# Qwen2.5-VL-7B-LlamaFactory 

## 项目简介

该项目旨在使用llama-factory 组件 deepspeed 引擎，基于 chartqa 数据集对 Qwen2.5-VL-7B-Instruct 进行 SFT

---

## 环境部署

### 1. 拉取镜像

```bash
docker pull image.sourcefind.cn:5000/dcu/admin/base/vllm:0.8.5-ubuntu22.04-dtk25.04.1-rc5-das1.6-py3.10-20250724
```

### 2. 创建容器

```bash
docker run -dit \
  --name Qwen2_5_SFT \
  --network=host \
  --ipc=host \
  --shm-size=256G \
  --group-add video \
  --cap-add=SYS_PTRACE \
  --device /dev/kfd \
  --device /dev/dri \
  -v /opt/hyhal:/opt/hyhal:ro \
  -v $(pwd):/workspace \
  -w /workspace \
  --privileged \
  -u root \
  --ulimit stack=-1:-1 \
  --ulimit memlock=-1:-1 \
  --security-opt seccomp=unconfined \
  image.sourcefind.cn:5000/dcu/admin/base/vllm:0.8.5-ubuntu22.04-dtk25.04.1-rc5-das1.6-py3.10-20250724 \
  /bin/bash
```

进入容器
```bash
docker exec -it Qwen2_5_SFT bash
```

---

## 测试步骤

### 1. 拉取代码&安装

```bash
http://developer.sourcefind.cn/codes/bw-bestperf/qwen2.5-vl-7b-llamafactory.git
cd qwen2.5-vl-7b-llamafactory
pip install -e ".[torch,metrics]" --no-build-isolation -i https://pypi.tuna.tsinghua.edu.cn/simple
```

### 2. 配置转换数据集

**需要将 chartqa 数据集转为 llama-factory 可训练的 json 格式**

chartqa数据集：https://www.modelscope.cn/datasets/swift/ChartQA/files

脚本 `scripts/convert_chartqa.py` 将数据集转为 image+json 格式脚本，注意修改脚本 `data_dir` 数据集路径

**生成数据集移动到/data 路径下，并在 /data/data_info.json 注册数据集**

```bash
# 生成 image+json 数据集
python scripts/convert_chartqa.py
# 移动到 data 路径
mv scripts/llamafactory_chartqa.json ./data/
mv scripts/chartqa ./data/
```

`/data/data_info.json` 数据集添加注册

```json
"chartqa": {
    "file_name": "llamafactory_chartqa.json",
    "formatting": "sharegpt",
    "columns": {
      "messages": "messages",
      "images": "images"
    },
    "tags": {
      "role_tag": "role",
      "content_tag": "content",
      "user_tag": "user",
      "assistant_tag": "assistant"
    }
},
```

### 3. 下载模型

模型链接：https://modelscope.cn/models/Qwen/Qwen2.5-VL-7B-Instruct/summary


安装 ModelScope

```bash
pip install modelscope
```

下载所需模型

```bash
cd workspace
modelscope download --model Qwen/Qwen2.5-VL-7B-Instruct --local_dir ./Qwen2.5-VL-7B-Instruct
```

---

## 测试脚本（8卡）

脚本 `examples/train_lora/qwen2_5vl_chartqa.sh`

```bash
#! /usr/bin/env bash

set -ex
DATESTR=`date +%Y%m%d-%H%M%S`
OUTPUT_DIR=output/${RUN_NAME}-${DATESTR}-${LR}
CACHE_DIR=cache
MASTER_PORT=$(shuf -n 1 -i 10000-65535)
export HIP_VISIBLE_DEVICES=0,1,2,3,4,5,6,7

export  HSA_FORCE_FINE_GRAIN_PCIE=1
export NCCL_LAUNCH_MODE=GROUP
# export NCCL_DEBUG=INFO
export NCCL_P2P_DISABLE=0
# export MASTER_ADDR="127.0.0.1"
# export MASTER_PORT=59992
export LLAMA_NN=1 
export TORCH_NCCL_TIMEOUT=3600000 
export TORCH_DISTRIBUTED_DEFAULT_TIMEOUT=1800
export NCCL_MAX_NCHANNELS=16 
export NCCL_MIN_NCHANNELS=20 
export NCCL_P2P_LEVEL=SYS 
export ROCBLAS_COMPUTETYPE_FP16R=0  
export TOKENIZERS_PARALLELISM=false
# 可以通过设置环境变量临时屏蔽这些警告
export PYTHONWARNINGS="ignore"

mkdir -p $OUTPUT_DIR

deepspeed --num_gpus 8 --num_nodes 1 --master_port=$MASTER_PORT src/train.py \
    --stage sft \
    --do_train \
    --lora_rank 8 \
    --lora_alpha 8 \
    --lora_target all \
    --resize_vocab True \
    --optim adamw_torch \
    --model_name_or_path /workspace/models/Qwen2.5-VL-7B-Instruct \
    --dataset chartqa \
    --template qwen2_vl \
    --finetuning_type lora \
    --output_dir $OUTPUT_DIR \
    --overwrite_cache \
    --overwrite_output_dir True \
    --warmup_steps 100 \
    --max_grad_norm 1.0 \
    --weight_decay 0.1 \
    --ddp_timeout 120000000 \
    --per_device_train_batch_size 15 \
    --gradient_accumulation_steps 15 \
    --lr_scheduler_type cosine \
    --logging_steps 10 \
    --learning_rate 1e-4 \
    --num_train_epochs 2 \
    --max_samples 1000 \
    --plot_loss \
    --bf16 \
    --logging_dir qwen2.5_vl_prof/logs \
    --deepspeed examples/deepspeed/ds_z2_config.json \
    --dataloader_num_workers 32 2>&1 | tee -a ${OUTPUT_DIR}/train.log
```

启动指令

```bash
cd qwen2.5-vl-7b-llamafactory
bash examples/train_lora/qwen2_5vl_chartqa.sh
```

---

## 贡献指南

欢迎对 qwen2.5-vl-7b-llamafactory 项目进行贡献！请遵循以下步骤：

1. Fork 本仓库，并新建分支进行功能开发或问题修复。
2. 提交规范的 commit 信息，描述清晰。
3. 提交 Pull Request，简述修改内容及目的。
4. 遵守项目代码规范和测试标准。
5. 参与代码评审，积极沟通改进方案。

---

## 许可证

本项目遵循 Apache 2.0 许可证，详见 [LICENSE](./LICENSE) 文件。

---

感谢您的关注与支持！如有问题，欢迎提交 Issue 或联系维护团队。