使用数据工程构建图像问答大模型数据集

多模态大模型

Pangu-MM-M2-Img2Txt-16K-V5.0.4.2

盘古多模态理解百亿级大模型，可以对图像、文本多模态信息进行综合理解和分析，支持16K序列，支持预训练、微调、在线推理。

多模态大模型

预训练

多模态-多模态理解（预训练）

纯文本、图片+描述、图文交织

tar+jsonl文件

如果是纯文本，则仅支持标注文件；

如果包含图片，需要将标注文件中包含的图片打包成tar包，要求tar包和标注文件存储在同一目录，并且名称一一对应。图片格式支持：jpg、jpeg、png、bmp 。

标注文件格式：jsonl。jsonl中的路径信息对应tar中的文件路径，jsonl文件仅支持UTF-8编码。

纯文本示例：

{"data": [{"role": "user", "content": [{"text": ""}]}, {"role": "assistant", "content": [{"text": "HUAWEI Pura 80 Pro+搭载1英寸高动态主摄，配合红枫原色摄像头的像素级色彩校准，明暗细节清晰，色彩还原精准。HUAWEI Pura 80 Ultra首发“聚光宝盒”1英寸超高动态主摄，通过三重实时融合技术，实现超高动态视频能力，高光细节尽显，暗部深邃清晰。"}]}]}

图片描述示例：

{"data": [{"role": "user", "content": [{"image": "huawei_pura_80.jpeg"}]}, {"role": "assistant", "content": [{"text": "图中展示的是一款华为手机，型号为HUAWEI Pura 80 Pro+，颜色是釉红。"}]}]}

图文交织示例：

{"data": [{"role": "user", "content": [{"image": "huawei_pura_80.jpeg"}]}, {"role": "assistant", "content": [{"text": "图中展示的是一款华为手机，型号为HUAWEI Pura 80 Pro+，颜色是釉红。"}]}, {"role": "user", "content": [{"image": "huawei_watch_gt5_pro.jpeg"}, {"image": "huawei_watch_gt5_pro_space.jpeg"}]}, {"role": "assistant", "content": [{"text": "上面的两张图中，分别是华为的两款穿戴手表，一款为HUAWEI WATCH GT 5 Pro（46mm）曜石黑 黑色氟橡胶表带，一款为HUAWEI WATCH GT 5 Pro（46mm）钛空银 钛金属表带。"}]}]}

微调

多模态-多模态理解（微调）

纯文本、单轮单图问答、单轮多图问答、多轮多图问答

tar+jsonl文件

标注文件和tar包格式同预训练，微调数据的主要特点是新增用户的提问。

纯文本问答：

{"data": [{"role": "user", "content": [{"text": "请介绍下HUAWEI Pura 80 Pro+手机的特点"}]}, {"role": "assistant", "content": [{"text": "HUAWEI Pura 80 Pro+搭载1英寸高动态主摄，配合红枫原色摄像头的像素级色彩校准，明暗细节清晰，色彩还原精准。"}]}]}

单轮单图问答示例：

{"data": [{"role": "user", "content": [{"image": "huawei_pura_80.jpeg"}, {"text": "请简单介绍下图片中的内容"}]}, {"role": "assistant", "content": [{"text": "图中展示的是一款华为手机，型号为HUAWEI Pura 80 Pro+，颜色是釉红。"}]}]}

单轮多图问答示例：

{"data": [{"role": "user", "content": [{"image": "huawei_mobile.jpeg"}, {"image":"huawei_cloud.jpg"} {"text": "以上两张图片有什么不同"}]}, {"role": "assistant", "content": [{"text": "图1是华为手机图片，图2是华为云图片"}]}]}

多轮多图问答示例：

{"data": [{"role": "user", "content": [{"image": "huawei_watch_gt5_pro.jpeg"}, {"text": "请简单描述下图片中的内容"}]}, {"role": "assistant", "content": [{"text": "图片中是华为的穿戴手表，具体型号为HUAWEI WATCH GT 5 Pro（46mm）曜石黑 黑色氟橡胶表带。"}]}, {"role": "user", "content": [{"image": "huawei_pura_80.jpeg"}, {"image": "huawei_pura_80_white.jpeg"}, {"text": "以两张图片有什么异同点"}]}, {"role": "assistant", "content": [{"text": "两张图片中的手机都是HUAWEI Pura 80 Pro+型号，不同的是，一款为红色，一款为白色。"}]}]}

预训练

1000万对

3000万对

微调

20~30万对

100万对

导入数据至盘古平台

创建导入任务

将存储在OBS服务或本地的数据导入至平台统一管理，用于后续加工或发布操作。

导入数据至盘古平台

加工多模态类数据集

加工多模态类数据集

通过专用的加工算子对数据进行预处理，确保数据符合模型训练的标准和业务需求。不同类型的数据集使用专门设计的算子，例如去除噪声、冗余信息等，提升数据质量。

加工多模态类数据集

配比多模态数据集

数据配比是将多个数据集按特定比例组合并发布为“发布数据集”的过程。通过合理的配比，确保数据集的多样性、平衡性和代表性，避免因数据分布不均而引发的问题。

配比多模态类数据集

发布多模态类数据集

发布多模态类数据集

数据发布是将单个数据集发布为特定格式的“发布数据集”，用于后续模型训练等操作。

平台支持发布的数据集格式为默认格式、盘古格式。

• 默认格式：平台默认的格式。
• 盘古格式：训练盘古大模型时，需要发布为该格式。当前仅文本类、图片类数据集支持发布为盘古格式。

发布多模态类数据集