展开本页目录
开始前准备什么
- 下载完整练习包，在独立目录阅读README与已执行范围。
- 安装requirements.txt指定版本或使用文中目标工具；依赖与模型权重不要混入网站工程。
- 只有明确标为已执行的部分有本次证据；真实模型、账号或GPU步骤按自己的环境另行验证。
- 准备可公开复现的原创物件图
- 审计图片答案对齐
- 构造视觉消息格式数据集
- 用真实视觉collator检查一批
- 检查裁剪与分辨率影响
- 在目标环境小步训练与独立测试
- 交付批次映射与训练证据
1. 准备可公开复现的原创物件图
本题用程序绘制形状替代真实用户照片，红方块左、蓝圆右、绿三角中央。图片与答案共用稳定sample ID。
2. 审计图片答案对齐
audit.py检查同批ID顺序；negative将前两张图调换而答案不换，明确报位置0/1错配。不能只看batch size相同。
本题独立目录执行
bash
python reference/audit.py3. 构造视觉消息格式数据集
按目标模型和Unsloth官方示例保存user图像内容与assistant属性描述，检查路径存在、图像可解码及许可。
本题SDK或目标环境入口
bash
python reference/run_sdk.py
4. 用真实视觉collator检查一批
调用当前UnslothVisionDataCollator或官方对应入口，记录实际input_ids、pixel_values及labels的batch维度。包内未安装大模型或假造tensor回执。
5. 检查裁剪与分辨率影响
真实模型预处理可能裁掉左侧物件或改变宽高；保存预处理可视化，不能用原图存在就断言训练看到完整内容。
6. 在目标环境小步训练与独立测试
使用未见构图检查颜色、形状、位置三项，不只复制训练答案。保留真实训练loss和生成结果，三张练习图不能证明泛化。
7. 交付批次映射与训练证据
包内提供原创PNG、JSONL、错配反例及审计，无真实Unsloth视觉训练；原生collator和模型结果由目标环境补齐。
怎样确认已经完成
- 不套医学例子
- 训练和测试物件分开
- 图像未移位
- 不声称训练收敛已证明
- 已生成原创图像并执行图片/答案批次ID对齐及打乱反例；未执行视觉tokenizer、Unsloth collator或模型训练。
常见问题
Unsloth怎么用自己的照片微调视觉模型？
用自有/授权图片按目标视觉消息格式组织并检查真实collator后训练。包内提供三张原创程序绘图和可执行消息构造，未跑视觉模型。
视觉训练batch里图片和答案错位了怎么发现？
图像和答案共用稳定sample ID，打乱时检查逐项ID，不只看batch大小。包内前两项互换负例被检出，真实pixel_values/labels仍需目标collator验证。
这篇教程哪些步骤已经真正执行？
已生成原创图像并执行图片/答案批次ID对齐及打乱反例；未执行视觉tokenizer、Unsloth collator或模型训练。