数据清洗

PCC算子概述

ModelArts的数据清洗通过PCC算子实现。图像分类或者物体检测的数据集中可能存在非所需类别的图像，需要将这些图像去除掉，以免对标注、模型训练造成干扰。

图1 PCC算子效果

参数说明

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”：根据不同场景类型，结构不同。

    图像分类场景，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
        --../

    物体检测场景，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/  # 若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  # 若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"
  		}
  	]
  }