如何从零训练多模态大模型（预训练方向）

本文参考官方教程[1]介绍如何训练 LLaVA v1.5 多模态模型。LLaVA 训练包括特征对齐阶段（feature alignment stage）和视觉指令微调阶段（visual instruction tuning stage），其中特征对齐阶段使用 LAION-CC-SBU 数据集的 558K 子集（记为 LLaVA-Pretrain），目的是训练 MLP connector（或称为 projector），而视觉指令微调阶段使用 GPT-4 生成的 150K 条多模态指令跟随数据和来自学术任务的 515K 条 VQA 数据引导 LLaVA 模型遵从多模态指令。

官方给出的 LLaVA v1.5 使用了 8 个 A100 GPU（80G）进行训练，如果我们没有 8 个 GPU 或者足够的显存（80G），可以减小per_device_train_batch_size的值并增大gradient_accumulation_steps，始终保证全局 batch size 不变，其中 batch size 的大小等于 per_device_train_batch_sizexgradient_accumulation_stepsxnum_gpus 。

下面以 LLaVA-v1.5-13B 为例介绍 LLaVA 模型的训练。

01

特征对齐阶段

准备数据

下载 LLaVA-Pretrain[2] 数据集

# 将数据下载到 ./playground/data/LLaVA-Pretrain，否则需要修改启动脚本的 data\_path 参数  
huggingface-cli download --repo-type dataset liuhaotian/LLaVA-Pretrain --local-dir ./playground/data/LLaVA-Pretrain

LLaVA-Pretrain 包含 3 个文件：

• blip_laion_cc_sbu_558k.json：此数据的构造过程是将 image-caption 数据添加随机选择的指令（例如：“Describe this image”）转换成多模态对话，下面是数据示例：

{  
    'id': '004539375',  
    'image': '00453/004539375.jpg',  
    'conversations': \[  
      {  
        'from': 'human',  
        'value': 'Render a clear and concise summary of the photo.\\n<image>'  
      },  
      {  
        'from': 'gpt',  
        'value': 'select luxury furniture 3 - inch gel memory foam mattress topper'  
      }  
    \]  },

• blip_laion_cc_sbu_558k_meta.json：包含 3 种元数据，分别是图像路径、图像 URL 和 blip_caption

{  
    'id': '004539375',  
    'image': '00453/004539375.jpg',  
    'blip\_caption': 'select luxury furniture 3 - inch gel memory foam mattress topper',  
    'url': 'http://ec1.ostkcdn.com/images/products/8111140/P15459545.jpg'  }

• images.zip：LAION/CC/SBU 筛选后的子集

解压images.zip

# 解压到 ./playground/data/LLaVA-Pretrain/images，否则需要修改启动脚本的 image\_folder 参数  
unzip ./playground/data/LLaVA-Pretrain/images.zip -d ./playground/data/LLaVA-Pretrain/images

