大模型实战训练：Qwen2-VL多模态大模型微调实战，附代码

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。

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

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

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。

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。

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。

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：

更多用法可参考快速开始、Transformers集成。

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：

训练结果演示

详细训练过程请看这里：qwen2-vl-coco2014

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：

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。

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)

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。

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。

普通人如何抓住AI大模型的风口？

领取方式在文末

为什么要学习大模型？

目前AI大模型的技术岗位与能力培养随着人工智能技术的迅速发展和应用 ， 大模型作为其中的重要组成部分 ， 正逐渐成为推动人工智能发展的重要引擎 。大模型以其强大的数据处理和模式识别能力， 广泛应用于自然语言处理 、计算机视觉 、 智能推荐等领域 ，为各行各业带来了革命性的改变和机遇 。

目前，开源人工智能大模型已应用于医疗、政务、法律、汽车、娱乐、金融、互联网、教育、制造业、企业服务等多个场景，其中，应用于金融、企业服务、制造业和法律领域的大模型在本次调研中占比超过 30%。

随着AI大模型技术的迅速发展，相关岗位的需求也日益增加。大模型产业链催生了一批高薪新职业：

人工智能大潮已来，不加入就可能被淘汰。如果你是技术人，尤其是互联网从业者，现在就开始学习AI大模型技术，真的是给你的人生一个重要建议！

最后

如果你真的想学习大模型，请不要去网上找那些零零碎碎的教程，真的很难学懂！你可以根据我这个学习路线和系统资料，制定一套学习计划，只要你肯花时间沉下心去学习，它们一定能帮到你！

大模型全套学习资料领取

这里我整理了一份AI大模型入门到进阶全套学习包，包含学习路线+实战案例+视频+书籍PDF+面试题+DeepSeek部署包和技巧，需要的小伙伴文在下方免费领取哦，真诚无偿分享！！！
vx扫描下方二维码即可
加上后会一个个给大家发

部分资料展示

一、 AI大模型学习路线图

整个学习分为7个阶段

二、AI大模型实战案例

涵盖AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，皆可用。

三、视频和书籍PDF合集

从入门到进阶这里都有，跟着老师学习事半功倍。

四、LLM面试题

五、AI产品经理面试题

六、deepseek部署包+技巧大全

😝朋友们如果有需要的话，可以V扫描下方二维码联系领取~