LLM - 使用 XTuner 指令微调多模态大语言模型(InternVL2) 教程

欢迎关注我的CSDN：https://spike.blog.csdn.net/

本文地址：https://spike.blog.csdn.net/article/details/142528967

免责声明：本文来源于个人知识与公开资料，仅用于学术交流，欢迎讨论，不支持转载。

XTuner 是高效、灵活且功能齐全的大语言模型和多模态模型微调工具，支持简单配置和轻量级运行，通过配置文件，封装大部分微调场景，降低微调的门槛，同时，支持多种预训练模型，如 InternVL 等，支持多种数据集格式，包括文本、图像或视频等。

1. 准备模型

以 InternVL2-2B 为例，下载 HuggingFace 的 InternVL2-2B 模型：

bash 复制代码

export HF_ENDPOINT="https://hf-mirror.com"
pip install -U huggingface_hub hf-transfer
huggingface-cli download --token [your hf token] --resume-download  OpenGVLab/InternVL2-2B --local-dir InternVL2-2B

或下载 ModelScope 的 InternVL2-2B 模型，推荐：

bash 复制代码

pip install modelscope
modelscope --token [your ms token] download  --model OpenGVLab/InternVL2-2B --local_dir InternVL2-2B

ModelScope 的 Token 是 SDK Token，在网站注册之后获取。

使用 Docker 构建环境：

bash 复制代码

docker run -it \
--privileged \
--network host \
--shm-size 32G \
--gpus all \
--ipc host \
--ulimit memlock=-1 \
--ulimit stack=67108864 \
--name xtuner \
-v [your disk]:[your disk] \
nvcr.io/nvidia/pytorch:23.03-py3 \
/bin/bash

注意：需要继续配置 pip 与 conda 环境

2. 配置 XTuner 环境

配置 XTuner 的 conda 环境，参考 GitHub - xtuner，即：

lmdeploy：用于部署 VL 大模型
streamlit：用于处理数据

即：

bash 复制代码

conda create --name xtuner-env python=3.10 -y
conda activate xtuner-env

pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple
pip install lmdeploy==0.5.3 -i https://pypi.tuna.tsinghua.edu.cn/simple

apt install libaio-dev
pip show transformers		# 4.39.3
pip show streamlit			# 1.36.0
pip show lmdeploy				# 0.5.3

测试 PyTorch 可用，即：

bash 复制代码

python

import torch
print(torch.__version__)  
print(torch.cuda.is_available())  
exit()

配置 XTuner 库，建议使用源码安装：

bash 复制代码

git clone https://github.com/InternLM/xtuner.git
git checkout v0.1.23
pip install -e '.[deepspeed]'

xtuner version
xtuner help

3. 准备 VL 数据集

测试使用的 HuggingFace 数据集： zhongshsh/CLoT-Oogiri-GO，冷笑话数据集

bash 复制代码

export HF_ENDPOINT="https://hf-mirror.com"
pip install -U huggingface_hub hf-transfer
huggingface-cli download --token [hf token] --repo-type dataset --resume-download  zhongshsh/CLoT-Oogiri-GO --local-dir CLoT-Oogiri-GO

使用 I2T (Image to Text) 的数据集进行训练，只选择图像到中文的数据。

核心数据内容 cn.jsonl 是中文注释，images 是图像内容：

bash 复制代码

├── [8.8M]  cn.jsonl
├── [3.5M]  en.jsonl
├── [1.5M]  images
├── [1.3G]  images.zip

数据样本如下：

bash 复制代码

{"text": "『住手！现在的你还不是那家伙的对手！先撤吧！！", "question": null, "star": null, "type": "I2T", "image": "007aPnLRgy1hb39z0im50j30ci0el0wm"}

在构建数据集时，如果 question 是空，替换默认提示文字：请你根据这张图片，讲一个脑洞大开的梗。

安装图像处理的 Python 包，即：

bash 复制代码

pip install datasets matplotlib Pillow timm -i https://pypi.tuna.tsinghua.edu.cn/simple

处理 CLoT-Oogiri-GO 数据集，转换成 XTuner 的格式，参考：

bash 复制代码

{
  "id": 0,
  "image": "images/00000000.jpg",
  "width": 897,
  "height": 1152,
  "conversations": [
    {
      "from": "human",
      "value": "<image>\nCan you extract any readable text from the image?"
    },
    {
      "from": "gpt",
      "value": "Dares Wins Vol. 5 Tommy's Heroes Vol. 6: For Tomorrow Vol. 7: Closing Time miniseries. Clark Kent is being interviewed about Superman's connection to notorious killer Tommy Monaghan. Taking the conversation..."
    }
  ]
}

