数据去重

SimDeduplication算子概述

可以依据用户设置的相似程度阈值完成图像去重处理。图像去重是图像数据处理常见的数据处理方法。图像重复指图像内容完全一样，或者有少量的尺度、位移、色彩、亮度变化，或者是添加了少量其他内容等。

图1 SimDeduplication效果图

表1 高级参数说明

参数名	是否必选	默认值	参数说明
simlarity_threshold	否	0.9	相似程度阈值，两张图片间的相似度大于阈值时，其中一张会作为重复图片被过滤掉。取值范围为0~1。
do_validation	否	True	是否进行数据校验，可填True或者False。表示数据去重前需要进行数据校验，否则只进行数据去重。

输入要求

算子输入分为两种，“数据集”或“OBS目录”。

• 选择“数据集”，请从下拉框中选择ModelArts中管理的数据集及其版本。要求数据集类型与您在本任务中选择的场景类别一致。
• 选择“OBS目录”，存放结构又分两种情况，“仅包含图片”或“包含图片和标注信息”。
  • “仅包含图片”：当目录下全是图片时，支持jpg、jpeg、png、bmp格式，嵌套子目录的图片也将全部读入。
  • “包含图片和标注信息”：根据不同数据类型，结构不同。

    图像分类，其目录结构如下所示。如下目录结构，仅支持单标签场景。

    input_path/
        --label1/
            ----1.jpg
        --label2/
            ----2.jpg
        --../

    物体检测，其目录结构如下所示。支持jpg、jpeg、png、bmp格式的图片，xml为标准的PACAL VOC格式标注文件。

    input_path/
        --1.jpg
        --1.xml
        --2.jpg
        --2.xml
        ...

输出说明

• 图像分类

  输出数据的目录结构如下所示。

  output_path/
      --Data/
          ----class1/  # 如果输入数据有标注信息会一并输出，class1为标注类别
              ------1.jpg
          ----class2/
              ------2.jpg
              ------3.jpg
      --output.manifest

  其中manifest文件内容示例如下所示。

  {
  	"id": "xss", 
  	"source": "obs://home/fc8e2688015d4a1784dcbda44d840307_14.jpg",
  	"usage": "train", 
  	"annotation": [
  		{
  			"name": "Cat", 
  			"type": "modelarts/image_classification"
  		}
  	]
  }

• 物体检测
  输出数据的目录结构如下所示。

  output_path/
      --Data/
          ----1.jpg
          ----1.xml  # 如果输入数据有标注信息会一并输出，xml为标注文件
          ----2.jpg
          ----3.jpg
      --output.manifest

  其中manifest文件内容示例如下所示。

  {
  	"source":"obs://fake/be462ea9c5abc09f.jpg",
  	"annotation":[
  		{
  			"annotation-loc":"obs://fake/be462ea9c5abc09f.xml",
  			"type":"modelarts/object_detection",
  			"annotation-format":"PASCAL VOC",
  			"annotated-by":"modelarts/hard_example_algo"
  			}
  	]
  }