更新时间:2023-06-26 GMT+08:00
数据选择
数据选择算子概述
ModelArts提供以下数据选择算子:
- SimDeduplication: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。
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
是否做数据校验,可填True或者False。表示数据去重前需要做数据校验,否则只做数据去重。
- RRD:可以依据用户设置的比例去除差异最大的数据。
表2 高级参数说明 参数名
是否必选
默认值
参数说明
sample_ratio
否
0.9
数据留下的百分比。取值范围为0~1。例如0.9表示保留百分之90的原数据。
n_clusters
auto
auto
数据样本的种类数,默认为auto,即按照目录中图片个数取类别总数,可指定具体类别数,如 4
do_validation
否
True
是否做数据校验,可填True或者False。表示数据去冗余前需要做数据校验,否则只做数据去重。
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/ # 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" } ] }
父主题: 预置算子说明