参考 InternVL - Chat Data Format 的 Single-Image Data 格式。

处理之后的数据集样本数量是 39736，文件是 Json 格式，即ex_cn.json，格式如下：

bash 复制代码

[
# ...
    {
        "id": 2,
        "image": "images/007aPnLRgy1hb39z0im50j30ci0el0wm.jpg",
        "width": 450,
        "height": 404,
        "conversations": [
            {
                "from": "human",
                "value": "<image>\n请你根据这张图片，讲一个脑洞大开的梗。"
            },
            {
                "from": "gpt",
                "value": "『住手！现在的你还不是那家伙的对手！先撤吧！！"
            }
        ]
    },
#...
]

4. 指令微调(Finetune)

修改训练配置 xtuner/configs/internvl/v2/internvl_v2_internlm2_2b_qlora_finetune_my.py，即：

data_root ：数据集的位置
data_path ：处理之后，符合 xtuner 格式的 json 数据集
image_folder ：图像路径，注意，不包括 images，默认会查找 image_folder/images 文件夹
max_length ：最大 Token 长度
prompt_template ：提示词模版，参考xtuner/utils/templates.py
batch_size：batch size 影响显存占用
accumulative_counts：梯度累计，影响显存占用
dataloader_num_workers：数据加载，影响速度
max_epochs：运行的最大 epoch

即：

bash 复制代码

# Model
# path = 'OpenGVLab/InternVL2-2B'
path = "llm/InternVL2-2B"

# Data
# data_root = './data/llava_data/'
# data_path = data_root + 'LLaVA-Instruct-150K/llava_v1_5_mix665k.json'
# image_folder = data_root + 'llava_images'
data_root = 'llm/CLoT-Oogiri-GO/'
data_path = data_root + 'ex_cn.json'
image_folder = data_root
prompt_template = PROMPT_TEMPLATE.internlm2_chat
max_length = 8192

# Scheduler & Optimizer
batch_size = 8  # per_device
accumulative_counts = 2
dataloader_num_workers = 4
max_epochs = 1

其中 PROMPT_TEMPLATE.internlm2_chat 如下：

python 复制代码

internlm2_chat=dict(
    SYSTEM='<|im_start|>system\n{system}<|im_end|>\n',
    INSTRUCTION=('<|im_start|>user\n{input}<|im_end|>\n'
                 '<|im_start|>assistant\n'),
    SUFFIX='<|im_end|>',
    SUFFIX_AS_EOS=True,
    SEP='\n',
    STOP_WORDS=['<|im_end|>']),

运行训练脚本：

bash 复制代码

CUDA_VISIBLE_DEVICES=2,3,4,5 NPROC_PER_NODE=4 xtuner train xtuner/configs/internvl/v2/internvl_v2_internlm2_2b_qlora_finetune_my.py --work-dir xtuner/outputs/internvl_v2_internlm2_2b_qlora_finetune_my --deepspeed deepspeed_zero1

