Gemma را برای کارهای Vision با استفاده از ترانسفورماتورهای Hugging Face و QLoRA تنظیم کنید

مشاهده در ai.google.dev در گوگل کولب اجرا کنید دویدن در کاگل باز کردن در Vertex AI مشاهده منبع در گیت‌هاب

این راهنما به شما نحوه تنظیم دقیق Gemma را روی یک مجموعه داده تصویری و متنی سفارشی برای یک کار بینایی (تولید توضیحات محصول) با استفاده از Hugging Face Transformers و TRL آموزش می‌دهد. شما یاد خواهید گرفت:

  • سازگاری رتبه پایین کوانتیزه (QLoRA) چیست؟
  • محیط توسعه راه‌اندازی
  • ایجاد و آماده‌سازی مجموعه داده‌های تنظیم دقیق
  • تنظیم دقیق Gemma با استفاده از TRL و SFTTrainer
  • استنتاج مدل را آزمایش کنید و توضیحات محصول را از تصاویر و متن تولید کنید.

سازگاری رتبه پایین کوانتیزه (QLoRA) چیست؟

این راهنما استفاده از تطبیق رتبه پایین کوانتیزه (QLoRA) را نشان می‌دهد، که به عنوان یک روش محبوب برای تنظیم دقیق LLMها به طور موثر ظهور کرده است، زیرا نیازهای منابع محاسباتی را کاهش می‌دهد و در عین حال عملکرد بالا را حفظ می‌کند. در QloRA، مدل از پیش آموزش دیده به ۴ بیت کوانتیزه می‌شود و وزن‌ها ثابت می‌مانند. سپس لایه‌های آداپتور قابل آموزش (LoRA) متصل می‌شوند و فقط لایه‌های آداپتور آموزش داده می‌شوند. پس از آن، وزن‌های آداپتور را می‌توان با مدل پایه ادغام کرد یا به عنوان یک آداپتور جداگانه نگه داشت.

محیط توسعه راه‌اندازی

اولین قدم نصب کتابخانه‌های چهره در آغوش گرفته (Hugging Face Libraries)، از جمله TRL، و مجموعه داده‌ها برای تنظیم دقیق مدل باز است.

# Install Pytorch & other libraries
%pip install torch tensorboard torchvision
%pip install -U torchao

# Install Transformers
%pip install "transformers>=5.10.1"

# Install Hugging Face libraries
%pip install datasets accelerate evaluate bitsandbytes trl "peft>=0.19.0" protobuf pillow sentencepiece

# COMMENT IN: if you are running on a GPU that supports BF16 data type and flash attn, such as NVIDIA L4 or NVIDIA A100
#%pip install flash-attn

توجه: اگر از پردازنده گرافیکی (GPU) با معماری Ampere (مانند NVIDIA L4) یا جدیدتر استفاده می‌کنید، می‌توانید از Flash Attention استفاده کنید. Flash Attention روشی است که به طور قابل توجهی سرعت محاسبات را افزایش داده و میزان استفاده از حافظه را از درجه دوم به خطی در طول توالی کاهش می‌دهد و منجر به تسریع آموزش تا 3 برابر می‌شود. برای اطلاعات بیشتر به FlashAttention مراجعه کنید.

برای انتشار مدل خود به یک Hugging Face Token معتبر نیاز دارید. اگر در داخل یک Google Colab در حال اجرا هستید، می‌توانید با استفاده از اسرار Colab به طور ایمن از Hugging Face Token خود استفاده کنید، در غیر این صورت می‌توانید توکن را مستقیماً در متد login تنظیم کنید. هنگام ارسال مدل خود به Hub در طول آموزش، مطمئن شوید که توکن شما دسترسی نوشتن نیز دارد.

# Login into Hugging Face Hub
from huggingface_hub import login
login()

ایجاد و آماده‌سازی مجموعه داده‌های تنظیم دقیق

هنگام تنظیم دقیق LLMها، مهم است که مورد استفاده خود و وظیفه‌ای را که می‌خواهید حل کنید، بشناسید. این به شما کمک می‌کند تا یک مجموعه داده برای تنظیم دقیق مدل خود ایجاد کنید. اگر هنوز مورد استفاده خود را تعریف نکرده‌اید، بهتر است به مرحله طراحی برگردید.

