OpenBMB/OmniLMM多图微调训练中的数据处理问题分析
2025-05-11 14:33:15作者:薛曦旖Francesca
问题背景
在OpenBMB/OmniLMM项目进行多图微调训练时,当设置llm_type为minicpm时,系统会报出"data fetch error"错误。经过深入调试发现,问题根源在于finetune/dataset.py文件中的conversation_to_ids函数存在实现缺陷。
问题本质
该问题的核心在于不同大语言模型类型处理方式的不一致性。具体表现为:
- 对于llama3和qwen2模型类型,conversation_to_ids函数会调用对应的处理函数(conversation_to_ids_llama3和conversation_to_ids_qwen2),这些函数返回的input_ids是numpy数组对象
- 而对于minicpm模型类型,调用的conversation_to_ids_minicpm函数直接返回Python列表
- 在conversation_to_ids函数的第146行,代码尝试使用.shape属性获取input_ids的维度信息,这在input_ids为列表时会引发错误
解决方案分析
针对这一问题,社区提出了几种解决方案:
- 统一数据类型:在返回input_ids前,使用np.hstack(input_ids)将列表转换为numpy数组,确保所有路径返回的数据类型一致
- 代码逻辑修正:有开发者指出,实际上应该使用ids变量而非input_ids来获取形状信息,因为ids才是经过转换后的numpy对象
- 图像标记处理:还发现另一处潜在问题,在tokenizer.encode(message)[1:]操作中可能会错误截断image_start_token,导致后续图像标记数量校验失败
深入技术细节
在多模态语言模型训练中,数据处理流程至关重要。特别是:
- 文本和图像的联合编码需要特殊标记来区分不同模态
- 输入序列的维度一致性是模型能够正常处理的前提条件
- 不同模型架构可能需要特定的预处理方式,这增加了代码的复杂性
最佳实践建议
- 类型一致性:在多路径处理函数中,确保返回的数据类型保持一致
- 防御性编程:在访问可能不存在的属性前,进行类型检查
- 全面测试:针对不同模型类型设计专门的测试用例
- 日志记录:在关键数据处理节点添加详细的日志输出,便于问题追踪
总结
OpenBMB/OmniLMM项目中的这一问题展示了在多模态模型训练中数据处理的复杂性。通过分析这一问题,我们可以学到在处理多种模型架构时保持代码健壮性的重要性,以及类型一致性在多阶段数据处理流程中的关键作用。
登录后查看全文
热门项目推荐
相关项目推荐
HunyuanImage-3.0
HunyuanImage-3.0 统一多模态理解与生成,基于自回归框架,实现文本生成图像,性能媲美或超越领先闭源模型00ops-transformer
本项目是CANN提供的transformer类大模型算子库,实现网络在NPU上加速计算。C++043Hunyuan3D-Part
腾讯混元3D-Part00GitCode-文心大模型-智源研究院AI应用开发大赛
GitCode&文心大模型&智源研究院强强联合,发起的AI应用开发大赛;总奖池8W,单人最高可得价值3W奖励。快来参加吧~0289Hunyuan3D-Omni
腾讯混元3D-Omni:3D版ControlNet突破多模态控制,实现高精度3D资产生成00GOT-OCR-2.0-hf
阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile09
- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00
项目优选
收起

deepin linux kernel
C
22
6

OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
164
2.05 K

Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
8
0

🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
60
16

🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
952
560

基于golang开发的网关。具有各种插件,可以自行扩展,即插即用。此外,它可以快速帮助企业管理API服务,提高API服务的稳定性和安全性。
Go
22
0

旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
1.01 K
396

本仓将收集和展示仓颉鸿蒙应用示例代码,欢迎大家投稿,在仓颉鸿蒙社区展现你的妙趣设计!
Cangjie
407
387

React Native鸿蒙化仓库
C++
199
279

喝着茶写代码!最易用的自托管一站式代码托管平台,包含Git托管,代码审查,团队协作,软件包和CI/CD。
Go
17
0