CUDA_VISIBLE_DEVICES 的卡数，需要与 NPROC_PER_NODE 的数量一致。

运行日志，包括：

lr 学习率
eta 预估的训练时间
time 单步运行时间
data_time 数据处理时间
memory 现存占用
loss 损失函数

即：

bash 复制代码

dynamic ViT batch size: 56, images per sample: 7.0, dynamic token length: 3409
09/25 15:07:26 - mmengine - INFO - Iter(train) [  10/1242]  lr: 5.0002e-06  eta: 3:58:14  time: 11.6030  data_time: 0.0238  memory: 37911  loss: 5.6273
09/25 15:08:52 - mmengine - INFO - Iter(train) [  20/1242]  lr: 1.0556e-05  eta: 3:25:19  time: 8.5596  data_time: 0.0286  memory: 37906  loss: 5.7473
09/25 15:10:20 - mmengine - INFO - Iter(train) [  30/1242]  lr: 1.6111e-05  eta: 3:14:46  time: 8.7649  data_time: 0.0290  memory: 37850  loss: 5.1485
09/25 15:11:49 - mmengine - INFO - Iter(train) [  40/1242]  lr: 2.0000e-05  eta: 3:09:50  time: 8.9780  data_time: 0.0293  memory: 37850  loss: 5.0301
09/25 15:13:18 - mmengine - INFO - Iter(train) [  50/1242]  lr: 1.9995e-05  eta: 3:05:54  time: 8.8847  data_time: 0.0283  memory: 37803  loss: 5.0017
09/25 15:14:42 - mmengine - INFO - Iter(train) [  60/1242]  lr: 1.9984e-05  eta: 3:01:05  time: 8.3671  data_time: 0.0271  memory: 37691  loss: 4.7469
09/25 15:17:02 - mmengine - INFO - Iter(train) [  70/1242]  lr: 1.9965e-05  eta: 3:13:06  time: 14.0434  data_time: 0.0302  memory: 37892  loss: 4.9295
09/25 15:18:25 - mmengine - INFO - Iter(train) [  80/1242]  lr: 1.9940e-05  eta: 3:07:30  time: 8.2537  data_time: 0.0324  memory: 37757  loss: 4.8976
09/25 15:19:43 - mmengine - INFO - Iter(train) [  90/1242]  lr: 1.9908e-05  eta: 3:01:51  time: 7.7941  data_time: 0.0348  memory: 37891  loss: 4.7055
09/25 15:20:55 - mmengine - INFO - Iter(train) [ 100/1242]  lr: 1.9870e-05  eta: 2:56:03  time: 7.2490  data_time: 0.0288  memory: 37729  loss: 4.8404
dynamic ViT batch size: 40, images per sample: 5.0, dynamic token length: 3405
09/25 15:22:13 - mmengine - INFO - Iter(train) [ 110/1242]  lr: 1.9824e-05  eta: 2:51:54  time: 7.7299  data_time: 0.0280  memory: 37869  loss: 5.1263
09/25 15:23:29 - mmengine - INFO - Iter(train) [ 120/1242]  lr: 1.9772e-05  eta: 2:48:05  time: 7.6363  data_time: 0.0345  memory: 37937  loss: 4.8139
09/25 15:24:46 - mmengine - INFO - Iter(train) [ 130/1242]  lr: 1.9714e-05  eta: 2:44:44  time: 7.6952  data_time: 0.0355  memory: 37875  loss: 5.0916

输出目录 xtuner/outputs/internvl_v2_internlm2_2b_qlora_finetune_my/20240925_150518：

20240925_150518.log ：日志缓存
scalars.json：运行 loss 相关的日志
config.py：配置缓存

即：

bash 复制代码

├── [ 58K]  20240925_150518.log
└── [4.0K]  vis_data
    ├── [ 15K]  20240925_150518.json
    ├── [4.6K]  config.py
    └── [ 15K]  scalars.json

5. LMDeploy 部署模型

LMDeploy 工具用于部署 VL 模型，注意，如果需要 ModelScope：

bash 复制代码

pip install modelscope
export LMDEPLOY_USE_MODELSCOPE=True

安装环境：

bash 复制代码

pip install lmdeploy==0.5.3 -i https://pypi.tuna.tsinghua.edu.cn/simple
pip install datasets matplotlib Pillow timm -i https://pypi.tuna.tsinghua.edu.cn/simple

模型评估代码：

python 复制代码

from lmdeploy import pipeline
from lmdeploy.vl import load_image

import os
os.environ["CUDA_VISIBLE_DEVICES"] = "1"


pipe = pipeline('llm/InternVL2-2B/')

image = load_image('llm/CLoT-Oogiri-GO/007aPnLRgy1hb39z0im50j30ci0el0wm.jpg')
response = pipe(('请你根据这张图片，讲一个脑洞大开的梗。', image))
print(response.text)

注意：如果是 Jupyter 运行，注意清空输出，避免重复加载模型，报错。

测试 InternVL2 的图像效果：

bash 复制代码

Warning: Flash attention is not available, using eager attention instead.                                               
[WARNING] gemm_config.in is not found; using default GEMM algo

这张图片中的猫咪看起来非常可爱，甚至有点滑稽。让我们来脑洞大开一下，看看这个梗会如何发展：

**梗名："猫咪的愤怒表情"**

**梗描述：**
1. **场景设定**：猫咪站在一个高处，看起来像是在观察周围的环境。
2. **猫咪的表情**：猫咪张大嘴巴，眼睛瞪得大大的，似乎在发出愤怒的吼声。
3. **背景细节**：背景中有一个楼梯，猫咪似乎在楼梯上，可能是在观察楼上的人或物。

**梗发展**：
- **猫咪的愤怒**：猫咪的愤怒表情非常夸张，仿佛它真的在生气，甚至可能在向人发出警告。
- **猫咪的愤怒原因**：猫咪的愤怒可能与它所处的环境有关，比如楼上的人或物让它感到不安，或者它觉得自己的领地受到了侵犯。
- **猫咪的愤怒反应**：猫咪可能会通过大声吼叫、挠痒痒、甚至跳起来来表达它的愤怒。

