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

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。

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，OpenDataLab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7,700多个大模型优质、开源数据集，并提供便捷检索和快速下载服务。

ModelScope魔搭作为中国最具影响力的模型开源社区，链接了国内外最优秀的开发者群体，并成为国内外大模型开源的首发平台。围绕平台上开源的5,000多个优质模型，ModelScope通过自身完整的技术体系，服务了超过500万的AI开发者。

你将获得这些新体验：

ModelScope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。

结合ModelScope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。

OpenDataLab和ModelScope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ModelScope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，来实现数据文件的下载和版本管理：

GIT_LFS_SKIP_SMUDGE=1 git clone https://www.modelscope.cn/datasets/Shanghai_AI_Laboratory/LAMM.gitgit lfs pull

对于符合ModelScope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 modelscopepip install modelscope # Load & manage datasetfrom modelscope.msdatasets import MsDatasetds =  MsDataset.load('Shanghai_AI_Laboratory/LAMM')

（左右滑动，查看全部）

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。

# Install openxlabpip install openxlab # Download datasetopenxlab dataset download --dataset-repo <dataset-repo>

（左右滑动，查看全部）

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。以LAMM数据集为例：

● 训练环境准备

pip install modelscope -Upip install ms-swift -U

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"]    }
（左右滑动，查看全部）

● 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
（左右滑动，查看全部）

train loss

eval acc

补充说明

OpenDataLab多模态数据集LAMM介绍

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。

欢迎大家使用 你还有哪些需求或更好的建议，快来OpenDataLab github主页给我们提issue吧

赌你一定想要！OpenDataLab首款大模型多模态标注平台Label-LLM正式开源

2024-06-06

浦数 AI Talk 第五季 | 直击前沿：探索多模态AI的无限可能①——详解InternVL，开源多模态大模型“黑马”

2024-06-04

上海AI Lab开源首个可替代GPT-4V的多模态大模型

2024-06-04

浦源大模型挑战赛（夏季赛）·安全可信赛道正式启动！

2024-06-03