به عنوان مثال، این راهنما بر روی مورد استفاده زیر تمرکز دارد:

  • تنظیم دقیق مدل Gemma برای تولید توضیحات مختصر و بهینه شده برای سئوی محصول برای یک پلتفرم تجارت الکترونیک، به طور خاص متناسب با جستجوی موبایل.

این راهنما از مجموعه داده philschmid/amazon-product-descriptions-vlm ، مجموعه داده‌ای از توضیحات محصولات آمازون، شامل تصاویر و دسته‌بندی‌های محصول، استفاده می‌کند.

TRL مربوط به چهره در آغوش گرفته از مکالمات چندوجهی پشتیبانی می‌کند. بخش مهم، نقش "تصویر" است که به کلاس پردازش می‌گوید که باید تصویر را بارگذاری کند. ساختار باید به شرح زیر باشد:

{"messages": [{"role": "system", "content": [{"type": "text", "text":"You are..."}]}, {"role": "user", "content": [{"type": "text", "text": "..."}, {"type": "image"}]}, {"role": "assistant", "content": [{"type": "text", "text": "..."}]}]}
{"messages": [{"role": "system", "content": [{"type": "text", "text":"You are..."}]}, {"role": "user", "content": [{"type": "text", "text": "..."}, {"type": "image"}]}, {"role": "assistant", "content": [{"type": "text", "text": "..."}]}]}
{"messages": [{"role": "system", "content": [{"type": "text", "text":"You are..."}]}, {"role": "user", "content": [{"type": "text", "text": "..."}, {"type": "image"}]}, {"role": "assistant", "content": [{"type": "text", "text": "..."}]}]}

اکنون می‌توانید از کتابخانه‌ی Hugging Face Datasets برای بارگذاری مجموعه داده و ایجاد یک الگوی اعلان برای ترکیب تصویر، نام محصول و دسته‌بندی و افزودن یک پیام سیستمی استفاده کنید. این مجموعه داده شامل تصاویر به عنوان اشیاء Pil.Image است.

from datasets import load_dataset
from PIL import Image

# System message for the assistant
system_message = "You are an expert product description writer for Amazon."

# User prompt that combines the user query and the schema
user_prompt = """Create a Short Product description based on the provided <PRODUCT> and <CATEGORY> and image.
Only return description. The description should be SEO optimized and for a better mobile search experience.

<PRODUCT>
{product}
</PRODUCT>

<CATEGORY>
{category}
</CATEGORY>
"""

# Convert dataset to OAI messages
def format_data(sample):
    return {
        "messages": [
            {
                "role": "system",
                #"content": [{"type": "text", "text": system_message}],
                "content": system_message,
            },
            {
                "role": "user",
                "content": [
                    {
                        "type": "text",
                        "text": user_prompt.format(
                            product=sample["Product Name"],
                            category=sample["Category"],
                        ),
                    },
                    {
                        "type": "image",
                        "image": sample["image"],
                    },
                ],
            },
            {
                "role": "assistant",
                "content": [{"type": "text", "text": sample["description"]}],
            },
        ],
    }

def process_vision_info(messages: list[dict]) -> list[Image.Image]:
    image_inputs = []
    # Iterate through each conversation
    for msg in messages:
        # Get content (ensure it's a list)
        content = msg.get("content", [])
        if not isinstance(content, list):
            content = [content]

        # Check each content element for images
        for element in content:
            if isinstance(element, dict) and (
                "image" in element or element.get("type") == "image"
            ):
                # Get the image and convert to RGB
                if "image" in element:
                    image = element["image"]
                else:
                    image = element
                image_inputs.append(image.convert("RGB"))
    return image_inputs

