ModelScope联手OpenDataLab：直接调用7000+开源数据集，赋能AI模型加速研发

2024-06-21 249

版权

本文内容由阿里云实名注册用户自发贡献，版权归原作者所有，阿里云开发者社区不拥有其著作权，亦不承担相应法律责任。具体规则请查看《阿里云开发者社区用户服务协议》和《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容，填写侵权投诉表单进行举报，一经查实，本社区将立刻删除涉嫌侵权内容。

简介： 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。

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