启动训练

在这个阶段，使用 8 个 A100（80G）训练 LLaVA-v1.5-13B 大约需要 5.5 小时。

启动的脚本是scripts/v1_5/pretrain.sh，它的内容如下：

#!/bin/bash  
deepspeed llava/train/train\_mem.py \\  
    --deepspeed ./scripts/zero2.json \\  # 使用 DeepSpeed ZeRO-2  
    --model\_name\_or\_path lmsys/vicuna-13b-v1.5 \\  # 语言模型是 lmsys/vicuna-13b-v1.5  
    --version plain \\  
    --data\_path ./playground/data/LLaVA-Pretrain/blip\_laion\_cc\_sbu\_558k.json \\  # 训练样本文件  
    --image\_folder ./playground/data/LLaVA-Pretrain/images \\  # 存放图像的目录  
    --vision\_tower openai/clip-vit-large-patch14-336 \\  # 视觉编码器  
    --mm\_projector\_type mlp2x\_gelu \\  # projector 的类型  
    --tune\_mm\_mlp\_adapter True \\  # 是否训练 projector  
    --mm\_vision\_select\_layer -2 \\  
    --mm\_use\_im\_start\_end False \\  
    --mm\_use\_im\_patch\_token False \\  
    --bf16 True \\  
    --output\_dir ./checkpoints/llava-v1.5-13b-pretrain \\  # 保存的路径  
    --num\_train\_epochs 1 \\  
    --per\_device\_train\_batch\_size 32 \\  
    --per\_device\_eval\_batch\_size 4 \\  
    --gradient\_accumulation\_steps 1 \\  
    --evaluation\_strategy 'no' \\  
    --save\_strategy 'steps' \\  
    --save\_steps 24000 \\  
    --save\_total\_limit 1 \\  
    --learning\_rate 1e-3 \\  
    --weight\_decay 0. \\  
    --warmup\_ratio 0.03 \\  
    --lr\_scheduler\_type 'cosine' \\  
    --logging\_steps 1 \\  
    --tf32 True \\  
    --model\_max\_length 2048 \\  
    --gradient\_checkpointing True \\  
    --dataloader\_num\_workers 4 \\  
    --lazy\_preprocess True \\  
    --report\_to wandb

启动脚本：

sh ./scripts/v1\_5/pretrain.sh

启动训练后，会自动下载语言模型视觉编码器的权重，完成权重的下载后会提示是否需要使用 wandb 可视化结果，这里按需选择即可。

接下来就开始了训练，下面是 loss 的部分日志：

训练完成后，权重会保存在./checkpoints/llava-v1.5-13b-pretrain目录。

===

02

视觉指令微调阶段

完成特征对齐阶段的训练后，我们进入视觉指令微调阶段。注意：如果我们跳过特征对齐阶段的训练，则需要将对应的 projector 下载到./checkpoints目录，下载的命令如下：

huggingface-cli download liuhaotian/llava-v1.5-mlp2x-336px-pretrain-vicuna-13b-v1.5 --local-dir ./checkpoints/llava-v1.5-13b-pretrain

准备数据

下载数据集

• 下载 llava_v1_5_mix665k.json[3]

# 将数据下载到 ./playground/data/LLaVA-Instruct-150K  
huggingface-cli download --repo-type dataset liuhaotian/LLaVA-Instruct-150K --local-dir ./playground/data/LLaVA-Instruct-150K  
cp ./playground/data/LLaVA-Instruct-150K/llava\_v1\_5\_mix665k.json ./playground/data/llava\_v1\_5\_mix665k.json

下面是 llava_v1_5_mix665k.json 的示例：

{  
    'id': '000000033471',  // 样本的唯一 id  
    'image': 'coco/train2017/000000033471.jpg',  // 可以是绝对路径，也可以是相对于 image\_folder 的路径  
    'conversations': \[  
      {  
        'from': 'human',  
        'value': '<image>\\nWhat are the colors of the bus in the image?'  
      },  
      {  
        'from': 'gpt',  
        'value': 'The bus in the image is white and red.'  
      },  
      {  
        'from': 'human',  
        'value': 'What feature can be seen on the back of the bus?'  
      },  
      {  
        'from': 'gpt',  
        'value': 'The back of the bus features an advertisement.'  
      },  
      {  
        'from': 'human',  
        'value': 'Is the bus driving down the street or pulled off to the side?'  
      },  
      {  
        'from': 'gpt',  
        'value': 'The bus is driving down the street, which is crowded with people and other vehicles.'  
      }  
    \]  },

• 下载 COCO train2017[4]

wget http://images.cocodataset.org/zips/train2017.zip -P ./playground/data/cocounzip ./playground/data/coco/train2017.zip -d ./playground/data/coco

• 下载 GQA images[5]

wget https://downloads.cs.stanford.edu/nlp/data/gqa/images.zip -P ./playground/data/gqaunzip ./playground/data/gqa/images.zip -d ./playground/data/gqa

• 下载 OCR-VQA[6] 将 OCR-VQA 中的 dataset.json 和 loadDataset.py 文件下载到 ./playground/data/ocr_vqa 目录。注释 loadDataset.py 中的 pdb.set_trace()后执行下面的命令：

cd ./playground/data/ocr\_vqa  
python loadDataset.py  
# 回到 LLaVA 目录cd ../../../