# Load dataset from the hub
dataset = load_dataset("philschmid/amazon-product-descriptions-vlm", split="train")
dataset = dataset.train_test_split(test_size=0.1)

# Convert dataset to OAI messages
# need to use list comprehension to keep Pil.Image type, .mape convert image to bytes
dataset_train = [format_data(sample) for sample in dataset["train"]]
dataset_test = [format_data(sample) for sample in dataset["test"]]

print(dataset_train[345]["messages"])
[{'role': 'system', 'content': 'You are an expert product description writer for Amazon.'}, {'role': 'user', 'content': [{'type': 'text', 'text': 'Create a Short Product description based on the provided <PRODUCT> and <CATEGORY> and image.\nOnly return description. The description should be SEO optimized and for a better mobile search experience.\n\n<PRODUCT>\nBachmann Trains inches 6 inches Pine Trees with Snow 6 Per Box\n</PRODUCT>\n\n<CATEGORY>\nToys & Games | Hobbies | Trains & Accessories | Accessories | Scenery\n</CATEGORY>\n'}, {'type': 'image', 'image': <PIL.JpegImagePlugin.JpegImageFile image mode=RGB size=173x500 at 0x7ED5E4422C00>}]}, {'role': 'assistant', 'content': [{'type': 'text', 'text': 'Enhance your model train landscape with these realistic Bachmann Trains 6-inch pine trees, flocked with snow.  Six highly detailed trees per box, perfect for adding winter charm to your HO scale layout.  Create a captivating snowy scene!'}]}]

تنظیم دقیق Gemma با استفاده از TRL و SFTTrainer

اکنون آماده‌اید تا مدل خود را تنظیم دقیق کنید. Hugging Face TRL SFTTrainer نظارت بر LLM های باز تنظیم دقیق را آسان می‌کند. SFTTrainer زیرکلاس Trainer از کتابخانه transformers است و از تمام ویژگی‌های مشابه، از جمله ثبت وقایع، ارزیابی و بررسی نقاط کنترل، پشتیبانی می‌کند، اما ویژگی‌های کیفیت زندگی اضافی، از جمله موارد زیر را نیز اضافه می‌کند:

  • قالب‌بندی مجموعه داده‌ها، شامل قالب‌های محاوره‌ای و دستورالعملی
  • آموزش فقط در مورد تکمیل مراحل، نادیده گرفتن دستورالعمل‌ها
  • بسته‌بندی مجموعه داده‌ها برای آموزش کارآمدتر
  • پشتیبانی از تنظیم دقیق پارامتر-کارآمد (PEFT) شامل QloRA
  • آماده‌سازی مدل و توکنایزر برای تنظیم دقیق محاوره‌ای (مانند افزودن توکن‌های ویژه)

کد زیر مدل Gemma و توکن‌ساز را از Hugging Face بارگذاری کرده و پیکربندی کوانتیزاسیون را مقداردهی اولیه می‌کند.

import torch
from transformers import AutoProcessor, AutoModelForMultimodalLM, BitsAndBytesConfig
from peft import prepare_model_for_kbit_training

# Hugging Face model id
model_id = "google/gemma-4-E2B" # @param ["google/gemma-4-E2B","google/gemma-4-E4B","google/gemma-4-12B","google/gemma-4-31B","google/gemma-4-26B-A4B"] {"allow-input":true}

# Check if GPU supports bfloat16
if not torch.cuda.is_bf16_supported():
    raise ValueError("GPU does not support bfloat16, please use a GPU that supports bfloat16.")

torch_dtype = torch.bfloat16

# Define model init arguments
model_kwargs = dict(
    dtype=torch_dtype, # What torch dtype to use
    device_map="auto", # Let torch decide how to load the model
)

# BitsAndBytesConfig int-4 config
model_kwargs["quantization_config"] = BitsAndBytesConfig(
    load_in_4bit=True,
    bnb_4bit_use_double_quant=True,
    bnb_4bit_quant_type="nf4",
    bnb_4bit_compute_dtype=torch_dtype,
    bnb_4bit_quant_storage=torch_dtype,
)

