Crie o ambiente virtual:

conda create -n simple-rag

Ativação do ambiente virtual: conda activate simple-rag

Instalação das libs: pip3 install -r requirements.txt

Embedding dos dados: python3 src/scripts/create_db.py

Geração de resposta: python3 src/scripts/generate_sentences.py

Crie uma pasta chamada 'data' na partição principal, onde o arquivo 'metadata.csv' deve estar.

ollama run <llm-model-name>

Entre os modelos que podem ser usados, por exemplo: qwen2.5:0.5b, qwen2.5:1.5b, gemma3:27b, deepseek-r1:7b. Após isso, mude o nome do modelo a ser usado dentro do script 'generate_sentences_using_api.py' e rode-o:

python3 src/scripts/generate_sentences_using_api.py

Altere o caminho da pasta das images. Exemplo: "data_folder = f"./data/{dataset_name}" no mesmo script, onde 'dataset_name' é o nome da pasta do folder usado.

Além disso, adicione o(s) nome(s) dos modelos desejados (VLM). Exemplo: model_name = qwen2.5vl:32b, gemma3:27b, llava:34b ou qwen2.5:72b

Após isso, e com o modelo LLM rodando no serviço do ollama, digite o comando: python3 src/scripts/generate_sentences_by_image_description_using_api.py

Os dados gerados podem ser fundidos em um único arquivo csv. Por exemplo: Vamos juntar os dados do arquivo 'metadata_with_sentences_of_image-description_gemma3:27b.csv' com os dados de 'metadata_with_sentences_new-prompt-deepseek-r1:70b.csv', os dois arquivos devem estar presentes na pasta 'data'. Depois digite no terminal:

    python3 ./src/scripts/create_a_fusion_of_metadata_sentences.py

Depois disso, um arquivo será gerado dentro da pasta metadata_with_sentences_of_patient_description_and_image-description_llm-deepseek-r1:70b_vllm-gemma3:27b.csv