[Question]

[125jx]

Required prerequisites

• I have read the documentation https://align-anything.readthedocs.io.
• I have searched the Issue Tracker and Discussions that this hasn't already been reported. (+1 or comment there if it has.)
• Consider asking first in a Discussion.

Questions

#179 (comment)
我们使用janus想要进行sft的过程中，需要先运行supervised_tokenize.sh，然后在运行janus_sft.sh，但我观察到supervised_tokenize.sh这个脚本是基于text2image任务进行tokenize的，但是如果我想利用数据集（如下）进行微调的时候，这是否还有效?我看到我们format_dataset.py文件中有着很多的数据集格式化方法，是否会比supervised_tokenize.sh更加有效？如果使用的话，需要协同修改哪里呢？

（这是ShareGPT4V数据集）

[htlou]

感谢你的提问！

但是如果我想利用数据集（如下）进行微调的时候，这是否还有效?

使用text_image_to_text数据（如ShareGPT4V）时，不需要进行pre-tokenize，可以直接仿照其他训练脚本（如LLaVA训练脚本scripts/llava/llava_sft.sh）修改format_dataset.py启动训练。其原因是Janus模型对input image和output image使用了不同的tokenizer，input image可以直接进行类似LLaVA的处理方式，而output image由于使用了不同的tokenizer，需要进行额外的pre-tokenize再进行训练。

我看到我们format_dataset.py文件中有着很多的数据集格式化方法，是否会比supervised_tokenize.sh更加有效？

这并非有效和无效的区分，而是不同类型数据的不同处理方式，正如在上一个问题中所说的，Janus系列模型的image output需要额外的pre-tokenize，而一般模型和Janus的image input则不需要。（特别地，Janus的这个架构使其不支持image同时出现在input和output中）

如果使用的话，需要协同修改哪里呢？

如果你使用ShareGPT4V数据集，则你可以直接使用ShareGPT4o（align_anything/configs/format_dataset.py #L1329）作为template，如果你使用其他数据集，你可以仿造ShareGPT4o自行定义新template。

[hl0737]

感谢你的提问！

但是如果我想利用数据集（如下）进行微调的时候，这是否还有效?

使用text_image_to_text数据（如ShareGPT4V）时，不需要进行pre-tokenize，可以直接仿照其他训练脚本（如LLaVA训练脚本scripts/llava/llava_sft.sh）修改format_dataset.py启动训练。其原因是Janus模型对input image和output image使用了不同的tokenizer，input image可以直接进行类似LLaVA的处理方式，而output image由于使用了不同的tokenizer，需要进行额外的pre-tokenize再进行训练。

我看到我们format_dataset.py文件中有着很多的数据集格式化方法，是否会比supervised_tokenize.sh更加有效？

这并非有效和无效的区分，而是不同类型数据的不同处理方式，正如在上一个问题中所说的，Janus系列模型的image output需要额外的pre-tokenize，而一般模型和Janus的image input则不需要。（特别地，Janus的这个架构使其不支持image同时出现在input和output中）

如果使用的话，需要协同修改哪里呢？

如果你使用ShareGPT4V数据集，则你可以直接使用ShareGPT4o（align_anything/configs/format_dataset.py #L1329）作为template，如果你使用其他数据集，你可以仿造ShareGPT4o自行定义新template。

为什么image不能同时出现在input和output两侧呢？不是很理解，input的用siglip编码，output的用vq编码是否就可以？感谢

[htlou]

为什么image不能同时出现在input和output两侧呢？不是很理解，input的用siglip编码，output的用vq编码是否就可以？感谢

这一点确实很make sense，不过至少在Janus的官方实现中并没有提及这一点，因此本仓库将优先实现Janus已经明确支持的image understanding与generation两个任务;)