使用下面的代码处理 OCR-VQA 图像的后缀问题[7]：

import json  
import os  
  
with open('./playground/data/llava\_v1\_5\_mix665k.json') as f:  
    samples = json.load(f)  
  
for sample in samples:  
    if 'image' not in sample:  
        continue  
  
    img\_path = os.path.join('./playground/data', sample\['image'\])  
    if not os.path.exists(img\_path):  
        # 处理 OCR-VQA 图像后缀和 llava\_v1\_5\_mix665k.json 中的后缀不一致问题  
        img\_path\_wo\_ext = os.path.splitext(img\_path)\[0\]  
        for ext in \['.png', '.gif'\]:  
            real\_path = img\_path\_wo\_ext + ext  
            if os.path.exists(real\_path):  
                # 重命名  
                os.replace(real\_path, img\_path)  
                break

也可以参考 https://github.com/haotian-liu/LLaVA/pull/1458 给出的路径下载 ORC-VQA 数据。

• 下载 TextVQA[8]

wget https://dl.fbaipublicfiles.com/textvqa/images/train\_val\_images.zip -P ./playground/data/textvqaunzip ./playground/data/textvqa/train\_val\_images.zip -d ./playground/data/textvqa

• 下载 VisualGenome part1[9] 和 part2[10]

wget https://cs.stanford.edu/people/rak248/VG\_100K\_2/images.zip -P ./playground/data/vg  
wget https://cs.stanford.edu/people/rak248/VG\_100K\_2/images2.zip -P ./playground/data/vg  
unzip ./playground/data/vg/images.zip -d ./playground/data/vg  
unzip ./playground/data/vg/images2.zip -d ./playground/data/vg

数据集结构

完成数据集的下载后，检查数据集的目录结构是否和下面的一致：

├── coco  
│   ├── train2017  
│   │   ├── xxx.jpg  
├── gqa  
│   ├── images  
│   │   ├── xxx.jpg  
├── llava\_v1\_5\_mix665k.json  
├── ocr\_vqa  
│   ├── dataset.json  
│   ├── images  
│   │   ├── xxx.jpg  
│   └── loadDataset.py  
├── textvqa  
│   ├── train\_images  
│   │   ├── xxx.jpg  
│── vg  
├── └── VG\_100K  
│   │   ├── xxx.jpg  
├── │── VG\_100K\_2  
│   │   ├── xxx.jpg

使用下面的代码检查数据目录结构：

import json  
import os  
  
with open('./playground/data/llava\_v1\_5\_mix665k.json') as f:  
    samples = json.load(f)  
  
missing\_cnt = 0  # 记录图像路径不存在的个数  
for sample in samples:  
    if 'image' not in sample:  
        continue  
  
    img\_path = os.path.join('./playground/data', sample\['image'\])  
    if not os.path.exists(img\_path):  
        missing\_cnt += 1  
  
print(missing\_cnt)

如果 missing_cnt 为 0，则说明数据的目录结构是正确的。

03

启动训练

在启动训练前，请查看 https://github.com/haotian-liu/LLaVA/issues/1144 以避免训练结束后权重保存出错。

在这个阶段，使用 8 个 A100（80G）训练 LLaVA-v1.5-13B 大约需要 20 小时。启动的脚本是scripts/v1_5/finetune.sh，它的内容如下：

