文档首页> AI开发平台ModelArts> SDK参考> 数据管理> 数据集管理> 创建数据集
更新时间：2024-01-18 GMT+08:00
查看PDF

创建数据集

创建数据集，支持从OBS中导入数据。

create_dataset(session, dataset_name=None, data_type=None, data_sources=None, work_path=None, dataset_type=None, **kwargs)

创建数据集支持两种用法：

  • 根据标注类型创建数据集，一个数据集只能支持一种标注任务类型。
    create_dataset(session,dataset_name=None, dataset_type=None, data_sources=None, work_path=None, **kwargs)
  • 根据数据类型创建数据集，用户可以在相同的数据集上创建不同类型的标注任务，如在图像数据集上创建图像分类、物体检测等标注任务。
    create_dataset(session,dataset_name=None, data_type=None, data_sources=None, work_path=None, **kwargs)

推荐使用根据数据类型创建数据集，根据标注类型创建数据集的功能将会下线。

示例代码

  • 示例一：根据数据类型创建图像数据集
    from modelarts.session import Session
from modelarts.dataset import Dataset

session = Session()

dataset_name = "dataset-image"  # 数据集名称
data_type = "IMAGE"             # 数据集类型，图像类型数据集
data_sources = dict()           # 数据集数据来源
data_sources["type"] = 0        # 数据来源类型，0表示OBS
data_sources["path"] = "/obs-gaia-test/data/image/image-classification/" # 数据在OBS中的路径
work_path = dict()              # 数据集输出位置，用于存放输出的标注信息等文件
work_path['type'] = 0           # 数据集工作目录的类型，0表示OBS
work_path['path'] = "/obs-gaia-test/data/output/work_path/"  # 数据集工作目录在OBS中的路径
create_dataset_resp = Dataset.create_dataset(session, dataset_name=dataset_name, data_type=data_type,
                                             data_sources=data_sources, work_path=work_path)
  • 示例二：根据数据类型创建图像数据集（导入标注信息）
    from modelarts.session import Session
from modelarts.dataset import Dataset

session = Session()

dataset_name = "dataset-image-with-annotations"
data_type = "IMAGE"
data_sources = dict()
data_sources["type"] = 0
data_sources["path"] = "/obs-gaia-test/data/image/image-classification/"
annotation_config = dict()      # 源数据的标注格式
annotation_config['scene'] = "image_classification" # 数据标注场景为图像分类标注
annotation_config['format_name'] = "ModelArts image classification 1.0" # 标注格式为ModelArts image classification 1.0
data_sources['annotation_config'] = annotation_config
work_path = dict()
work_path['type'] = 0
work_path['path'] = "/obs-gaia-test/data/output/work_path/"
create_dataset_resp = Dataset.create_dataset(session, dataset_name=dataset_name, data_type=data_type,
                                             data_sources=data_sources, work_path=work_path)
  • 示例三：根据数据类型创建表格数据集
    from modelarts.session import Session
from modelarts.dataset import Dataset

session = Session()

dataset_name = "dataset-table"
data_type = "TABLE"
data_sources = dict()
data_sources["type"] = 0
data_sources["path"] = "/obs-gaia-test/data/table/table0/"
data_sources['with_column_header'] = True
work_path = dict()
work_path['type'] = 0
work_path['path'] = "/obs-gaia-test/data/output/work_path/"
# 表格类型的数据集需要指定表格数据的schema信息
schema0 = dict()
schema0['schema_id'] = 0
schema0['name'] = "name"
schema0['type'] = "STRING"
schema1 = dict()
schema1['schema_id'] = 1
schema1['name'] = "age"
schema1['type'] = "STRING"
schema2 = dict()
schema2['schema_id'] = 2
schema2['name'] = "label"
schema2['type'] = "STRING"
schemas = []
schemas.append(schema0)
schemas.append(schema1)
schemas.append(schema2)
create_dataset_resp = Dataset.create_dataset(session, dataset_name=dataset_name, data_type=data_type,
                                             data_sources=data_sources, work_path=work_path, schema=schemas)
  • 示例四：根据标注类型创建图像分类数据集
    from modelarts.session import Session
from modelarts.dataset import Dataset

session = Session()

dataset_name = "dataset-image-classification"
dataset_type = 0   # 数据集的标注类型，0表示图像分类标注类型
data_sources = dict()
data_sources["path"] = "/obs-gaia-test/data/image/image-classification/"
data_sources["type"] = "0"
work_path = dict()
work_path['type'] = 0
work_path['path'] = "/obs-gaia-test/data/output/work_path/"
create_dataset_resp = Dataset.create_dataset(session, dataset_name=dataset_name, dataset_type=dataset_type, data_sources=data_sources, work_path=work_path)
  • 示例五：根据标注类型创建文本三元组数据集
    dataset_name = "dataset-text-triplet"
dataset_type = 102   # 数据集标注类型，102表示文本三元组标注类型
data_sources = dict()
data_sources['type'] = 0
data_sources['path'] = "/obs-gaia-test/data/text/text-classification/"
work_path = dict()
work_path['type'] = 0
work_path['path'] = "/obs-gaia-test/data/output/work_path/"

