Files
rpa_vision_v3/core/detection/ollama_client.py
Dom 928b9e1065 feat: import Excel via chat Léa, suppression nœuds VWB, fix temperature 0.1
- Chat Léa : "importe patients.xlsx" → preview → confirmation → table SQLite
  Bouton 📎 pour upload fichier, "montre les tables", "info table X"
- VWB : suppression nœuds via touche Suppr/Backspace + bouton croix rouge
- Fix : toutes les températures VLM à 0.1 (qwen3-vl bloque à 0.0)
- Fix : capture VWB avec DISPLAY=:1

Co-Authored-By: Claude Opus 4.6 (1M context) <noreply@anthropic.com>
2026-03-17 07:18:51 +01:00

491 lines
18 KiB
Python

"""
OllamaClient - Client pour Vision-Language Models via Ollama
Interface pour communiquer avec des VLM (Qwen, LLaVA, etc.) via Ollama.
"""
import logging
from typing import Dict, List, Optional, Any
import requests
import json
import base64
from pathlib import Path
from PIL import Image
import io
logger = logging.getLogger(__name__)
class OllamaClient:
"""
Client Ollama pour VLM
Permet d'envoyer des images et prompts à un VLM via l'API Ollama.
"""
def __init__(self,
endpoint: str = "http://localhost:11434",
model: str = "qwen3-vl:8b",
timeout: int = 60):
"""
Initialiser le client Ollama
Args:
endpoint: URL de l'API Ollama
model: Nom du modèle VLM à utiliser
timeout: Timeout en secondes
"""
self.endpoint = endpoint.rstrip('/')
self.model = model
self.timeout = timeout
self._check_connection()
def _check_connection(self) -> bool:
"""Vérifier la connexion à Ollama"""
try:
response = requests.get(f"{self.endpoint}/api/tags", timeout=5)
if response.status_code == 200:
models = response.json().get('models', [])
model_names = [m['name'] for m in models]
if self.model not in model_names:
logger.warning(f" Model '{self.model}' not found in Ollama")
logger.info(f"Available models: {model_names}")
return True
except Exception as e:
logger.warning(f" Cannot connect to Ollama at {self.endpoint}: {e}")
return False
return False
def generate(self,
prompt: str,
image_path: Optional[str] = None,
image: Optional[Image.Image] = None,
system_prompt: Optional[str] = None,
temperature: float = 0.1,
max_tokens: int = 500,
force_json: bool = False) -> Dict[str, Any]:
"""
Générer une réponse du VLM via l'API chat d'Ollama.
Note: On utilise /api/chat au lieu de /api/generate car qwen3-vl
avec /api/generate consomme tous les tokens en thinking interne
et retourne une réponse vide. L'API chat gère correctement
le mode /no_think et sépare thinking/réponse.
Args:
prompt: Prompt textuel
image_path: Chemin vers une image (optionnel)
image: Image PIL (optionnel)
system_prompt: Prompt système (optionnel)
temperature: Température de génération
max_tokens: Nombre max de tokens
force_json: Forcer la sortie JSON (non recommandé pour qwen3-vl)
Returns:
Dict avec 'response', 'success', 'error'
"""
try:
# Préparer l'image si fournie
image_data = None
if image_path:
image_data = self._encode_image_from_path(image_path)
elif image:
image_data = self._encode_image_from_pil(image)
# Construire le prompt avec /no_think pour désactiver le thinking
effective_prompt = prompt
if "qwen" in self.model.lower():
# S'assurer que /no_think est présent (pas de doublon)
if "/no_think" not in prompt and "/nothink" not in prompt:
effective_prompt = f"/no_think\n{prompt}"
# Construire le message utilisateur
user_message = {"role": "user", "content": effective_prompt}
if image_data:
user_message["images"] = [image_data]
# Construire les messages
messages = []
if system_prompt:
messages.append({"role": "system", "content": system_prompt})
messages.append(user_message)
payload = {
"model": self.model,
"messages": messages,
"stream": False,
"options": {
"temperature": temperature,
"num_predict": max_tokens,
"num_ctx": 2048,
"top_k": 1
}
}
if force_json:
payload["format"] = "json"
# Envoyer la requête via l'API chat
response = requests.post(
f"{self.endpoint}/api/chat",
json=payload,
timeout=self.timeout
)
if response.status_code == 200:
result = response.json()
content = result.get("message", {}).get("content", "")
return {
"response": content,
"success": True,
"error": None
}
else:
return {
"response": "",
"success": False,
"error": f"HTTP {response.status_code}: {response.text}"
}
except Exception as e:
return {
"response": "",
"success": False,
"error": str(e)
}
def detect_ui_elements(self, image_path: str) -> Dict[str, Any]:
"""
Détecter les éléments UI dans une image
Args:
image_path: Chemin vers le screenshot
Returns:
Dict avec liste d'éléments détectés
"""
prompt = """Analyze this screenshot and list all interactive UI elements you can see.
