5B completamente local
• Interfaz web con Streamlit
• Implementación en contenedor Docker
• Soporte opcional para GPU NVIDIA
• Funcionamiento sin acceso a Hugging Face en tiempo de ejecución (local_files_only=True)
• Modelo descargado y almacenado dentro de la imagen (/app/models/FastVLM-0.5B)

Estructura del proyecto

fastvlm/
├─ app.py
├─ Dockerfile
├─ docker-compose.yml
├─ requirements.txt
└─ README.md

Requisitos

Software necesario:

• Docker
• Docker Compose

Opcional GPU NVIDIA:

• Drivers NVIDIA instalados
• nvidia-container-toolkit configurado

Instalación

1. Construcción de la imagen Docker

La primera vez es necesario acceso a Internet porque se descargará el modelo desde Hugging Face:

docker compose build --no-cache

2. Ejecución del servicio

docker compose up

3. Acceso a la aplicación

Abrir en el navegador:

http://localhost:8501

Subir una imagen JPG o PNG y el modelo devolverá una descripción en español.

Rendimiento esperado

Entorno	Observación
GPU NVIDIA RTX 3060 o superior	Recomendado
CPU	Funciona pero con latencias elevadas

Referencias

• Modelo: https://huggingface.co/apple/FastVLM-0.5B
• Documentación Streamlit: https://docs.streamlit.io/
• Documentación Hugging Face Hub: https://huggingface.co/docs/hub

Licencia

Este proyecto utiliza el modelo FastVLM bajo licencia apple-amlr. Revisar la licencia completa en:

https://huggingface.co/apple/FastVLM-0.5B