# 创建文本三元组标注类型的数据集，需要传入标签参数
label_entity1 = dict()    # 标签对象
label_entity1['name'] = "疾病"    # 标签名称
label_entity1['type'] = 101     # 标签类型，101表示实体类型标签
label_entity2 = dict()
label_entity2['name'] = "疾病别称"
label_entity2['type'] = 101
label_relation1 = dict()
label_relation1['name'] = "又称为"
label_relation1['type'] = 102    # 标签类型，102表示关系类型标签
property = dict()    # 关系类型标签需要在标签属性中指定起始实体标签和终止实体标签
property['@modelarts:from_type'] = "疾病"    # 起始实体标签
property['@modelarts:to_type'] = "疾病别称"    # 终止实体标签
label_relation1['property'] = property
labels = []
labels.append(label_entity1)
labels.append(label_entity2)
labels.append(label_relation1)
create_dataset_resp = Dataset.create_dataset(session, dataset_name=dataset_name, dataset_type=dataset_type, data_sources=data_sources, work_path=work_path, labels=labels)
  • 示例六：根据标注类型创建表格数据集
    dataset_name = "dataset-table"
dataset_type = 400    # 数据集标注类型，400表示表格数据集
data_sources = dict()
data_sources['type'] = 0
data_sources['path'] = "/obs-gaia-test/data/table/table0/"
data_sources['with_column_header'] = True    # 用来指明表格数据中是否包含表头
work_path = dict()
work_path['type'] = 0
work_path['path'] = "/obs-gaia-test/data/output/work_path/"

# 表格数据集需要传入表格数据的表头参数
schema0 = dict()    # 表格的表头
schema0['schema_id'] = 0    # 第一列表头
schema0['name'] = "name"    # 表头名称，该列表头为name
schema0['type'] = "STRING"    # 表头数据类型，表示字符串
schema1 = dict()
schema1['schema_id'] = 1
schema1['name'] = "age"
schema1['type'] = "STRING"
schema2 = dict()
schema2['schema_id'] = 2
schema2['name'] = "label"
schema2['type'] = "STRING"
schemas = []
schemas.append(schema0)
schemas.append(schema1)
schemas.append(schema2)
create_dataset_resp = Dataset.create_dataset(session, dataset_name=dataset_name, dataset_type=dataset_type, data_sources=data_sources, work_path=work_path, schema=schemas)

参数说明

表1 请求参数

参数

是否必选

参数类型

描述

session

是

Object

会话对象，初始化方法请参见Session鉴权。

dataset_name

是

String

数据集名称。

data_type

否

String

数据集的数据类型，与dataset_type参数二选一，推荐使用data_type。可选值如下：

  • IMAGE：图像
  • TEXT：文本
  • AUDIO：音频
  • TABLE：表格
  • VIDEO：视频
  • PLAIN：自由格式

dataset_type

否

Integer

根据数据集类型查询数据集列表，与data_type参数二选一。可选值如下：

  • 0：图像分类
  • 1：物体检测
  • 3: 图像分割
  • 100：文本分类
  • 101：命名实体
  • 102：文本三元组
  • 200：声音分类
  • 201：语音内容
  • 202：语音分割
  • 400：表格数据集
  • 600：视频标注
  • 900：自由格式

data_sources

是

表2

数据集输入位置，用于将此目录及子目录下的源数据(如图片/文件/音频等)同步到数据集。对于表格数据集，该参数为导入目录。表格数据集的工作目录不支持为KMS加密桶下的OBS路径。