# Load model and processor
model = AutoModelForMultimodalLM.from_pretrained(model_id, **model_kwargs)
processor = AutoProcessor.from_pretrained("google/gemma-4-E2B-it") # Load the Instruction Tokenizer to use the official Gemma template

# Prepare model for QLoRA training
model = prepare_model_for_kbit_training(model)
Loading weights:   0%|          | 0/1951 [00:00<?, ?it/s]
/usr/local/lib/python3.12/dist-packages/bitsandbytes/backends/cuda/ops.py:213: FutureWarning: _check_is_size will be removed in a future PyTorch release along with guard_size_oblivious.     Use _check(i >= 0) instead.
  torch._check_is_size(blocksize)

SFTTrainer از یکپارچه‌سازی داخلی با peft پشتیبانی می‌کند، که تنظیم کارآمد LLMها را با استفاده از QLoRA ساده می‌کند. شما فقط باید یک LoraConfig ایجاد کنید و آن را در اختیار مربی قرار دهید.

from peft import LoraConfig

peft_config = LoraConfig(
    lora_alpha=16,
    lora_dropout=0.05,
    r=16,
    bias="none",
    # no target_modules — PEFT's Gemma 4 defaults scope to the LM layers
    task_type="CAUSAL_LM",
    modules_to_save=["lm_head", "embed_tokens"], # make sure to save the lm_head and embed_tokens as you train the special tokens
    ensure_weight_tying=True,
)

قبل از شروع آموزش، باید هایپرپارامتری که می‌خواهید در SFTConfig استفاده کنید و یک collate_fn سفارشی برای مدیریت پردازش بینایی تعریف کنید. collate_fn پیام‌ها را با متن و تصاویر به فرمتی تبدیل می‌کند که مدل بتواند آن را درک کند.

from trl import SFTConfig

args = SFTConfig(
    output_dir="gemma-product-description",     # directory to save and repository id
    num_train_epochs=3,                         # number of training epochs
    per_device_train_batch_size=1,              # batch size per device during training
    per_device_eval_batch_size=1,               # batch size per device during evaluation
    optim="adamw_torch_fused",                  # use fused adamw optimizer
    logging_steps=5,                            # log every 5 steps
    save_strategy="epoch",                      # save checkpoint every epoch
    eval_strategy="epoch",                      # evaluate checkpoint every epoch
    learning_rate=2e-4,                         # learning rate, based on QLoRA paper
    bf16=True,                                  # use bfloat16 precision
    max_grad_norm=0.3,                          # max gradient norm based on QLoRA paper
    lr_scheduler_type="constant",               # use constant learning rate scheduler
    push_to_hub=True,                           # push model to hub
    report_to="tensorboard",                    # report metrics to tensorboard
    dataset_text_field="",                      # need a dummy field for collator
    dataset_kwargs={"skip_prepare_dataset": True}, # important for collator
    remove_unused_columns = False               # important for collator
)

# Create a data collator to encode text and image pairs
def collate_fn(examples):
    texts = []
    images = []
    for example in examples:
        image_inputs = process_vision_info(example["messages"])
        text = processor.apply_chat_template(
            example["messages"], add_generation_prompt=False, tokenize=False
        )
        texts.append(text.strip())
        images.append(image_inputs)

    # Tokenize the texts and process the images
    batch = processor(text=texts, images=images, return_tensors="pt", padding=True)

    # The labels are the input_ids, and we mask the padding tokens and image tokens in the loss computation
    labels = batch["input_ids"].clone()

    # Mask tokens for not being used in the loss computation
    labels[labels == processor.tokenizer.pad_token_id] = -100
    labels[labels == processor.tokenizer.boi_token_id] = -100
    labels[labels == processor.tokenizer.image_token_id] = -100
    labels[labels == processor.tokenizer.eoi_token_id] = -100

    batch["labels"] = labels
    return batch
/tmp/ipykernel_26645/1232990497.py:3: FutureWarning: The default `loss_type` will change from `'nll'` to `'chunked_nll'` in TRL 1.7. For standard models this is transparent (same math, lower memory) and no action is needed — you'll get the new default automatically on upgrade. If you use a custom model, check ahead of time that `loss_type='chunked_nll'` runs and yields the same loss as `'nll'`; if it doesn't, pin `loss_type='nll'` to keep the current behavior and please open an issue at https://github.com/huggingface/trl/issues so we can address the edge case.
  args = SFTConfig(