**梗应用**：
- **搞笑图片**：这张图片可以用来制作搞笑的社交媒体帖子，猫咪的愤怒表情非常生动，能够引起大家的共鸣和笑声。
- **猫咪行为研究**：通过观察猫咪的愤怒表情，研究者可以更好地了解猫咪的情感表达方式，从而更好地照顾和训练它们。

**总结**：
这张图片通过夸张的猫咪愤怒表情，引发了人们对猫咪行为的思考和讨论。它不仅展示了猫咪的可爱，还通过幽默的方式引发了更多关于猫咪行为和情感的有趣话题。

6. 合并模型

将已训练的 LoRA 模型，合并成完整的模型，即：

LoRA 模型是 288M
InternVL2-2B 模型是 4.2G
合并之后模型也是 4.2G

即：

bash 复制代码

cd XTuner
# transfer weights
python xtuner/xtuner/configs/internvl/v1_5/convert_to_official.py \
xtuner/xtuner/configs/internvl/v2/internvl_v2_internlm2_2b_qlora_finetune_my.py \
xtuner/outputs/internvl_v2_internlm2_2b_qlora_finetune_my/iter_1242.pth \
llm/convert_model/

# 重命名
mv llm/convert_model/ llm/InternVL2-2B-my/

注意：需要修改模型 convert_model 名称，确保 LMDeploy 可以识别 PromptTemplate，参考 XTuner - Load failure with the converted finetune InternVL2-2B model

使用 LMDeploy 测试新模型 InternVL2-2B-my 的输出，明显更加简洁，即：

bash 复制代码

小猫咪，你的猫爪好臭啊

7. 其他

CLoT-Oogiri-GO 数据集转换成 XTuner 格式的脚本：

python 复制代码

import json
import os

import PIL.Image as Image
from tqdm import tqdm

from root_dir import DATA_DIR


class OogirlGoProcessor(object):
    """
    将 oogirl_go 数据集转换为 xtuner 格式
    """
    def __init__(self):
        pass

    @staticmethod
    def process(json_path, output_path):
        print(f"[Info] json_path: {json_path}")
        print(f"[Info] output_path: {output_path}")
        with open(json_path, "r", encoding="utf-8") as f:
            lines = f.readlines()
        r_id = 0
        dataset_dir = os.path.dirname(json_path)
        sample_list = []
        for line in tqdm(lines):
            data = json.loads(line)
            # print(data)
            img_name = data["image"]
            r_image = f"images/{img_name}.jpg"
            img_path = os.path.join(dataset_dir, r_image)
            if not os.path.exists(img_path):
                continue
            img = Image.open(img_path)
            r_width, r_height = img.size
            # print(f"[Info] w: {r_width}, h: {r_height}")
            r_human = data["question"]
            if not r_human:
                r_human = "请你根据这张图片，讲一个脑洞大开的梗。"
            r_gpt = data["text"]
            if not r_gpt:
                continue
            sample_dict = {
                "id": r_id,
                "image": r_image,
                "width": r_width,
                "height": r_height,
                "conversations": [
                    {
                        "from": "human",
                        "value": f"<image>\n{r_human}"
                    },
                    {
                        "from": "gpt",
                        "value": r_gpt
                    }
                ]
            }
            sample_list.append(sample_dict)
            r_id += 1
        print(f"[Info] 全部样本数量: {r_id}")
        with open(output_path, "w", encoding="utf-8") as f:
            json.dump(sample_list, f, ensure_ascii=False, indent=4)


def main():
    json_path = os.path.join(DATA_DIR, "CLoT-Oogiri-GO", "cn.jsonl")
    output_path = os.path.join(DATA_DIR, "CLoT-Oogiri-GO", "ex_cn.json")
    ogp = OogirlGoProcessor()
    ogp.process(json_path, output_path)


if __name__ == '__main__':
    main()

BugFix1：ImportError: libGL.so.1: cannot open shared object file: No such file or directory

解决方案：

bash 复制代码

apt-get update && apt-get install ffmpeg libsm6 libxext6  -y

参考：

LLM - 使用 XTuner 指令微调 多模态大语言模型(InternVL2) 教程

1. 准备模型

2. 配置 XTuner 环境

3. 准备 VL 数据集

4. 指令微调(Finetune)

5. LMDeploy 部署模型

6. 合并模型

7. 其他

LLM - 使用 XTuner 指令微调多模态大语言模型(InternVL2) 教程