work_path

是

表6

数据集输出位置，用于存放输出的标注信息等文件。

labels

否

List of 表7

数据集标签列表，创建文本三元组标注类型的数据集时需要传递该参数。

schema

否

List of 表9

schema列表，用于表格数据集，指定表头的名称和类型。

description

否

String

数据集描述，默认为空，描述不能包含^!<>=&"'等特殊字符，长度为0-256。
表2 DataSource参数

参数

是否必选

参数类型

描述

type

是

Integer

数据类型。可选值如下：

  • 0：OBS桶（默认值）
  • 5：AI Gallery下载数据集

path

是

String

数据源所在路径。

  • 字符限制：不允许出现的特殊字符有换行符(\n)、回车符(\r)、制表符(\t)。

content_info

否

表3

从AI Gallery下载数据集时数据集资产的信息。

annotation_config

否

表4

数据标注格式的说明。目前支持的标注格式类型如下：

  • 图像分类
  • 物体检测
  • 文本分类
  • 声音分类

with_column_header

否

Boolean

表格数据集必选参数，表格的第一行是否为表头。

  • True：第一行数据作为表头
  • False：第一行数据不作为表头，仅为样本数据
表3 ContentInfo参数

参数

是否必选

参数类型

描述

content_id

是

String

AI Gallery中数据集资产的ID。

version_id

是

String

AI Gallery中数据集资产的版本ID。
表4 AnnotationConfig参数

参数

是否必选

参数类型

描述

scene

是

String

支持的标注格式场景，可选值如下：

  • image_classification：图像分类
  • object_detection：物体检测
  • text_classification：文本分类
  • audio_classification：声音分类

fromat_name

是

String

不同标注场景下的标注格式。可选值如下：

  • image_classification
    • ModelArts imageNet 1.0
    • ModelArts image classification 1.0
  • object_detection
    • ModelArts PASCAL VOC 1.0
    • YOLO
  • text_classification
    • ModelArts text classfication 1.0
    • ModelArts text classfication combine 1.0
  • audio_classification
    • ModelArts audio classfication dir 1.0

parameters

否

表5

标注格式的高级参数，如样本分割符等。
表5 AnnotationConfigParam参数

参数

是否必选

参数类型

描述

included_labels

否

List of 表7

只导入包含指定标签的样本。

sample_label_separator

否

String

文本和标签之间的分割符。分隔符仅支持一个字符，必须为大小写字母，数字或@#￥%^&*_=|?/':.;,中的某一个字符，分割符需要转义。

label_separator

否

String

标签和标签之间的分割符。分隔符仅支持一个字符，必须为大小写字母，数字或@#￥%^&*_=|?/':.;,中的某一个字符，分割符需要转义。

difficult_only

否

Boolean

是否只导入难例。
表6 WorkPath参数

参数

是否必选

参数类型

描述

type

是

Integer

数据类型。可选值如下：

  • 0：OBS桶（默认值）

path

是

String

数据集输出位置，用于存放输出的标注信息等文件。

  • 格式为 “/桶名称/文件路径”，例如“/obs-bucket/flower/rose/”（使用目录作为路径）。
  • 不能直接使用桶作为路径。
  • 输出位置不能与输入位置相同或者是输入位置的子目录。
  • 长度限制：不少于3字符，不能超过700个字符。
  • 字符限制：不允许出现的特殊字符有换行符(\n)、回车符(\r)、制表符(\t)。
表7 Label参数

参数

是否必选

参数类型

描述

name

是

String

标签名称。

type

是

Integer
标签类型，可选值如下：
  • 0：图像分类
  • 1：物体检测
  • 3: 图像分割
  • 100：文本分类
  • 101：命名实体标签
  • 102：文本三元组关系标签
  • 200：声音分类
  • 201：语音内容
  • 202：语音分割
  • 600：视频标注

property

否

表8

标签基本属性键值对，如颜色。
表8 LabelProperty参数

参数

是否必选

参数类型

描述

@modelarts:color

否

String

内置属性：标签展示的颜色，为色彩的16进制代码，默认为空。例如：“#FFFFF0”。

@modelarts:from_type

否

String

内置属性：三元组关系标签的起始实体类型，创建关系标签时必须指定，该参数仅文本三元组数据集使用。

@modelarts:to_type

否

String

内置属性：三元组关系标签的指向实体类型，创建关系标签时必须指定，该参数仅文本三元组数据集使用。
表9 Schema参数

参数

是否必选

参数类型

描述

schema_id

否

Integer

Schema ID。

name

否

String

Schema名称。

type

否

String

Schema值类型，可选值如下：

  • STRING
  • SHORT
  • INT
  • LONG
  • DOUBLE
  • FLOAT
  • BYTE
  • DATE
  • TIMESTAMP
  • BOOLEAN

description

否

String

Schema描述。
父主题： 数据集管理