引言
OpenDataLab浦数 人工智能开放数据平台，是上海人工智能实验室在WAIC 2022科学前沿全体会议上发布“OpenXLab浦源”人工智能开源开放体系的核心项目之一。
OpenDataLab作为人工智能数据领域的探路者和开源数据社区的倡导者，围绕大模型数据开展多项前沿技术探索，构建面向大模型研发全流程的数据平台及大模型时代数据管理体系。
全新的OpenDataLab浦数人工智能开放数据平台汇聚了海量的数据资源，包括覆盖800多种任务类型的7,000多个数据集，并提供便捷检索和快速下载服务。
魔搭社区和OpenDatalab浦数合作，共同开启一场模型与数据的深度融合，旨在为中国开发者打造更加高效、开放的AI体验。
- 一站式开发体验：魔搭社区作为领先的模型开源平台，汇聚了丰富的行业模型和大规模预训练。而OpenDatalab以其高质量、多样化的数据集闻名，此次合作将实现模型与数据的无缝对接，为开发者提供从数据获取、模型训练到部署应用的一站式解决方案，极大提升开发效率。
- 增强的创新能力：结合魔搭社区的领先的模型和OpenDatalab的广泛数据集，开发者可以轻松尝试更多的预训练，微调等模型算法，快速验证模型的效果，以及推动模型落地千行百业，降低创新门槛，加速从想法到产品的转化过程。
在魔搭社区使用OpenDataLab数据集
下载和加载OpenDataLab数据集
OpenDataLab和魔搭社区在底层数据存储和交换链路、数据集meta信息表征、数据展现、ToolKit等几个技术层面，实现了互联互通；用户可以在ModelScope魔搭社区使用git和sdk的方式来下载从OpenDataLab迁移过来的数据；同时，对于部分大型数据集，OpenDataLab提供了数据meta信息、数据下载接口，在魔搭平台上透出。
总的来说，用户可以通过以下三种方式来下载和使用OpenDataLab的数据集：
- 使用git来下载和管理数据集，我们以LAMM数据集为例，其数据卡片参考：https://modelscope.cn/datasets/Shanghai_AI_Laboratory/LAMM/summary，使用git命令：
GIT_LFS_SKIP_SMUDGE=1 git clone https://www.modelscope.cn/datasets/Shanghai_AI_Laboratory/LAMM.git git lfs pull
来实现数据文件的下载和版本管理。
- 使用sdk加载数据
对于符合魔搭数据集组织结构规范的OpenDataLab数据集，我们也可以使用ModelScope SDK的MsDataset模块来加载数据集，具体使用方式：
# Install modelscope pip install modelscope # Load & manage dataset from modelscope.msdatasets import MsDataset ds = MsDataset.load('Shanghai_AI_Laboratory/LAMM')
此时，数据集被下载到本地缓存，数据被组织为不同的subset、split（如train、test、validation），支持对ds对象（通常为DatasetDict或Dataset格式）的遍历、filter、map等操作。
- 使用OpenDataLab原生的数据集下载工具：在此种模式下，OpenDataLab数据集的元信息、数据卡片、数据标签等内容会托管在魔搭平台，而底层真实的数据扔存储在OpenDataLab上，此时可通过openxlab命令实现数据集的下载操作：
# Install openxlab pip install openxlab # Download dataset openxlab dataset download --dataset-repo <dataset-repo>
使用OpenDataLab数据集微调模型
与大多数魔搭数据一样，当OpenDataLab数据集可以使用ModelScope sdk加载时，即可以使用ModelScope SWIFT高效微调工具来训练你的模型。
- 环境准备
pip install modelscope -U pip install ms-swift -U
- OpenDataLab多模态数据集LAMM
LAMM数据集是上海人工智能实验室开源的一个多模态数据集，包括一个包含 186,098 个图像语言指令-响应对的图像指令调整数据集和一个包含 10,262 个点云语言指令-响应对的点云指令调整数据集。 该数据集从公开可用的数据集中收集图像和点云，并使用 GPT API 和自我指导方法根据这些数据集中的原始标签生成指令和响应。 该数据有以下特性：
- 添加了更多视觉信息，例如视觉关系和细粒度类别作为 GPT API 的输入
- 观察到现有的 MLLM 可能难以理解视觉任务指令。 为了解决这个问题，设计了一种将视觉任务注释转换为指令-响应对的方法，从而增强了 MLLM 对视觉任务指令的理解和泛化
- LAMM-Dataset 还包括用于常识性知识问答的数据对，方法是结合来自 Bamboo 数据集的分层知识图标签系统和相应的维基百科描述。
- 训练GLM4v
这里我们使用LAMM多模态数据集来微调GLM4-V模型，即glm4v-9b-chat；微调框架为ModelScope SWIFT。以下是具体步骤：
获取代码
git clone git@github.com:modelscope/swift.git
数据准备
由于LAMM并未集成到SWIFT数据集中，这里我们走自定义形式。将LAMM数据配置加入到SWIFT dataset_info.json中：
编辑swift/llm/data/dataset_info.json
"opendatalab-LAMM": { "dataset_id": "Shanghai_AI_Laboratory/LAMM", "hf_dataset_id": "", "subsets": ["LAMM_instruct_98k"], "split": ["train"], "conversations": { "user_role": "human", "assistant_role": "gpt", "conversations_key": "conversations", "from_key": "from", "value_key": "value", "error_strategy": "delete", "media_type": "image", "media_key": "image" }, "tags": ["multi-modal"] }
- 这里subset使用了LAMM_instruct_98k
- conversations_key取LAMM数据集的subset LAMM_instruct_98k中的conversations字段
配置完成后，执行 pip install -e .
执行训练
# Experimental environment: A100 # 40GB GPU memory # limit 10000 CUDA_VISIBLE_DEVICES=0 swift sft --model_type glm4v-9b-chat --dataset opendatalab-LAMM#10000
train loss
eval acc
点击链接👇查看原文
https://modelscope.cn/datasets/Shanghai_AI_Laboratory/LAMM/summary?from=alizishequ__text
