1. 引言

在大模型训练中，数据准备是最关键的步骤之一。俗话说 “Garbage in, garbage out”，数据的质量直接决定了模型的性能上限。本文将详细介绍如何为 LLaMA-Factory 准备训练数据，包括文本数据和多模态数据的处理方法。

---

2. LLaMA-Factory 数据格式概述

LLaMA-Factory 支持两种主要的数据格式：

2.1 Alpaca 格式

• 结构简单，适合单轮对话
• 支持 instruction、input、output 字段
• 适用于指令微调任务

2.2 ShareGPT 格式

• 支持多轮对话
• 角色更丰富（human、gpt、system、function、observation）
• 适合复杂对话场景和多模态任务

---

3. 文本数据准备

3.1 Alpaca 格式示例

[{"instruction": "请解释什么是机器学习","input": "","output": "机器学习是人工智能的一个分支，它使计算机能够从数据中学习并改进性能，而无需明确编程。","system": "你是一个专业的AI助手","history": [["你好", "你好！有什么可以帮助你的吗？"]]}
]

3.2 ShareGPT 格式示例

[{"conversations": [{"from": "human","value": "什么是深度学习？"},{"from": "gpt","value": "深度学习是机器学习的一个子领域，使用多层神经网络来学习数据的复杂模式。"}],"system": "你是一个专业的AI助手"}
]

3.3 预训练数据格式

[{"text": "这是一段用于预训练的文本内容"},{"text": "另一段文本内容"}
]

---

4. 多模态数据准备

4.1 图像数据准备

数据格式示例

[{"conversations": [{"from": "human","value": "描述这张图片<image>"},{"from": "gpt","value": "这是一只可爱的小猫，正在阳光下睡觉。"}],"images": ["path/to/cat_image.jpg"]}
]

关键要点

• <image> 标记的数量必须与 images 列表中的图片数量一致
• 图片路径可以是相对路径或绝对路径
• 支持常见格式：jpg、png、webp 等

4.2 视频数据准备

[{"conversations": [{"from": "human","value": "<video>这个视频中发生了什么？"},{"from": "gpt","value": "视频展示了一个人在公园里慢跑的场景。"}],"videos": ["path/to/running_video.mp4"]}
]

4.3 音频数据准备

[{"conversations": [{"from": "human","value": "<audio>请转录这段音频"},{"from": "gpt","value": "音频内容是：今天天气真好，适合出去散步。"}],"audios": ["path/to/audio_file.wav"]}
]

---

5. 多模态实战案例：Pokemon 数据集处理

5.1 完整代码（包含下载与转换）

import os
import json
from datasets import load_dataset
from PIL import Image
from tqdm import tqdm# 设置镜像加速
os.environ["HF_ENDPOINT"] = "https://hf-mirror.com"def convert_pokemon_dataset(output_dir="pokemon_sharegpt"):os.makedirs(output_dir, exist_ok=True)images_dir = os.path.join(output_dir, "images")os.makedirs(images_dir, exist_ok=True)ds = load_dataset("BUAADreamer/pokemon-gpt4-1k", split="train")sharegpt_data = []for idx, item in enumerate(tqdm(ds, desc="处理数据")):entry = {"conversations": [],"system": "You are a helpful assistant.","images": [f"images/pokemon_{idx:04d}.png"]}# 保存图片if "images" in item and item["images"]:image = item["images"][0]if isinstance(image, Image.Image):image.save(os.path.join(images_dir, f"pokemon_{idx:04d}.png"))# 转换对话if "messages" in item:for i, msg in enumerate(item["messages"]):role = msg.get("role", "")content = msg.get("content", "")if role == "user":from_role = "human"if i == 0:content += "<image>"elif role == "assistant":from_role = "gpt"else:continueentry["conversations"].append({"from": from_role,"value": content})sharegpt_data.append(entry)output_path = os.path.join(output_dir, "pokemon_sharegpt.json")with open(output_path, "w", encoding="utf-8") as f:json.dump(sharegpt_data, f, ensure_ascii=False, indent=2)print(f"✅ 数据转换完成，已保存至: {output_path}")if __name__ == "__main__":convert_pokemon_dataset()

5.2 结果示例

代码运行成功后，会在pokemon_sharegpt文件夹下生成一个images文件夹，以及一个pokemon_sharegpt.json的文件，json内容如下

{"conversations": [{"from": "human","value": "Provide caption for the image in one sentence. Be detailed but precise.<image>"},{"from": "gpt","value": "A cheerful Bulbasaur ready for its next Pokémon adventure."}],"system": "You are a helpful assistant.","images": ["images/pokemon_0000.png"]
}

对应图片如下：

---

6. 数据集配置与注册

6.1 什么是 dataset_info.json

dataset_info.json 是 LLaMA-Factory 用于管理和加载数据集的核心配置文件。所有自定义数据集都必须在这个文件中注册后才能使用。该文件应放置在 dataset_dir 目录下（后续可以放置在 pokemon_sharegpt文件夹下）。

