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
参考链接：Ollama完整教程：本地LLM管理、WebUI对话、Python/Java客户端API应用 - 老牛啊 - 博客园 (cnblogs.com)
https://www.cnblogs.com/obullxl/p/18295202/NTopic2024071001
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：
- 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%.ollamamodels，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- 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
- 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）
- 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
- 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
- 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
- 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
- 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
- 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
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
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：
docker exec -it ollama /bin/bash查看ollama执行
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
# 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# 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# 启动本地模型
>ollama run qwen2:0.5b
>>># 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# 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：
ollama run qwen2:0.5broot@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jsonoptions：Modelfile 文档中列出的其他模型参数，例如temperaturesystem：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/generatestream：如果响应将作为单个响应对象返回，而不是对象流falseraw：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truerawkeep_alive：控制模型在请求后加载到内存中的时间（默认值：5m)
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"
}'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：
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
pip install ollamaimport 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
pip install langchain
pip install langchain_communityfrom 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
pip install requestshost="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
pip install aiohttpWelcome to AIOHTTP — aiohttp 3.10.5 documentation
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_modelsqwen2-05b-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：
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：
ollama create 模型名称 -f ./Modelfileollama 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
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。
/home/ollama/huggingface_models/qwen2-05b-q4
④.进入ollama容器
docker exec -it ollama bash⑤.cd 到映射的文件夹中
cd /root/.ollama/huggingface_models/qwen2-05b-q4
⑥. 执行导入模型命令
ollama create qwen2-05b-q4 -f ./Modelfile
⑦.查看导入的模型
ollama list 
⑧.运行模型
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)
git clone git@github.com:ollama/ollama.git ollama
进入项目中
cd ollama紧接着，同步 llm/llama.cpp 子模块
git submodule init
git submodule update llm/llama.cpp
③.设置环境
创建一个虚拟环境
conda create -n ollama python=3.11
激活虚拟环境
conda activate ollama
④.安装依赖
进入项目目录
cd /home/ollama/ollama
执行安装命令
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
sudo apt updatesudo apt install make如果没有gcc 和 g++ 编译器 则需要安装一下
sudo apt updatesudo apt install build-essential下边这个可选（可以加速）
sudo apt install ccache构建量化工具
make -C llm/llama.cpp quantize
⑤.模型转换
将 safetensors 转换为 converted.bin格式：
python llm/llama.cpp/convert_hf_to_gguf.py 模型所在文件夹 --outtype f16 --outfile converted.binpython 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
cd llm/llama.cpp/执行make命令
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:
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。
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
FROM quantized.bin⑨.导入模型文件：ollama create 模型名称 -f ./Modelfile
进入ollama容器中
docker exec -it ollama bash进入存放模型的文件夹中
cd /root/.ollama/huggingface_models/qwen2-05b-q4-s
执行命令，创建Ollama模型
ollama create qwen2-05b-q4-s -f ./Modelfile
⑩.查看模型
ollama list
⑪.运行模型
ollama run qwen2-05b-q4-s:latest
九、部署Open WebUI
🏡 Home | Open WebUI
