Qwen2-VL是阿里通义实验室推出的多模态大模型。本文我们将简要介绍基于 transformers、peft 等框架，使用 Qwen2-VL-2B-Instruct 模型在COCO2014图像描述 上进行Lora微调训练，同时使用 SwanLab 监控训练过程与评估模型效果。

图片

Lora 是一种高效微调方法，深入了解其原理可参见博客：知乎|深入浅出 Lora（https://zhuanlan.zhihu.com/p/650197598）

代码、数据、模型、训练过程链接见文末～

1  环境配置

环境配置分为三步：

  1. 确保你的电脑上至少有一张英伟达显卡，并已安装好了CUDA环境。

  2. 安装Python（版本>=3.8）以及能够调用CUDA加速的PyTorch。

  3. 安装Qwen2-VL微调相关的第三方库，可以使用以下命令：

python -m pip install --upgrade pip# 更换 pypi 源加速库的安装pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simplepip install modelscope==1.18.0pip install transformers==4.46.2pip install sentencepiece==0.2.0pip install accelerate==1.1.1pip install datasets==2.18.0pip install peft==0.13.2pip install swanlab==0.3.25pip install qwen-vl-utils==0.0.8

2   准备数据集

本节使用的是 coco_2014_caption 数据集（中的500张图），该数据集主要用于多模态（Image-to-Text）任务。

数据集介绍：COCO 2014 Caption数据集是Microsoft Common Objects in Context (COCO)数据集的一部分，主要用于图像描述任务。该数据集包含了大约40万张图像，每张图像都有至少1个人工生成的英文描述语句。这些描述语句旨在帮助计算机理解图像内容，并为图像自动生成描述提供训练数据。

图片

在本节的任务中，我们主要使用其中的前500张图像，并对它进行处理和格式调整，目标是组合成如下格式的json文件：

[{    "id": "identity_1",    "conversations": [      {        "from": "user",        "value": "COCO Yes: <|vision_start|>图像文件路径<|vision_end|>"      },      {        "from": "assistant",        "value": "A snow skier assessing the mountain before starting to sky"      }    ]},...]

其中，"from"是角色（user代表人类，assistant代表模型），"value"是聊天的内容，其中<|vision_start|>和<|vision_end|>是Qwen2-VL模型识别图像的标记，中间可以放图像的文件路径，也可以是URL。

数据集下载与处理方式

  1. 我们需要做四件事情：

    • 通过Modelscope下载coco_2014_caption数据集

    • 加载数据集，将图像保存到本地

    • 将图像路径和描述文本转换为一个csv文件

    • 将csv文件转换为json文件

  2. 使用下面的代码完成从数据下载到生成csv的过程：

data2csv.py：

# 导入所需的库from modelscope.msdatasets import MsDatasetimport osimport pandas as pd
MAX_DATA_NUMBER = 500
# 检查目录是否已存在if not os.path.exists('coco_2014_caption'):    # 从modelscope下载COCO 2014图像描述数据集    ds =  MsDataset.load('modelscope/coco_2014_caption', subset_name='coco_2014_caption', split='train')    print(len(ds))    # 设置处理的图片数量上限    total = min(MAX_DATA_NUMBER, len(ds))
    # 创建保存图片的目录    os.makedirs('coco_2014_caption', exist_ok=True)
    # 初始化存储图片路径和描述的列表    image_paths = []    captions = []
    for i in range(total):        # 获取每个样本的信息        item = ds[i]        image_id = item['image_id']        caption = item['caption']        image = item['image']
        # 保存图片并记录路径        image_path = os.path.abspath(f'coco_2014_caption/{image_id}.jpg')        image.save(image_path)
        # 将路径和描述添加到列表中        image_paths.append(image_path)        captions.append(caption)
        # 每处理50张图片打印一次进度        if (i + 1) % 50 == 0:            print(f'Processing {i+1}/{total} images ({(i+1)/total*100:.1f}%)')
    # 将图片路径和描述保存为CSV文件    df = pd.DataFrame({        'image_path': image_paths,        'caption': captions    })
    # 将数据保存为CSV文件    df.to_csv('./coco-2024-dataset.csv', index=False)
    print(f'数据处理完成，共处理了{total}张图片')
else:    print('coco_2014_caption目录已存在,跳过数据处理步骤')