#!/bin/bash  
  
deepspeed llava/train/train\_mem.py \\  
    --deepspeed ./scripts/zero3.json \\  # 使用 DeepSpeed ZeRO-3  
    --model\_name\_or\_path lmsys/vicuna-13b-v1.5 \\  
    --version v1 \\  
    --data\_path ./playground/data/llava\_v1\_5\_mix665k.json \\  # 训练样本  
    --image\_folder ./playground/data \\  # 存放图像的目录  
    --vision\_tower openai/clip-vit-large-patch14-336 \\  
    --pretrain\_mm\_mlp\_adapter ./checkpoints/llava-v1.5-13b-pretrain/mm\_projector.bin \\  
    --mm\_projector\_type mlp2x\_gelu \\  # projector 的类型  
    --mm\_vision\_select\_layer -2 \\  
    --mm\_use\_im\_start\_end False \\  
    --mm\_use\_im\_patch\_token False \\  
    --image\_aspect\_ratio pad \\  
    --group\_by\_modality\_length True \\  
    --bf16 True \\  
    --output\_dir ./checkpoints/llava-v1.5-13b \\  
    --num\_train\_epochs 1 \\  
    --per\_device\_train\_batch\_size 16 \\  
    --per\_device\_eval\_batch\_size 4 \\  
    --gradient\_accumulation\_steps 1 \\  
    --evaluation\_strategy 'no' \\  
    --save\_strategy 'steps' \\  
    --save\_steps 50000 \\  
    --save\_total\_limit 1 \\  
    --learning\_rate 2e-5 \\  
    --weight\_decay 0. \\  
    --warmup\_ratio 0.03 \\  
    --lr\_scheduler\_type 'cosine' \\  
    --logging\_steps 1 \\  
    --tf32 True \\  
    --model\_max\_length 2048 \\  
    --gradient\_checkpointing True \\  
    --dataloader\_num\_workers 4 \\  
    --lazy\_preprocess True \\  
    --report\_to wandb

启动脚本：

sh ./scripts/v1\_5/finetune.sh

启动训练后，会询问是否需要使用 wandb 可视化结果，这里按需选择即可。

接下来就开始了训练，下面是 loss 的部分日志：

训练完成后，权重会保存在./checkpoints/llava-v1.5-13b目录。注意：如果单卡显存不足 80G，可以使用 LoRA 微调脚本 finetune_lora.sh[11]。完成训练后，可以参考 LLaVA 评测[12]对模型的性能进行评测。

04

微调自定义数据集

参考 Finetune LLaVA on Custom Datasets[13]

将训练样本以列表的形式保存到 json 文件，其中每一个样本是一个字典，它至少包含三个字段：

• id：全局唯一的字符串

• image：图片的路径，可以是绝对路径，也可以是相对于image_folder的相对路径

• conversations：人类和语言模型的对话

下面是一个示例：

\[  
  {  
    'id': '997bb945-628d-4724-b370-b84de974a19f',  
    'image': 'part-000001/997bb945-628d-4724-b370-b84de974a19f.jpg',  
    'conversations': \[  
      {  
        'from': 'human',  
        'value': '<image>\\nWrite a prompt for Stable Diffusion to generate this image.'  
      },  
      {  
        'from': 'gpt',  
        'value': 'a beautiful painting of chernobyl by nekro, pascal blanche, john harris, greg rutkowski, sin jong hun, moebius, simon stalenhag. in style of cg art. ray tracing. cel shading. hyper detailed. realistic. ue 5. maya. octane render. '  
      },  
    \]  
  },  
  ...  
\]

完成数据的处理后，修改 finetune.sh[14] 中的 data_path 参数（必须）以及其他想要调整的参数（可选，例如学习率）。

修改完成后，即可启动训练：

sh ./scripts/v1\_5/finetune.sh

以上就是 LLaVA 的训练流程。

如何学习AI大模型？

作为一名热心肠的互联网老兵，我决定把宝贵的AI知识分享给大家。 至于能学习到多少就看你的学习毅力和能力了 。我已将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

一、全套AGI大模型学习路线

AI大模型时代的学习之旅：从基础到前沿，掌握人工智能的核心技能！

二、640套AI大模型报告合集

这套包含640份报告的合集，涵盖了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，这套报告合集都将为您提供宝贵的信息和启示。

三、AI大模型经典PDF籍

随着人工智能技术的飞速发展，AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型，如GPT-3、BERT、XLNet等，以其强大的语言理解和生成能力，正在改变我们对人工智能的认识。 那以下这些PDF籍就是非常不错的学习资源。

四、AI大模型商业化落地方案

作为普通人，入局大模型时代需要持续学习和实践，不断提高自己的技能和认知水平，同时也需要有责任感和伦理意识，为人工智能的健康发展贡献力量。