اکنون هر بلوک سازنده‌ای که برای ایجاد SFTTrainer خود و شروع آموزش مدلتان نیاز دارید را در اختیار دارید.

from trl import SFTTrainer

# Create Trainer object
trainer = SFTTrainer(
    model=model,
    args=args,
    train_dataset=dataset_train,
    eval_dataset=dataset_test,
    peft_config=peft_config,
    processing_class=processor,
    data_collator=collate_fn,
)

آموزش را با فراخوانی متد train() شروع کنید.

# Start training, the model will be automatically saved to the Hub and the output directory
trainer.train()

# Save the final model again to the Hugging Face Hub
trainer.save_model()
[transformers] The tokenizer has new PAD/BOS/EOS tokens that differ from the model config and generation config. The model config and generation config were aligned accordingly, being updated with the tokenizer's values. Updated tokens: {'eos_token_id': 1, 'bos_token_id': 2, 'pad_token_id': 0}.
Processing Files (0 / 0)      : |          |  0.00B /  0.00B
New Data Upload               : |          |  0.00B /  0.00B
...34898.c7e1d0064144.7818.0: 100%|##########| 43.2kB / 43.2kB
...escription/tokenizer.json: 100%|##########| 32.2MB / 32.2MB
...adapter_model.safetensors:   5%|4         | 80.0MB / 1.62GB
...5378.c7e1d0064144.10487.0: 100%|##########|  289kB /  289kB
...ription/training_args.bin: 100%|##########| 5.71kB / 5.71kB
No files have been modified since last commit. Skipping to prevent empty commit.
WARNING:huggingface_hub.hf_api:No files have been modified since last commit. Skipping to prevent empty commit.

قبل از اینکه بتوانید مدل خود را آزمایش کنید، مطمئن شوید که حافظه را آزاد کرده‌اید.

# free the memory again
del model
del trainer
torch.cuda.empty_cache()

هنگام استفاده از QLoRA، شما فقط آداپتورها را آموزش می‌دهید و نه مدل کامل را. این بدان معناست که هنگام ذخیره مدل در طول آموزش، فقط وزن‌های آداپتور را ذخیره می‌کنید و نه مدل کامل را. اگر می‌خواهید مدل کامل را ذخیره کنید، که استفاده از آن را با پشته‌های ارائه دهنده مانند vLLM یا TGI آسان‌تر می‌کند، می‌توانید وزن‌های آداپتور را با استفاده از روش merge_and_unload در وزن‌های مدل ادغام کنید و سپس مدل را با روش save_pretrained ذخیره کنید. این یک مدل پیش‌فرض را ذخیره می‌کند که می‌تواند برای استنتاج استفاده شود.

from transformers import AutoModelForMultimodalLM, AutoProcessor
from peft import PeftModel

# Load Model base model
model = AutoModelForMultimodalLM.from_pretrained(model_id, low_cpu_mem_usage=True)

# Merge LoRA and base model and save
peft_model = PeftModel.from_pretrained(model, args.output_dir)
merged_model = peft_model.merge_and_unload()
merged_model.save_pretrained("merged_model", safe_serialization=True, max_shard_size="2GB")

processor = AutoProcessor.from_pretrained(args.output_dir)
processor.save_pretrained("merged_model")
Loading weights:   0%|          | 0/1951 [00:00<?, ?it/s]
Writing model shards:   0%|          | 0/4 [00:00<?, ?it/s]
['merged_model/processor_config.json']