配置文件的基本结构

{"数据集名称1": {// 数据集配置},"数据集名称2": {// 数据集配置}
}

6.2 配置参数详解

基础参数

参数名	类型	必填	说明	示例
file_name	string	是*	本地数据集文件路径	"data/train.json"
hf_hub_url	string	否	Hugging Face Hub 仓库名称	"tatsu-lab/alpaca"
ms_hub_url	string	否	ModelScope Hub 仓库名称	"modelscope/alpaca"
formatting	string	否	数据格式，默认为 alpaca	"alpaca" 或 "sharegpt"
ranking	boolean	否	是否为偏好数据集	true 或 false
subset	string	否	数据集子集名称	"train"
split	string	否	数据集分割，默认为 train	"train", "test", "validation"
num_samples	integer	否	限制使用的样本数量	10000

注：如果指定了 hf_hub_url 或 ms_hub_url，则可以不填 file_name

columns参数（字段映射）

columns 用于将数据集中的字段名映射到 LLaMA-Factory 标准字段名：

标准字段	说明	Alpaca 默认值	ShareGPT 默认值
prompt	用户指令	"instruction"	-
query	用户输入（补充）	"input"	-
response	模型回复	"output"	-
messages	对话消息列表	-	"conversations"
system	系统提示词	"system"	"system"
history	历史对话	"history"	-
images	图片路径列表	"images"	"images"
videos	视频路径列表	"videos"	"videos"
audios	音频路径列表	"audios"	"audios"
tools	工具描述	"tools"	"tools"
chosen	偏好数据集中的优选回复	"chosen"	"chosen"
rejected	偏好数据集中的劣选回复	"rejected"	"rejected"
kto_tag	KTO 训练的标签	"kto_tag"	"kto_tag"

tags参数（ShareGPT 格式专用）

tags 用于定义 ShareGPT 格式中的标签名称：

参数	说明	默认值
role_tag	角色标识字段名	"from"
content_tag	内容字段名	"value"
user_tag	用户角色标识	"human"
assistant_tag	助手角色标识	"gpt"
observation_tag	工具返回结果标识	"observation"
function_tag	函数调用标识	"function_call"
system_tag	系统消息标识	"system"

6.3 配置示例详解

示例 1：基础文本数据集

{"my_text_dataset": {"file_name": "data/my_dataset.json","formatting": "sharegpt","columns": {"messages": "conversations","system": "system_prompt"}}
}

示例 2：多模态图像数据集

{"pokemon_multimodal": {"file_name": "pokemon_sharegpt/pokemon_sharegpt.json","formatting": "sharegpt","columns": {"messages": "conversations","system": "system","images": "image_paths"}}
}

示例 3：完整的高级配置

{"advanced_dataset": {"hf_hub_url": "BUAADreamer/pokemon-gpt4-1k","ms_hub_url": "modelscope/pokemon-gpt4","file_name": "data/pokemon.json","formatting": "sharegpt","ranking": false,"subset": "default","split": "train","num_samples": 5000,"columns": {"messages": "chats","system": "sys_prompt","images": "img_list","tools": "functions"},"tags": {"role_tag": "role","content_tag": "content","user_tag": "user","assistant_tag": "assistant"}}
}

示例 4：偏好数据集（用于 DPO/RLHF）

{"preference_dataset": {"file_name": "data/preferences.json","formatting": "alpaca","ranking": true,"columns": {"prompt": "question","query": "context","chosen": "better_answer","rejected": "worse_answer"}}
}

---

7. 最佳实践与注意事项

7.1 数据质量检查

def validate_dataset(json_path):"""验证数据集格式是否正确"""with open(json_path, 'r', encoding='utf-8') as f:data = json.load(f)issues = []for idx, item in enumerate(data):if 'conversations' not in item:issues.append(f"第 {idx} 条缺少 conversations 字段")if len(item['conversations']) % 2 != 0:issues.append(f"第 {idx} 条对话轮次为奇数")if 'images' in item:for img_path in item['images']:if not os.path.exists(img_path):issues.append(f"第 {idx} 条的图片不存在: {img_path}")return issues

7.2 多模态数据准备要点

• 数据结构：多模态需包含图片/音频/视频路径字段
• 标记符号：使用 <image>、<video>、<audio> 插入媒体位置
• 统一格式：将图片转换为 PNG，使用统一命名
• 路径管理：使用相对路径，确保可移植性
• 数据增强：适当增强图像质量

7.3 性能优化

def process_large_dataset(dataset, batch_size=100):total = len(dataset)for i in range(0, total, batch_size):batch = dataset[i:i+batch_size]process_batch(batch)if i % 1000 == 0:save_checkpoint(i)

7.4 常见问题与解决方案

问题	解决方案
图片加载失败	检查路径正确性，确保图片格式支持
内存溢出	使用流式处理，避免一次性加载所有数据
格式不匹配	使用验证脚本检查结构
编码错误	统一使用 UTF-8 编码

8. 总结

准备高质量的训练数据是大模型成功的关键。本文介绍了：

• LLaMA-Factory 支持的数据格式：Alpaca 和 ShareGPT
• 文本与多模态数据的准备方式
• Pokemon 多模态数据集的完整处理流程
• 如何配置和注册自定义数据集

尽可能保证：

• 数据格式正确
• 内容质量高
• 标注准确
• 适合你的训练目标