数据样例文件夹face_zhedang下面有几百张类似这种的图片识别要求eye_focus(眼睛是否盯着镜头看是就返回1否则0),eye_close(眼睛是否闭上有一个闭上就是1,否则0),haireye(是否有头发遮挡眼睛或者眉毛有就返回1否则0)glass(是否佩戴墨镜有就返回1否则0)glassspot(佩戴的眼镜是否反光反光就返回1否则0)数据集准备aaa.jsonl{image: face_zhedang/wuzui_10268.jpg, conversations: [ {from: human, vale: 你是一位摄影师擅长拍摄证件照请仔细判断下面这个证件照判断这个照片是否符合以下要求eye_focus(眼睛是否盯着镜头看是就返回1否则0),eye_close(眼睛是否闭上有一个闭上就是1,否则0),haireye(是否有头发遮挡眼睛或者眉毛有就返回1否则0)glass(是否佩戴墨镜有就返回1否则0)glassspot(佩戴的眼镜是否反光反光就返回1否则0)。用json格式返回.只返回json格式不返回其他内容。}, {from: gpt, value: {\n eye_focus: 1,\n eye_close: 0,\n haireye: 0,\n glass: 0,\n glassspot: 0\n}} ] }训练脚本​ git clone https://github.com/QwenLM/Qwen3-VL.git cd qwen-vl-finetune/scripts bash sft.sh具体代码如下修改数据文件路径指定到自己的jsonl文件文件格式见上面aaa.jsonl#!/bin/bash # Distributed training configuration MASTER_ADDR${MASTER_ADDR:-127.0.0.1} MASTER_PORT${MASTER_PORT:-$(shuf -i 20001-29999 -n 1)} NNODES${WORLD_SIZE:-1} # DeepSpeed configuration deepspeed./scripts/zero3.json # Model configuration llmQwen/Qwen3-VL-2B-Instruct # Using HuggingFace model ID # Training hyperparameters lr2e-7 batch_size4 grad_accum_steps4 # Training entry point entry_fileqwenvl/train/train_qwen.py # Dataset configuration (replace with public dataset names) datasetsaaa.jsonl # Output configuration run_nameqwen3vl-baseline output_dir./output # Training arguments args --deepspeed ${deepspeed} \ --model_name_or_path ${llm} \ --dataset_use ${datasets} \ --data_flatten True \ --tune_mm_vision False \ --tune_mm_mlp True \ --tune_mm_llm True \ --bf16 \ --output_dir ${output_dir} \ --num_train_epochs 0.5 \ --per_device_train_batch_size ${batch_size} \ --per_device_eval_batch_size $((batch_size*2)) \ --gradient_accumulation_steps ${grad_accum_steps} \ --max_pixels 50176 \ --min_pixels 784 \ --eval_strategy no \ --save_strategy steps \ --save_steps 1000 \ --save_total_limit 1 \ --learning_rate ${lr} \ --weight_decay 0 \ --warmup_ratio 0.03 \ --max_grad_norm 1 \ --lr_scheduler_type cosine \ --logging_steps 1 \ --model_max_length 8192 \ --gradient_checkpointing True \ --dataloader_num_workers 4 \ --run_name ${run_name} \ --report_to wandb # Launch training torchrun --nproc_per_node${NPROC_PER_NODE} \ --master_addr${MASTER_ADDR} \ --master_port${MASTER_PORT} \ ${entry_file} ${args}评测方式用qwen3-vl-8b进行校验。下面是教师模型的推理代码import os import dashscope from pathlib import Path import json def img2text(img_path,prompt1): messages [ { role: user, content: [ {image:img_path }, {text: prompt1} ] } ] response dashscope.MultiModalConversation.call( api_keyos.getenv(DASHSCOPE_API_KEY), modelmd_name, # 此处以qwen-vl-max为例可按需更换模型名称。模型列表https://help.aliyun.com/zh/model-studio/getting-started/models messagesmessages ) try: content_text response[output][choices][0][message][content][0][text] except: content_text {eye_focus: 0,eye_close:0,haireye: 0, glass: 0,glassspot: 0} return content_text if __name__ __main__: md_nameqwen3-vl-8b-instruct my_prompt2你是一位摄影师擅长拍摄证件照请仔细判断下面这个证件照判断这个照片是否符合以下要求eye_focus(眼睛是否盯着镜头看是就返回1否则0),eye_close(眼睛是否闭上有一个闭上就是1,否则0),haireye(是否有头发遮挡眼睛或者眉毛有就返回1否则0)glass(是否佩戴墨镜有就返回1否则0)glassspot(佩戴的眼镜是否反光反光就返回1否则0)。用json格式返回.只返回json格式不返回其他内容。 dir_path face_zhedang dlist[] for filename in os.listdir(dir_path): if filename.endswith(.jpg): img_pathos.path.join(dir_path, filename) print(img_path) content_text img2text(img_path,my_prompt2) print(content_text) dlist.append(content_text)效果在qwen3-vl-2b上准确率接近qwen3-vl-8b