آزمون استنتاج مدل و تولید توضیحات محصول

پس از اتمام آموزش، باید مدل خود را ارزیابی و آزمایش کنید. می‌توانید نمونه‌های مختلفی را از مجموعه داده‌های آزمایشی بارگذاری کرده و مدل را روی آن نمونه‌ها ارزیابی کنید.

from transformers import AutoModelForMultimodalLM, AutoProcessor

model_id = "merged_model"

# Load Model with PEFT adapter
model = AutoModelForMultimodalLM.from_pretrained(
  model_id,
  device_map="auto",
  dtype="auto",
)
processor = AutoProcessor.from_pretrained(model_id)
Loading weights:   0%|          | 0/1951 [00:00<?, ?it/s]

شما می‌توانید با ارائه نام محصول، دسته‌بندی و تصویر، استنتاج را آزمایش کنید. sample شامل یک اکشن فیگور مارول است.

import requests
from PIL import Image

# Test sample with Product Name, Category and Image
sample = {
  "product_name": "Hasbro Marvel Avengers-Serie Marvel Assemble Titan-Held, Iron Man, 30,5 cm Actionfigur",
  "category": "Toys & Games | Toy Figures & Playsets | Action Figures",
  "image": Image.open(requests.get("https://m.media-amazon.com/images/I/81+7Up7IWyL._AC_SY300_SX300_.jpg", stream=True).raw).convert("RGB")
}

def generate_description(sample, model, processor):
    # Convert sample into messages and then apply the chat template
    messages = [
        {"role": "system", "content": system_message},
        {"role": "user", "content": [
            {"type": "image","image": sample["image"]},
            {"type": "text", "text": user_prompt.format(product=sample["product_name"], category=sample["category"])},
        ]},
    ]
    text = processor.apply_chat_template(
        messages, tokenize=False, add_generation_prompt=True
    )
    print(text)
    # Process the image and text
    image_inputs = process_vision_info(messages)
    # Tokenize the text and process the images
    inputs = processor(
        text=[text],
        images=image_inputs,
        padding=True,
        return_tensors="pt",
    )
    # Move the inputs to the device
    inputs = inputs.to(model.device)

    # Generate the output
    stop_token_ids = [processor.tokenizer.eos_token_id, processor.tokenizer.convert_tokens_to_ids("<turn|>")]
    generated_ids = model.generate(**inputs, max_new_tokens=256, top_p=1.0, do_sample=True, temperature=0.8, eos_token_id=stop_token_ids, disable_compile=True)
    # Trim the generation and decode the output to text
    generated_ids_trimmed = [out_ids[len(in_ids) :] for in_ids, out_ids in zip(inputs.input_ids, generated_ids)]
    output_text = processor.batch_decode(
        generated_ids_trimmed, skip_special_tokens=True, clean_up_tokenization_spaces=False
    )
    return output_text[0]

# generate the description
description = generate_description(sample, model, processor)
print("MODEL OUTPUT>> \n")
print(description)
<bos><|turn>system
You are an expert product description writer for Amazon.<turn|>
<|turn>user
<|image|>Create a Short Product description based on the provided <PRODUCT> and <CATEGORY> and image.
Only return description. The description should be SEO optimized and for a better mobile search experience.

<PRODUCT>
Hasbro Marvel Avengers-Serie Marvel Assemble Titan-Held, Iron Man, 30,5 cm Actionfigur
</PRODUCT>

<CATEGORY>
Toys & Games | Toy Figures & Playsets | Action Figures
</CATEGORY><turn|>
<|turn>model

MODEL OUTPUT>> 

Bring home the action with the Hasbro Marvel Avengers Assemble Titan-held Iron Man Action Figure! This highly detailed 30.5-centimeter figure is perfect for recreating epic battles.  Collect the entire Marvel Avengers Assemble Titan-held series for an authentic experience.  Shop now!

خلاصه و مراحل بعدی

این آموزش نحوه تنظیم دقیق مدل Gemma برای وظایف بینایی با استفاده از TRL و QLoRA، به ویژه برای تولید توضیحات محصول را پوشش داد. در ادامه به مستندات زیر مراجعه کنید: