Skip to main content

Génération d'images - Créer une tâche de réglage fin

Créez une tâche de réglage fin pour les modèles de génération d'images. Vous pouvez télécharger les jeux de données via l'API ou les monter depuis OSS.

Prérequis

  • Régions prises en charge : Les fonctionnalités décrites dans cette rubrique sont uniquement disponibles dans la région Singapour. Vous devez utiliser une clé API de cette région.
  • Autorisations du compte : Si vous utilisez un sous-compte Alibaba Cloud (utilisateur RAM), accordez-lui les autorisations nécessaires pour l'appel de modèle, l'entraînement et le déploiement.
  • Configurer les variables d'environnement : Obtenez une clé API et configurez-la comme variable d'environnement.
  • Préparation : Consultez la rubrique Ajuster finement les modèles de génération d'images pour comprendre les modèles compatibles avec le réglage fin, les étapes d'ajustement, les formats de données et les instructions de facturation.

Créer une tâche de réglage fin

Chine (Pékin)

POST https://dashscope.aliyuncs.com/api/v1/fine-tunes
  • Singapour
POST https://dashscope-intl.aliyuncs.com/api/v1/fine-tunes
Pour Windows CMD, remplacez $DASHSCOPE_API_KEY par %DASHSCOPE_API_KEY% . Pour PowerShell, remplacez-le par $env:DASHSCOPE_API_KEY

Paramètres de la requête

curl --location 'https://dashscope-intl.aliyuncs.com/api/v1/fine-tunes' \
    --header "Authorization: Bearer $DASHSCOPE_API_KEY" \
    --header 'Content-Type: application/json' \
    --data '{
        "model": "wan2.7-image-pro",
        "training_file_ids": [
            "<Replace with the training dataset file ID>"
        ],
        "training_type": "efficient_sft",
        "hyper_parameters": {
            "learning_rate": 3e-5,
            "max_steps": 800,
            "eval_steps": 200,
            "max_token_length": "2k",
            "gradient_clip": 0,5,
            "weight_decay": 0,02,
            "max_pixels": "2k",
            "val_img_size": "2k",
            "generation_type": "t2i",
            "lora_rank": 32,
            "save_total_limit": 10
        }
    }'
En-têtes
Content-Type string (Obligatoire)Valeur fixe : application/json
Authorization string (Obligatoire)Authentification par clé API. Format : Bearer sk-xxxx.
Corps de la requête
model string (Obligatoire)Spécifie le modèle de base pour le réglage fin.
  • wan2.7-image-pro : Recommandé pour le réglage fin texte-vers-image/image-vers-image.
  • wan2.7-image
training_file_ids array[string] (Conditionnellement obligatoire)Tableau des ID de fichiers du jeu de données d'entraînement. Plusieurs ID peuvent être transmis. Ce paramètre est mutuellement exclusif avec training_datasets . Si vous utilisez training_datasets, ce paramètre n'est pas requis. Obtenez les ID de fichier via l'API de téléchargement de fichier.
validation_file_ids array[string] (Facultatif)Tableau des ID de fichiers du jeu de données de validation. Plusieurs ID peuvent être transmis. Ce paramètre est mutuellement exclusif avec validation_datasets . Si vous utilisez validation_datasets, ce paramètre n'est pas requis. Si aucun des deux n'est fourni, le système divisera automatiquement le jeu d'entraînement. Obtenez les ID de fichier via l'API de téléchargement de fichier.
training_type string (Obligatoire)Type de réglage fin. Actuellement, seul efficient_sft (réglage fin efficace LoRA) est pris en charge.
hyper_parameters object (Facultatif)Configuration des hyperparamètres. Pour un entraînement initial, il est recommandé d'utiliser les hyperparamètres par défaut. Si les performances du modèle sont médiocres ou si l'entraînement ne converge pas, essayez d'ajuster des paramètres tels que max_steps ou learning_rate.

Propriétés des hyperparamètres

max_steps int (Obligatoire)Nombre total d'étapes d'entraînement. Paramètre central qui contrôle la durée de l'entraînement. Valeur recommandée : 800.max_steps détermine le nombre d'itérations d'entraînement, tandis que max_token_length détermine le volume de données traité par étape.Il est recommandé d'utiliser au moins 500 étapes pour garantir une convergence suffisante du modèle. Vous pouvez augmenter le nombre d'étapes pour des jeux de données plus volumineux.
Ce paramètre affecte la facturation de l'entraînement. Veuillez le définir de manière appropriée.
eval_steps int (Obligatoire)Intervalle de validation. Valeur recommandée : 200. La valeur doit être >= 0. Spécifie le nombre d'étapes entre chaque évaluation de validation pendant l'entraînement, utilisé pour évaluer périodiquement la progression de l'entraînement du modèle. Le fichier modèle à l'étape actuelle est également enregistré.learning_rate float (Obligatoire)Taux d'apprentissage. Valeur recommandée : 3e-5. Contrôle l'ampleur des mises à jour des poids du modèle. Une valeur trop élevée peut dégrader le modèle, tandis qu'une valeur trop faible peut entraîner des changements insignifiants.generation_type string (Obligatoire)Mode de génération. Détermine le format des données d'entraînement et la méthode d'inférence. Valeurs valides :
  • t2i : Mode texte-vers-image.
  • i2i : Mode image-vers-image.
max_pixels string (Obligatoire)Résolution maximale des images d'entraînement. Définit la limite supérieure du nombre total de pixels (largeur x hauteur) des images dans le jeu d'entraînement. Le système ne met à l'échelle que les images dépassant cette valeur ; les images dans la limite restent inchangées. Il est recommandé de maintenir la cohérence entre les trois paramètres de résolution (max_pixels, max_token_length, val_img_size).
  • 1k : c'est-à-dire 1024x1024.
  • 2k : c'est-à-dire 2048x2048.
Valeur recommandée : 2k pour le texte-vers-image, 1k pour l'image-vers-image.val_img_size string (Obligatoire)Résolution de génération des images de validation. La résolution cible pour les images générées lors de l'évaluation de validation dans le processus d'entraînement. Les valeurs valides sont les mêmes que pour max_pixels. Valeur recommandée : 2k pour le texte-vers-image, 1k pour l'image-vers-image.max_token_length string (Obligatoire)Longueur maximale des jetons par étape d'entraînement, affectant le calcul par étape et la facturation. Avec max_steps, il contrôle le processus d'entraînement : max_steps détermine le nombre d'itérations, tandis que max_token_length détermine le volume de données par étape. Valeurs valides :
  • 1k : Recommandé pour les scénarios image-vers-image.
  • 2k : Recommandé pour les scénarios texte-vers-image.
La correspondance entre max_token_length et Lmax de facturation :

generation_type

max_token_length

Lmax

t2i (texte-vers-image)

1k

12 800

2k

23 220

i2i (image-vers-image)

1k

23 220

2k

32 000

gradient_clip float (Obligatoire)Écrêtage du gradient. Valeur recommandée : 0,5. Le seuil pour l'écrêtage de la norme globale du gradient sur tous les paramètres entraînables afin d'éviter l'explosion du gradient. Définissez sur -1 pour désactiver l'écrêtage.weight_decay float (Obligatoire)Décroissance des poids. Valeur recommandée : 0,02. Le coefficient de décroissance des poids découplé AdamW, appliqué à tous les paramètres entraînables pour la régularisation afin d'éviter le surapprentissage.lora_rank int (Obligatoire)Le rang des matrices de faible rang LoRA. Valeur recommandée : 32. Cette valeur détermine le nombre de paramètres de réglage fin. Une valeur plus grande offre une capacité d'ajustement du modèle plus forte mais une vitesse d'entraînement plus lente. La valeur doit être une puissance de 2n (par exemple, 16, 32, 64).save_total_limit int (Facultatif)Nombre maximal de points de contrôle à enregistrer. Valeur recommandée : 10. Limite le nombre maximal de modèles enregistrés. Le système conservera toujours uniquement les N derniers points de contrôle générés pendant l'entraînement.split float (Facultatif)Ratio de division du jeu d'entraînement. Valeur recommandée : 0,9. Plage de valeurs : (0, 1). Ne prend effet que lorsque ni validation_file_ids ni validation_datasets n'est spécifié. Ce paramètre est utilisé pour diviser automatiquement une partie du jeu d'entraînement comme jeu de validation. Par exemple, 0,9 signifie 90 % de jeu d'entraînement et 10 % de jeu de validation.
training_datasets Array of Dataset (Conditionnellement obligatoire)Liste des fichiers du jeu de données d'entraînement. Ce paramètre est mutuellement exclusif avec training_file_ids . Si vous utilisez training_file_ids, ce paramètre n'est pas requis.

Structure du jeu de données

data_source_type string (Obligatoire)Type de source de données. Valeurs valides :
  • oss_mount (Monter des fichiers OSS)
  • file_id (Fichiers téléchargés via l'API de gestion des fichiers)
mount_storage object (Conditionnellement obligatoire)Requis lorsque data_source_type est oss_mount . Informations de montage OSS.

Propriétés

region string (Obligatoire)La région du bucket OSS à monter. Prend en charge Pékin (cn-beijing) et Singapour (ap-southeast-1).bucket string (Obligatoire)Le nom du bucket OSS à monter.file_path string (Obligatoire)Le chemin du fichier OSS (clé d'objet) à monter. Pour les jeux de données contenant plusieurs fichiers, utilisez le chemin du fichier data.jsonl. Contrairement à l'approche file_id, vous devez télécharger l'intégralité du dossier de jeu de données non compressé vers OSS. Les fichiers Zip ne sont pas pris en charge.
file_id string (Conditionnellement obligatoire)Requis lorsque data_source_type est file_id . ID de fichier, généré par l'API de téléchargement de fichier.
validation_datasets Array of Dataset (Facultatif)Liste des fichiers du jeu de données de validation. La structure est identique à celle de training_datasets.Ce paramètre est mutuellement exclusif avec validation_file_ids. Si aucun des deux n'est fourni, le système divisera automatiquement le jeu d'entraînement.
job_name string (Facultatif)Le nom de la tâche de réglage.
model_name string (Facultatif)Le nom du modèle une fois le réglage terminé.

Paramètres de la réponse

  • Exemple de réponse réussie
  • Exemple de réponse d'erreur
Champs clés : output.job_id (ID de la tâche), output.finetuned_output (Le nom du nouveau modèle produit après le réglage fin).
{
        "request_id": "0eb05b0c-02ba-414a-9d0c-xxxxxxxxx",
        "output": {
            "job_id": "ft-202606030110-xxxx",
            "job_name": "ft-202606030110-xxxx",
            "status": "PENDING",
            "finetuned_output": "wan2.7-image-pro-ft-202606030110-xxxx",
            "model": "wan2.7-image-pro",
            "base_model": "wan2.7-image-pro",
            "training_file_ids": [],
            "training_datasets": [
                {
                    "data_source_type": "file_id",
                    "file_id": "xxxxxxxxxxxx"
                }
            ],
            "validation_file_ids": [],
            "validation_datasets": [],
            "hyper_parameters": {
                "max_steps": 800,
                "learning_rate": 3,0E-5,
                "eval_steps": 200,
                "max_token_length": "2k",
                "max_pixels": "2k",
                "val_img_size": "2k",
                "generation_type": "t2i",
                "lora_rank": 32
            },
            "training_type": "efficient_sft",
            "create_time": "2026-06-03 01:10:47"
        }
    }
request_id stringL'identifiant unique de la requête.
output objectDétails de la tâche.

Propriétés

job_id stringL'identifiant unique de la tâche de réglage fin, utilisé pour interroger les détails de la tâche, les journaux, annuler ou supprimer la tâche. Règle de génération : ft-{yyyyMMddHHmm}-{uuid à 4 chiffres}.job_name stringLe nom de la tâche de réglage fin.status stringLe statut de la tâche de réglage fin :
  • PENDING : L'entraînement est en attente.
  • QUEUING : L'entraînement est en file d'attente (une seule tâche de réglage fin peut s'exécuter à la fois).
  • RUNNING : L'entraînement est en cours.
  • SUCCEEDED : L'entraînement a réussi.
  • FAILED : L'entraînement a échoué.
  • CANCELED : L'entraînement a été annulé.
  • CANCELING : L'entraînement est en cours d'annulation.
finetuned_output stringL'ID du nouveau modèle produit après le réglage fin, utilisé pour le déploiement et l'appel. Renvoyé lorsque le statut de la tâche est SUCCEEDED.model stringLe modèle de base utilisé.base_model stringLe modèle de base utilisé.training_file_ids arrayUn champ hérité pour la rétrocompatibilité. Les nouvelles tâches renvoient toujours un tableau vide. Veuillez utiliser training_datasets.training_datasets Array of DatasetLa liste des jeux de données d'entraînement.validation_file_ids arrayUn champ hérité pour la rétrocompatibilité. Les nouvelles tâches renvoient toujours un tableau vide. Veuillez utiliser validation_datasets.validation_datasets Array of DatasetLa liste des jeux de données de validation. Renvoie un tableau vide si aucun jeu de validation n'est spécifié.hyper_parameters objectLes hyperparamètres réellement utilisés.training_type stringLa méthode d'entraînement pour le réglage fin du modèle.create_time stringL'heure de création de la tâche.end_time stringL'heure de fin de la tâche. Renvoyée lorsque le statut de la tâche est SUCCEEDED, FAILED ou CANCELED.usage integerLe nombre de jetons consommés par la tâche de réglage fin. Renvoyé lorsque le statut de la tâche est SUCCEEDED ou CANCELED.workspace_id stringL'ID de l'espace de travail associé à la clé API Alibaba Cloud Model Studio. Voir Obtenir l'ID de l'espace de travail.user_identity stringIdentité de l'utilisateur, ID du compte Alibaba Cloud.creator stringL'ID du compte Alibaba Cloud du créateur.modifier stringL'ID du compte Alibaba Cloud du modificateur.group stringLe groupe de la tâche de réglage fin.max_output_cnt integerLe nombre maximal de points de contrôle enregistrés pendant l'entraînement. Égal à la valeur de l'hyperparamètre save_total_limit.
code stringCode d'erreur. Renvoyé en cas d'échec de l'appel. Consultez le tableau des codes d'erreur ci-dessous.
message stringDescription détaillée de l'erreur. Renvoyée en cas d'échec de l'appel.

Codes d'erreur

Si l'appel échoue et renvoie un message d'erreur, reportez-vous au tableau suivant pour le dépannage.

Code d'état HTTP

Code d'erreur

Solution

400

InvalidParameter

Erreur de paramètre, paramètre manquant ou problème de format de paramètre. Corrigez vos paramètres en fonction du message d'erreur.

400

UnsupportedOperation

La ressource ne peut pas être exploitée lorsqu'elle se trouve dans un état spécifique. Attendez que la ressource atteigne un état exploitable avant d'effectuer l'opération.

404

NotFound

La ressource à interroger/exploiter n'existe pas. Vérifiez si l'ID de la ressource est incorrect.

409

Conflict

Une instance de déploiement portant le même nom existe déjà. Spécifiez un suffixe pour différencier.

429

Throttling

La création de ressources a déclenché une limite de plateforme. Supprimez les modèles qui ne sont plus utilisés.

500

InternalError

Erreur interne. Enregistrez le request_id et contactez les ingénieurs Alibaba Cloud via un ticket pour le dépannage.

Étape suivante

Le réglage est une opération asynchrone. Après avoir appelé cette API, utilisez l'API Interroger et gérer les tâches de réglage pour vérifier le statut de la tâche.