3. 在同一目录下，用以下代码，将csv文件转换为json文件：

csv2json.py：​​​​​​​

import pandas as pdimport json
# 载入CSV文件df = pd.read_csv('./coco-2024-dataset.csv')conversations = []
# 添加对话数据for i in range(len(df)):    conversations.append({        "id": f"identity_{i+1}",        "conversations": [            {                "from": "user",                "value": f"COCO Yes: <|vision_start|>{df.iloc[i]['image_path']}<|vision_end|>"            },            {                "from": "assistant",                 "value": df.iloc[i]['caption']            }        ]    })
# 保存为Jsonwith open('data_vl.json', 'w', encoding='utf-8') as f:    json.dump(conversations, f, ensure_ascii=False, indent=2)

此时目录下会多出两个文件：

  • coco-2024-dataset.csv

  • data_vl.json

至此，我们完成了数据集的准备。

3  模型下载与加载

这里我们使用modelscope下载Qwen2-VL-2B-Instruct模型，然后把它加载到Transformers中进行训练：​​​​​​​

from modelscope import snapshot_download, AutoTokenizerfrom transformers import TrainingArguments, Trainer, DataCollatorForSeq2Seq, Qwen2VLForConditionalGeneration, AutoProcessorimport torch
# 在modelscope上下载Qwen2-VL模型到本地目录下model_dir = snapshot_download("Qwen/Qwen2-VL-2B-Instruct", cache_dir="./", revision="master")
# 使用Transformers加载模型权重tokenizer = AutoTokenizer.from_pretrained("./Qwen/Qwen2-VL-2B-Instruct/", use_fast=False, trust_remote_code=True)# 特别的，Qwen2-VL-2B-Instruct模型需要使用Qwen2VLForConditionalGeneration来加载model = Qwen2VLForConditionalGeneration.from_pretrained("./Qwen/Qwen2-VL-2B-Instruct/", device_map="auto", torch_dtype=torch.bfloat16, trust_remote_code=True,)model.enable_input_require_grads()  # 开启梯度检查点时，要执行该方法

模型大小为 4.5GB，下载模型大概需要 5 分钟。

4  集成SwanLab

SwanLab 是一个开源的模型训练记录工具。SwanLab面向AI研究者，提供了训练可视化、自动日志记录、超参数记录、实验对比、多人协同等功能。在SwanLab上，研究者能基于直观的可视化图表发现训练问题，对比多个实验找到研究灵感，并通过在线链接的分享与基于组织的多人协同训练，打破团队沟通的壁垒。

SwanLab与Transformers已经做好了集成，用法是在Trainer的callbacks参数中添加SwanLabCallback实例，就可以自动记录超参数和训练指标，简化代码如下：​​​​​​​

from swanlab.integration.transformers import SwanLabCallbackfrom transformers import Trainer
swanlab_callback = SwanLabCallback()
trainer = Trainer(    ...    callbacks=[swanlab_callback],)

首次使用SwanLab，需要先在官网注册一个账号，然后在用户设置页面复制你的API Key，然后在训练开始提示登录时粘贴即可，后续无需再次登录：

图片

更多用法可参考快速开始、Transformers集成。

5  开始微调

查看可视化训练过程：Qwen2-VL-finetune

本节代码做了以下几件事：

  1. 下载并加载Qwen2-VL-2B-Instruct模型

  2. 加载数据集，取前496条数据参与训练，4条数据进行主观评测

  3. 配置Lora，参数为r=64, lora_alpha=16, lora_dropout=0.05

  4. 使用SwanLab记录训练过程，包括超参数、指标和最终的模型输出结果

  5. 训练2个epoch

开始执行代码时的目录结构应该是：​​​​​​​

|———— train.py|———— coco_2014_caption|———— coco-2024-dataset.csv|———— data_vl.json|———— data2csv.py|———— csv2json.py

完整代码如下

train.py：​​​​​​​

import torchfrom datasets import Datasetfrom modelscope import snapshot_download, AutoTokenizerfrom swanlab.integration.transformers import SwanLabCallbackfrom qwen_vl_utils import process_vision_infofrom peft import LoraConfig, TaskType, get_peft_model, PeftModelfrom transformers import (    TrainingArguments,    Trainer,    DataCollatorForSeq2Seq,    Qwen2VLForConditionalGeneration,    AutoProcessor,)import swanlabimport json

def process_func(example):    """    将数据集进行预处理    """    MAX_LENGTH = 8192    input_ids, attention_mask, labels = [], [], []    conversation = example["conversations"]    input_content = conversation[0]["value"]    output_content = conversation[1]["value"]    file_path = input_content.split("<|vision_start|>")[1].split("<|vision_end|>")[0]  # 获取图像路径    messages = [        {            "role": "user",            "content": [                {                    "type": "image",                    "image": f"{file_path}",                    "resized_height": 280,                    "resized_width": 280,                },                {"type": "text", "text": "COCO Yes:"},            ],        }    ]    text = processor.apply_chat_template(        messages, tokenize=False, add_generation_prompt=True    )  # 获取文本    image_inputs, video_inputs = process_vision_info(messages)  # 获取数据数据（预处理过）    inputs = processor(        text=[text],        images=image_inputs,        videos=video_inputs,        padding=True,        return_tensors="pt",    )    inputs = {key: value.tolist() for key, value in inputs.items()} #tensor -> list,为了方便拼接    instruction = inputs
    response = tokenizer(f"{output_content}", add_special_tokens=False)

    input_ids = (            instruction["input_ids"][0] + response["input_ids"] + [tokenizer.pad_token_id]    )
    attention_mask = instruction["attention_mask"][0] + response["attention_mask"] + [1]    labels = (            [-100] * len(instruction["input_ids"][0])            + response["input_ids"]            + [tokenizer.pad_token_id]    )    if len(input_ids) > MAX_LENGTH:  # 做一个截断        input_ids = input_ids[:MAX_LENGTH]        attention_mask = attention_mask[:MAX_LENGTH]        labels = labels[:MAX_LENGTH]
    input_ids = torch.tensor(input_ids)    attention_mask = torch.tensor(attention_mask)    labels = torch.tensor(labels)    inputs['pixel_values'] = torch.tensor(inputs['pixel_values'])    inputs['image_grid_thw'] = torch.tensor(inputs['image_grid_thw']).squeeze(0)  #由（1,h,w)变换为（h,w）    return {"input_ids": input_ids, "attention_mask": attention_mask, "labels": labels,            "pixel_values": inputs['pixel_values'], "image_grid_thw": inputs['image_grid_thw']}

def predict(messages, model):    # 准备推理    text = processor.apply_chat_template(        messages, tokenize=False, add_generation_prompt=True    )    image_inputs, video_inputs = process_vision_info(messages)    inputs = processor(        text=[text],        images=image_inputs,        videos=video_inputs,        padding=True,        return_tensors="pt",    )    inputs = inputs.to("cuda")
    # 生成输出    generated_ids = model.generate(**inputs, max_new_tokens=128)    generated_ids_trimmed = [        out_ids[len(in_ids) :] for in_ids, out_ids in zip(inputs.input_ids, generated_ids)    ]    output_text = processor.batch_decode(        generated_ids_trimmed, skip_special_tokens=True, clean_up_tokenization_spaces=False    )
    return output_text[0]

# 在modelscope上下载Qwen2-VL模型到本地目录下model_dir = snapshot_download("Qwen/Qwen2-VL-2B-Instruct", cache_dir="./", revision="master")
# 使用Transformers加载模型权重tokenizer = AutoTokenizer.from_pretrained("./Qwen/Qwen2-VL-2B-Instruct/", use_fast=False, trust_remote_code=True)processor = AutoProcessor.from_pretrained("./Qwen/Qwen2-VL-2B-Instruct")
model = Qwen2VLForConditionalGeneration.from_pretrained("./Qwen/Qwen2-VL-2B-Instruct/", device_map="auto", torch_dtype=torch.bfloat16, trust_remote_code=True,)model.enable_input_require_grads()  # 开启梯度检查点时，要执行该方法
# 处理数据集：读取json文件# 拆分成训练集和测试集，保存为data_vl_train.json和data_vl_test.jsontrain_json_path = "data_vl.json"with open(train_json_path, 'r') as f:    data = json.load(f)    train_data = data[:-4]    test_data = data[-4:]
with open("data_vl_train.json", "w") as f:    json.dump(train_data, f)
with open("data_vl_test.json", "w") as f:    json.dump(test_data, f)
train_ds = Dataset.from_json("data_vl_train.json")train_dataset = train_ds.map(process_func)
# 配置LoRAconfig = LoraConfig(    task_type=TaskType.CAUSAL_LM,    target_modules=["q_proj", "k_proj", "v_proj", "o_proj", "gate_proj", "up_proj", "down_proj"],    inference_mode=False,  # 训练模式    r=64,  # Lora 秩    lora_alpha=16,  # Lora alaph，具体作用参见 Lora 原理    lora_dropout=0.05,  # Dropout 比例    bias="none",)
# 获取LoRA模型peft_model = get_peft_model(model, config)
# 配置训练参数args = TrainingArguments(    output_dir="./output/Qwen2-VL-2B",    per_device_train_batch_size=4,    gradient_accumulation_steps=4,    logging_steps=10,    logging_first_step=5,    num_train_epochs=2,    save_steps=100,    learning_rate=1e-4,    save_on_each_node=True,    gradient_checkpointing=True,    report_to="none",)
# 设置SwanLab回调swanlab_callback = SwanLabCallback(    project="Qwen2-VL-finetune",    experiment_name="qwen2-vl-coco2014",    config={        "model": "https://modelscope.cn/models/Qwen/Qwen2-VL-2B-Instruct",        "dataset": "https://modelscope.cn/datasets/modelscope/coco_2014_caption/quickstart",        "github": "https://github.com/datawhalechina/self-llm",        "prompt": "COCO Yes: ",        "train_data_number": len(train_data),        "lora_rank": 64,        "lora_alpha": 16,        "lora_dropout": 0.1,    },)
# 配置Trainertrainer = Trainer(    model=peft_model,    args=args,    train_dataset=train_dataset,    data_collator=DataCollatorForSeq2Seq(tokenizer=tokenizer, padding=True),    callbacks=[swanlab_callback],)
# 开启模型训练trainer.train()
# ====================测试模式===================# 配置测试参数val_config = LoraConfig(    task_type=TaskType.CAUSAL_LM,    target_modules=["q_proj", "k_proj", "v_proj", "o_proj", "gate_proj", "up_proj", "down_proj"],    inference_mode=True,  # 训练模式    r=64,  # Lora 秩    lora_alpha=16,  # Lora alaph，具体作用参见 Lora 原理    lora_dropout=0.05,  # Dropout 比例    bias="none",)
# 获取测试模型val_peft_model = PeftModel.from_pretrained(model, model_id="./output/Qwen2-VL-2B/checkpoint-62", config=val_config)
# 读取测试数据with open("data_vl_test.json", "r") as f:    test_dataset = json.load(f)
test_image_list = []for item in test_dataset:    input_image_prompt = item["conversations"][0]["value"]    # 去掉前后的<|vision_start|>和<|vision_end|>    origin_image_path = input_image_prompt.split("<|vision_start|>")[1].split("<|vision_end|>")[0]
    messages = [{        "role": "user",         "content": [            {            "type": "image",             "image": origin_image_path            },            {            "type": "text",            "text": "COCO Yes:"            }        ]}]
    response = predict(messages, val_peft_model)    messages.append({"role": "assistant", "content": f"{response}"})    print(messages[-1])
    test_image_list.append(swanlab.Image(origin_image_path, caption=response))
swanlab.log({"Prediction": test_image_list})
# 在Jupyter Notebook中运行时要停止SwanLab记录，需要调用swanlab.finish()swanlab.finish()

看到下面的进度条即代表训练开始：

图片

6  训练结果演示

详细训练过程请看这里：qwen2-vl-coco2014

图片

从SwanLab图表中我们可以看到，lr的下降策略是线性下降，loss随epoch呈现下降趋势，而grad_norm则在上升。这种形态往往反映了模型有过拟合的风险，训练不要超过2个epoch。

在Prediction图表中记录着模型最终的输出结果，可以看到模型在回答的风格上是用的COCO数据集的简短英文风格进行的描述：

图片

而同样的图像，没有被微调的模型输出结果如下：​​​​​​​

1-没有微调：The image depicts a cozy living room with a rocking chair in the center, a bookshelf filled with books, and a table with a vase and a few other items. The walls are decorated with wallpaper, and there are curtains on the windows. The room appears to be well-lit, with sunlight streaming in from the windows.1-微调后：A living room with a rocking chair, a bookshelf, and a table with a vase and a bowl.
2-没有微调：It looks like a family gathering or a party in a living room. There are several people sitting around a dining table, eating pizza. The room has a cozy and warm atmosphere.2-微调后：A group of people sitting around a dining table eating pizza.