For each element, provide:
- Type (button, text_input, checkbox, radio, dropdown, tab, link, icon, table_row, menu_item)
- Position (approximate x, y coordinates)
- Label or text content
- Semantic role (primary_action, cancel, submit, form_input, search_field, navigation, settings, close)
Format your response as JSON."""
result = self.generate(prompt, image_path=image_path, temperature=0.1)
if result["success"]:
try:
# Parser la réponse JSON
elements = json.loads(result["response"])
return {"elements": elements, "success": True}
except json.JSONDecodeError:
# Si pas JSON valide, retourner texte brut
return {"elements": [], "success": False, "raw_response": result["response"]}
return {"elements": [], "success": False, "error": result["error"]}
def classify_element_type(self,
element_image: Image.Image,
context: Optional[str] = None) -> Dict[str, Any]:
"""
Classifier le type d'un élément UI
Args:
element_image: Image de l'élément
context: Contexte additionnel
Returns:
Dict avec 'type' et 'confidence'
"""
types_list = "button, text_input, checkbox, radio, dropdown, tab, link, icon, table_row, menu_item"
prompt = f"""What type of UI element is this?
Choose ONLY ONE from: {types_list}
Respond with just the type name, nothing else."""
if context:
prompt += f"\n\nContext: {context}"
result = self.generate(prompt, image=element_image, temperature=0.1)
if result["success"]:
element_type = result["response"].strip().lower()
# Valider que c'est un type connu
valid_types = types_list.split(", ")
if element_type in valid_types:
return {"type": element_type, "confidence": 0.9, "success": True}
else:
# Essayer de trouver le type le plus proche
for vtype in valid_types:
if vtype in element_type:
return {"type": vtype, "confidence": 0.7, "success": True}
return {"type": "unknown", "confidence": 0.0, "success": False}
def classify_element_role(self,
element_image: Image.Image,
element_type: str,
context: Optional[str] = None) -> Dict[str, Any]:
"""
Classifier le rôle sémantique d'un élément
Args:
element_image: Image de l'élément
element_type: Type de l'élément
context: Contexte additionnel
Returns:
Dict avec 'role' et 'confidence'
"""
roles_list = "primary_action, cancel, submit, form_input, search_field, navigation, settings, close, delete, edit, save"
prompt = f"""This is a {element_type}. What is its semantic role or purpose?
Choose ONLY ONE from: {roles_list}
Respond with just the role name, nothing else."""
if context:
prompt += f"\n\nContext: {context}"
result = self.generate(prompt, image=element_image, temperature=0.1)
if result["success"]:
role = result["response"].strip().lower()
# Valider que c'est un rôle connu
valid_roles = roles_list.split(", ")
if role in valid_roles:
return {"role": role, "confidence": 0.9, "success": True}
else:
# Essayer de trouver le rôle le plus proche
for vrole in valid_roles:
if vrole in role:
return {"role": vrole, "confidence": 0.7, "success": True}
return {"role": "unknown", "confidence": 0.0, "success": False}
def extract_text(self, image: Image.Image) -> Dict[str, Any]:
"""
Extraire le texte d'une image
Args:
image: Image PIL
Returns:
Dict avec 'text' extrait
"""
prompt = "Extract all visible text from this image. Return only the text, nothing else."
result = self.generate(prompt, image=image, temperature=0.1)
if result["success"]:
return {"text": result["response"].strip(), "success": True}
return {"text": "", "success": False, "error": result["error"]}
def classify_element_complete(self, element_image: Image.Image) -> Dict[str, Any]:
"""
Classifier complètement un élément UI en UN SEUL appel VLM (optimisé)
Au lieu de 3 appels séparés (type, role, text), cette méthode
fait UN SEUL appel pour obtenir toutes les informations.
Réduction de performance: 3 appels → 1 appel = 66% plus rapide
Args:
element_image: Image PIL de l'élément
Returns:
Dict avec 'type', 'role', 'text', 'confidence', 'success'
"""
# Prompt concis sans system prompt — le system prompt avec qwen3-vl
# augmente considérablement le nombre de tokens de thinking interne,
# causant des réponses vides quand le budget tokens est trop bas.
prompt = """/no_think
Classify this UI element. Reply with ONLY a JSON object, nothing else.
