LLaMA-Factory数据集处理指南：从JSON到高效微调数据

【免费下载链接】LlamaFactoryUnified Efficient Fine-Tuning of 100+ LLMs & VLMs (ACL 2024)项目地址: https://gitcode.com/GitHub_Trending/ll/LlamaFactory

在大语言模型（LLM）微调过程中，高质量的数据集是模型性能的关键决定因素。LLaMA-Factory作为一款功能全面的微调框架，提供了灵活的数据处理流程，支持从原始JSON文件到模型输入的全链路转换。本文将详细介绍如何使用LLaMA-Factory进行数据集准备，包括数据格式规范、配置文件设置、数据解析与格式化的完整流程，并提供实际案例和工具使用指南。

数据集格式概览

LLaMA-Factory支持两种主流数据格式：Alpaca格式和ShareGPT格式，分别适用于单轮指令微调与多轮对话场景。这两种格式通过src/llamafactory/data/parser.py中的DatasetAttr类进行统一管理，确保不同来源的数据能够被标准化处理。

Alpaca格式（单轮指令）

Alpaca格式采用instruction-input-output三元组结构，适合构建简单的问答数据。典型示例可见data/alpaca_zh_demo.json：

{ "instruction": "识别并解释给定列表中的两个科学理论：细胞理论和日心说。", "input": "", "output": "细胞理论是生物科学的一个理论，它认为所有生命体都是由微小的基本单元——细胞所构成..." }

该格式通过prompt（指令）、query（输入）、response（输出）三个核心字段定义样本，对应src/llamafactory/data/parser.py中的配置参数。当input字段为空时，表示该样本为纯指令类型。

ShareGPT格式（多轮对话）

ShareGPT格式采用会话列表结构，支持多轮交互场景，如data/mllm_demo.json所示：

{ "messages": [ {"role": "user", "content": "描述这张图片的内容", "images": ["mllm_demo_data/1.jpg"]}, {"role": "assistant", "content": "图片中展示了一只正在玩耍的猫..."} ] }

这种格式通过messages字段存储对话历史，每个消息对象包含role（角色）和content（内容），并支持images/videos/audios等多模态字段。data/dataset_info.json中定义了MLLM（多模态大模型）数据的解析规则，包括formatting: "sharegpt"和columns: {"messages": "messages", "images": "images"}等配置。

数据配置文件详解

data/dataset_info.json是数据集处理的核心配置文件，定义了不同数据集的元信息和解析规则。该文件采用JSON格式，每个键对应一个数据集名称，值包含加载方式、格式类型、字段映射等关键参数。

配置结构解析

以DPO（直接偏好优化）数据集配置为例：

"dpo_zh_demo": { "file_name": "dpo_zh_demo.json", "ranking": true, "formatting": "sharegpt", "columns": { "messages": "conversations", "chosen": "chosen", "rejected": "rejected" } }

• file_name: 指定数据文件路径，相对于data/目录
• ranking: 标记是否为排序类数据（如DPO/KTO任务）
• formatting: 指定数据格式（alpaca或sharegpt）
• columns: 字段映射关系，将原始数据字段映射到框架标准字段

完整的配置参数说明可参考src/llamafactory/data/parser.py中的DatasetAttr类定义，包括基础配置（加载方式、数据集名称）、格式配置（字段映射、标签定义）和高级配置（子集选择、样本数量限制）等。

自定义数据集配置

添加新数据集时，需在data/dataset_info.json中添加相应配置。例如，为自定义的医疗问答数据集添加配置：

"medical_qa_zh": { "file_name": "medical_qa_zh.json", "formatting": "alpaca", "columns": { "prompt": "question", "response": "answer" } }

其中columns字段将原始数据的question字段映射为框架的prompt字段，answer字段映射为response字段。这种灵活的映射机制使LLaMA-Factory能够兼容各种结构的原始数据。

数据解析与处理流程

LLaMA-Factory的数据处理流程通过src/llamafactory/data/parser.py和src/llamafactory/data/formatter.py实现，包含数据加载、字段解析、格式转换三个核心步骤。

数据加载（Loader）

数据加载模块根据load_from参数（src/llamafactory/data/parser.py#L31）支持多种来源：

• file: 本地JSON/JSONL文件（如data/alpaca_zh_demo.json）
• hf_hub/ms_hub/om_hub: 模型仓库数据集（如llamafactory/alpaca_zh）
• script: 自定义脚本生成数据（如data/belle_multiturn/belle_multiturn.py）

加载逻辑在src/llamafactory/data/parser.py#L93-L147的get_dataset_list函数中实现，根据配置自动选择合适的加载方式。

数据解析（Parser）

解析模块将原始数据转换为统一的内部表示。以Alpaca格式解析为例，核心逻辑如下：

1. 读取JSON文件并遍历样本
2. 根据data/dataset_info.json中的字段映射提取prompt/query/response
3. 应用模板格式化（如添加指令前缀）
4. 返回标准化样本列表