可以明显看到微调后风格的变化。

7  推理LoRA微调后的模型

加载lora微调后的模型，并进行推理：​​​​​​​

from transformers import Qwen2VLForConditionalGeneration, AutoProcessorfrom qwen_vl_utils import process_vision_infofrom peft import PeftModel, LoraConfig, TaskType
config = LoraConfig(    task_type=TaskType.CAUSAL_LM,    target_modules=["q_proj", "k_proj", "v_proj", "o_proj", "gate_proj", "up_proj", "down_proj"],    inference_mode=True,    r=64,  # Lora 秩    lora_alpha=16,  # Lora alaph，具体作用参见 Lora 原理    lora_dropout=0.05,  # Dropout 比例    bias="none",)
# default: Load the model on the available device(s)model = Qwen2VLForConditionalGeneration.from_pretrained(    "./Qwen/Qwen2-VL-2B-Instruct", torch_dtype="auto", device_map="auto")model = PeftModel.from_pretrained(model, model_id="./output/Qwen2-VL-2B/checkpoint-62", config=config)processor = AutoProcessor.from_pretrained("./Qwen/Qwen2-VL-2B-Instruct")
messages = [    {        "role": "user",        "content": [            {                "type": "image",                "image": "测试图像路径",            },            {"type": "text", "text": "COCO Yes:"},        ],    }]
# Preparation for inferencetext = processor.apply_chat_template(    messages, tokenize=False, add_generation_prompt=True)image_inputs, video_inputs = process_vision_info(messages)inputs = processor(    text=[text],    images=image_inputs,    videos=video_inputs,    padding=True,    return_tensors="pt",)inputs = inputs.to("cuda")
# Inference: Generation of the outputgenerated_ids = model.generate(**inputs, max_new_tokens=128)generated_ids_trimmed = [    out_ids[len(in_ids) :] for in_ids, out_ids in zip(inputs.input_ids, generated_ids)]output_text = processor.batch_decode(    generated_ids_trimmed, skip_special_tokens=True, clean_up_tokenization_spaces=False)print(output_text)

8   补充

详细硬件配置和参数说明

使用4张A100 40GB显卡，batch size为4，gradient accumulation steps为4，训练2个epoch的用时为1分钟57秒。

图片

图片

注意

  • 在微调脚本中，val_peft_model加载的是一共固定的checkpoint文件，如果你添加了数据或超参数，请根据实际情况修改checkpoint文件路径。

 大模型&AI产品经理如何学习

求大家的点赞和收藏，我花2万买的大模型学习资料免费共享给你们，来看看有哪些东西。

1.学习路线图

第一阶段： 从大模型系统设计入手，讲解大模型的主要方法；

第二阶段： 在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用；

第三阶段： 大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统；

第四阶段： 大模型知识库应用开发以LangChain框架为例，构建物流行业咨询智能问答系统；

第五阶段： 大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型；

第六阶段： 以SD多模态大模型为主，搭建了文生图小程序案例；

第七阶段： 以大模型平台应用与开发为主，通过星火大模型，文心大模型等成熟大模型构建大模型行业应用。


2.视频教程

网上虽然也有很多的学习资源，但基本上都残缺不全的，这是我自己整理的大模型视频教程，上面路线图的每一个知识点，我都有配套的视频讲解。

（都打包成一块的了，不能一一展开，总共300多集）

因篇幅有限，仅展示部分资料，需要点击下方图片前往获取

3.技术文档和电子书 

这里主要整理了大模型相关PDF书籍、行业报告、文档，有几百本，都是目前行业最新的。



4.LLM面试题和面经合集


这里主要整理了行业目前最新的大模型面试题和各种大厂offer面经合集。



👉学会后的收获：👈
• 基于大模型全栈工程实现（前端、后端、产品经理、设计、数据分析等），通过这门课可获得不同能力；

• 能够利用大模型解决相关实际项目需求： 大数据时代，越来越多的企业和机构需要处理海量数据，利用大模型技术可以更好地处理这些数据，提高数据分析和决策的准确性。因此，掌握大模型应用开发技能，可以让程序员更好地应对实际项目需求；

• 基于大模型和企业数据AI应用开发，实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能， 学会Fine-tuning垂直训练大模型（数据准备、数据蒸馏、大模型部署）一站式掌握；

• 能够完成时下热门大模型垂直领域模型训练能力，提高程序员的编码能力： 大模型应用开发需要掌握机器学习算法、深度学习框架等技术，这些技术的掌握可以提高程序员的编码能力和分析能力，让程序员更加熟练地编写高质量的代码。

1.AI大模型学习路线图
2.100套AI大模型商业化落地方案
3.100集大模型视频教程
4.200本大模型PDF书籍
5.LLM面试题合集
6.AI产品经理资源合集***

👉获取方式：
😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓

# 数据分析 # 数据挖掘 # 人工智能 # 学习
Logo
NVIDIA AI 技术专区

分享最新的 NVIDIA AI Software 资源以及活动/会议信息，精选收录AI相关技术内容，欢迎大家加入社区并参与讨论。

更多推荐

cover

NVIDIA Nemotron 3 Ultra 在代理式 RTL 编码的准确性和效率方面引领开放模型

avatar NVIDIA AI 技术专区
cover

在 NVIDIA CUDA 13.3 中使用无带乘法构建更快的加密技术

avatar NVIDIA AI 技术专区
cover

案例分享 | 基于 NVIDIA DGX Spark 的智能安防与工业智能方案开发应用

avatar NVIDIA AI 技术专区