Types: button, text_input, checkbox, radio, dropdown, tab, link, icon, table_row, menu_item
Roles: primary_action, cancel, submit, form_input, search_field, navigation, settings, close, delete, edit, save
Example: {"type": "button", "role": "submit", "text": "OK"}
Your answer:"""
# Note: force_json=False car qwen3-vl ne supporte pas format:json
# temperature=0.1 car qwen3-vl bloque à 0.0 avec des images
# max_tokens=800 car qwen3-vl consomme 300-700 tokens en thinking
# interne même avec /no_think — les images complexes nécessitent
# plus de budget pour que la réponse JSON visible soit complète
result = self.generate(
prompt,
image=element_image,
temperature=0.1,
max_tokens=800,
force_json=False
)
if result["success"]:
try:
# Parser la réponse JSON
response_text = result["response"].strip()
# Nettoyer la réponse si elle contient du markdown
if response_text.startswith("```"):
lines = response_text.split("\n")
response_text = "\n".join([l for l in lines if not l.startswith("```")])
response_text = response_text.strip()
data = json.loads(response_text)
# Valider les valeurs
valid_types = ["button", "text_input", "checkbox", "radio", "dropdown",
"tab", "link", "icon", "table_row", "menu_item"]
valid_roles = ["primary_action", "cancel", "submit", "form_input",
"search_field", "navigation", "settings", "close",
"delete", "edit", "save"]
elem_type = data.get("type", "unknown").lower()
elem_role = data.get("role", "unknown").lower()
elem_text = data.get("text", "")
# Fallback si type/role invalides
if elem_type not in valid_types:
elem_type = "unknown"
if elem_role not in valid_roles:
elem_role = "unknown"
return {
"type": elem_type,
"role": elem_role,
"text": elem_text,
"confidence": 0.85,
"success": True
}
except json.JSONDecodeError as e:
logger.warning(f"JSON parse error in classify_element_complete: {e}")
logger.debug(f"Raw response: {result['response'][:200]}")
return {
"type": "unknown",
"role": "unknown",
"text": "",
"confidence": 0.0,
"success": False,
"error": f"JSON parse error: {e}"
}
return {
"type": "unknown",
"role": "unknown",
"text": "",
"confidence": 0.0,
"success": False,
"error": result.get("error", "VLM call failed")
}
def _encode_image_from_path(self, image_path: str) -> str:
"""Encoder une image depuis un fichier en base64"""
with open(image_path, 'rb') as f:
return base64.b64encode(f.read()).decode('utf-8')
def _encode_image_from_pil(self, image: Image.Image) -> str:
"""Encoder une image PIL en base64 avec prétraitement optimisé"""
# 1. Convertir en RGB si nécessaire (évite erreurs PNG transparent)
if image.mode != 'RGB':
image = image.convert('RGB')
# 1b. Minimum 32x32 (requis par qwen3-vl, sinon Ollama panic)
min_size = 32
if image.width < min_size or image.height < min_size:
new_w = max(image.width, min_size)
new_h = max(image.height, min_size)
image = image.resize((new_w, new_h), Image.NEAREST)
# 2. Redimensionnement intelligent : max 1280px sur le côté long
max_size = 1280
if max(image.size) > max_size:
ratio = max_size / max(image.size)
new_size = (int(image.size[0] * ratio), int(image.size[1] * ratio))
image = image.resize(new_size, Image.Resampling.LANCZOS)
# 3. Sauvegarder en JPEG qualité 90 (plus léger, meilleur pour VLM)
buffer = io.BytesIO()
image.save(buffer, format='JPEG', quality=90)
return base64.b64encode(buffer.getvalue()).decode('utf-8')
def list_models(self) -> List[str]:
"""Lister les modèles disponibles dans Ollama"""
try:
response = requests.get(f"{self.endpoint}/api/tags", timeout=5)
if response.status_code == 200:
models = response.json().get('models', [])
return [m['name'] for m in models]
except Exception as e:
logger.error(f"Error listing models: {e}")
return []
def pull_model(self, model_name: str) -> bool:
"""
Télécharger un modèle dans Ollama
Args:
model_name: Nom du modèle à télécharger
Returns:
True si succès
"""
try:
logger.info(f"Pulling model {model_name}...")
response = requests.post(
f"{self.endpoint}/api/pull",
json={"name": model_name},
stream=True,
timeout=600
)
if response.status_code == 200:
for line in response.iter_lines():
if line:
data = json.loads(line)
if 'status' in data:
logger.info(f" {data['status']}")
return True
except Exception as e:
logger.error(f"Error pulling model: {e}")
return False
# ============================================================================
# Fonctions utilitaires
# ============================================================================
def create_ollama_client(model: str = "qwen3-vl:8b",
endpoint: str = "http://localhost:11434") -> OllamaClient:
"""
Créer un client Ollama
Args:
model: Nom du modèle VLM
endpoint: URL de l'API Ollama
Returns:
OllamaClient configuré
"""
return OllamaClient(endpoint=endpoint, model=model)
def check_ollama_available(endpoint: str = "http://localhost:11434") -> bool:
"""
Vérifier si Ollama est disponible
Args:
endpoint: URL de l'API Ollama
Returns:
True si disponible
"""
try:
response = requests.get(f"{endpoint}/api/tags", timeout=5)
return response.status_code == 200
except (requests.RequestException, ConnectionError, TimeoutError):
return False