解析过程中会处理特殊情况，如空input字段的处理（直接忽略）、多轮对话的拼接等。src/llamafactory/data/parser.py中的DatasetAttr类提供了完整的字段映射机制，通过join方法整合配置中的columns和tags信息。

数据格式化（Formatter）

格式化模块将解析后的标准化数据转换为模型输入格式，关键实现位于src/llamafactory/data/formatter.py。框架提供多种格式化器：

• StringFormatter: 处理带占位符的模板字符串
• FunctionFormatter: 格式化工具调用数据
• ToolFormatter: 处理工具定义数据

例如，Alpaca格式的默认模板为：

{prompt}\n{query}\n\n{response}

当query为空时，自动简化为{prompt}\n\n{response}。这种动态调整确保了不同类型样本的正确格式化。

实操案例：处理自定义JSON数据

以下通过一个完整案例演示如何将自定义JSON数据集成到LLaMA-Factory的微调流程中。假设我们有一个电商产品问答数据集product_qa.json，结构如下：

[ { "question": "这款手机支持5G网络吗？", "answer": "是的，本机型支持全网通5G网络..." }, // 更多样本... ]

步骤1：放置数据文件

将product_qa.json复制到data/目录下，确保文件编码为UTF-8。

步骤2：配置dataset_info.json

在data/dataset_info.json中添加配置：

"product_qa": { "file_name": "product_qa.json", "formatting": "alpaca", "columns": { "prompt": "question", "response": "answer", "query": "" // 显式指定query字段为空 } }

步骤3：验证数据加载

使用以下命令验证数据加载是否正常：

python src/train.py \ --model_name_or_path your_model \ --dataset product_qa \ --do_train \ --output_dir ./output \ --overwrite_output_dir

若配置正确，程序将输出数据加载日志，显示样本数量和格式统计信息。

常见问题排查

• 字段映射错误：检查data/dataset_info.json中的columns配置是否与JSON文件中的字段名匹配
• 格式类型错误：单轮数据使用formatting: "alpaca"，多轮数据使用formatting: "sharegpt"
• 文件路径问题：确保file_name路径正确，相对于data/目录

高级功能：多模态与偏好数据处理

LLaMA-Factory支持复杂数据类型处理，包括多模态数据和偏好优化数据，满足高级微调需求。

多模态数据处理

多模态数据（如图文问答）通过ShareGPT格式扩展实现，需在样本中包含媒体文件路径。例如data/mllm_demo.json中的配置：

{ "messages": [ { "role": "user", "content": "描述这张图片的内容", "images": ["mllm_demo_data/1.jpg"] }, { "role": "assistant", "content": "图片中展示了一只正在玩耍的猫..." } ] }

媒体文件需放置在data/mllm_demo_data/目录下，支持JPG/PNG等常见格式。data/dataset_info.json中的mllm_demo配置定义了媒体字段的解析规则。

偏好优化数据（DPO/KTO）

偏好数据（如DPO的chosen/rejected样本对）需在data/dataset_info.json中设置ranking: true。以data/dpo_zh_demo.json为例：

{ "conversations": [{"role": "user", "content": "推荐一部科幻电影"}], "chosen": {"role": "assistant", "content": "推荐《星际穿越》..."}, "rejected": {"role": "assistant", "content": "不知道"} }

该配置通过src/llamafactory/data/parser.py中的chosen和rejected字段定义正负样本，用于训练模型的偏好排序能力。

数据集质量控制建议

高质量的数据是微调效果的基础，建议从以下方面进行数据质量控制：

1. 去重处理：使用脚本去除重复样本，避免模型过拟合
2. 长度过滤：过滤过短（<10 tokens）或过长（>2048 tokens）的样本
3. 人工审核：随机抽查样本，确保回答准确性和指令相关性
4. 格式统一：使用src/llamafactory/data/utils.py中的工具函数标准化标点和空格

LLaMA-Factory提供了基础的数据清洗工具，可通过num_samples参数（src/llamafactory/data/parser.py#L39）限制样本数量，快速验证数据处理流程。

总结与最佳实践

LLaMA-Factory通过灵活的配置系统和标准化的数据处理流程，降低了LLM微调的数据准备门槛。关键要点总结：

1. 格式选择：单轮指令用Alpaca格式，多轮对话用ShareGPT格式
2. 配置核心：通过data/dataset_info.json定义数据解析规则
3. 工具支持：利用src/llamafactory/data/parser.py和src/llamafactory/data/formatter.py进行高级定制
4. 质量第一：重视数据清洗和验证，避免引入噪声样本

建议在开始大规模微调前，先用少量样本测试数据处理流程，确认输出格式符合预期。通过合理利用LLaMA-Factory的数据处理能力，可以显著提升微调效率和模型性能。

完整的数据处理流水线实现可参考src/llamafactory/data/目录下的源代码，其中src/llamafactory/data/loader.py和src/llamafactory/data/processor/包含了数据加载和预处理的完整实现。

【免费下载链接】LlamaFactoryUnified Efficient Fine-Tuning of 100+ LLMs & VLMs (ACL 2024)项目地址: https://gitcode.com/GitHub_Trending/ll/LlamaFactory