创建ModelArts数据集

数据集的类型

当前ModelArts支持如下格式的数据集。

• 图片：对图像类数据进行处理，支持 .jpg、.png、.jpeg、.bmp四种图像格式，支持用户进行图像分类、物体检测、图像分割类型的标注。
• 音频：对音频类数据进行处理，支持.wav格式，支持用户进行声音分类、语音内容、语音分割三种类型的标注。
• 文本：对文本类数据进行处理，支持.txt、.csv格式，支持用户进行文本分类、命名实体、文本三元组三种类型的标注。
• 视频：对视频类数据进行处理，支持.mp4格式，支持用户进行视频标注。
• 自由格式：管理的数据可以为任意格式，目前不支持标注，适用于无需标注或开发者自行定义标注的场景。如果您的数据集需存在多种格式数据，或者您的数据格式不符合其他类型数据集时，可选择自由格式的数据集。

• 表格

  表格：适合表格等结构化数据处理。数据格式支持csv。不支持标注，支持对部分表格数据进行预览，但是最多支持100条数据预览。

不同类型数据集支持的功能列表

其中，不同类型的数据集支持不同的功能，如智能标注、团队标注等。详细信息参考表1。

规格限制

• 除表格类型之外的数据集（如视频、文本、音频等），单个数据集的最大样本数量限制：1000000，最大标签数量限制：10000。
• 除图片类型之外的数据集（如视频、文本、音频等），单个样本大小限制：5GB。
• 针对图片类数据集（物体检测、图像分类、图像分割），单个图片大小限制：25MB。
• 单个manifest文件大小限制：5GB。
• 文本文件单行大小限制：100KB。
• 数据集标注结果文件大小限制：100MB。

前提条件

• 数据管理功能需要获取访问OBS权限，在未进行委托授权之前，无法使用此功能。在使用数据管理功能之前，请前往“权限管理”页面，使用委托完成访问授权。
• 已创建用于存储数据的OBS桶及文件夹。并且，数据存储的OBS桶与ModelArts在同一区域。当前不支持OBS并行文件系统，请选择OBS对象存储。
• ModelArts不支持加密的OBS桶，创建OBS桶时，请勿开启桶加密。

创建数据集（图片、音频、文本、视频、自由格式）

1. 登录ModelArts管理控制台，在左侧菜单栏中选择“资产管理> 数据集”，进入数据集管理页面。
2. 单击“创建数据集”，进入“创建数据集”页面，根据数据类型以及数据标注要求，选择创建不同类型的数据集。填写数据集基本信息。
   图1 参数填写
   
   • 名称：数据集的名称，可自定义您的数据集。
   • 描述：该数据集的详情信息。
   • 数据类型：根据实际需求，选择对应的数据类型。
   • 数据来源：
     1. OBS导入数据

        用户在OBS中有准备好的数据时，选择“OBS”、“导入路径”、“数据标注状态”和“标注格式”（当数据标注状态选择“已标注”时，需要填写该参数）和“数据集输出位置”。针对不同类型的数据集，数据输入支持的标注格式不同，ModelArts目前支持的标注格式及其说明请参见不同类型数据集支持的功能列表。

     2. 从本地上传数据。

        ModelArts还支持从本地上传数据。本地上传时选择“上传数据存储路径”、“数据标注状态”和“数据集输出路径”。单击“文件上传”，上传您本地的数据。并选择“标注格式”（当数据标注状态为“已标注”时，需要关注该参数）。针对不同类型的数据集，数据输入支持的标注格式不同，ModelArts目前支持的标注格式及其说明请参见不同类型数据集支持的功能列表。

        图2 数据来源选择本地上传
        

   • 更多参数填写请参见表2。

     表2 数据集的详细参数

     参数名称	说明
     导入路径	选择需要导入数据的OBS路径，此位置会作为数据集的数据存储路径。 说明： “导入路径”不支持OBS并行文件系统下的路径，请选择OBS对象桶。 创建数据集时，此OBS路径下的数据会导入数据集，后续如果直接在OBS中修改数据，会造成数据集的数据与OBS的数据不一致，可能导致部分数据不可用。如果需要在数据集中修改数据，建议使用同步数据源或4章节从OBS目录导入数据到数据集功能。 超出数据集的样本和标签配额，会导致数据无法正常导入。
     数据标注状态	选择数据的标注状态，分为“未标注”和“已标注”。 选择“已标注”时，需指定标注格式，并保证数据文件满足相应的格式规范，否则可能存在导入失败的情况。 仅图片（物体检测、图像分类、图像分割）、音频（声音分类）、文本（文本分类）类型的标注任务支持导入已标注数据。
     数据集输出位置	选择数据集输出位置的OBS路径，此位置会存放输出的标注信息等文件。 说明： 请确保您的OBS路径以字母、数字、下划线命名，不能包含特殊字符，例如：~'@#$%^&*{}[]:;+=<>/以及空格。 “数据集输出位置”不能与“数据输入路径”为同一路径，且不能是“数据输入路径”的子目录。 “数据集输出位置”建议选择一个空目录。 “数据集输出位置”不支持OBS并行文件系统下的路径，请选择OBS对象桶。
     高级特征选项-按标签导入	默认关闭，可通过勾选高级选项提供增强功能。 如“按标签导入”：系统将自动获取此数据集的标签，您可以单击“添加标签”添加相应的标签。此字段为可选字段，您也可以在导入数据集后，在标注数据操作时，添加或删除标签。

3. 参数填写完成，单击“提交”，即可完成数据集的创建。

创建数据集（表格）

1. 登录ModelArts管理控制台，在左侧菜单栏中选择“资产管理> 数据集”，进入数据集管理页面。
2. 单击“创建数据集”，进入“创建数据集”页面，根据数据类型以及数据标注要求，选择创建表格类型的数据集。填写数据集基本信息。
   图3 表格类型的参数
   
   • 名称：数据集的名称，可自定义您的数据集。
   • 描述：该数据集的详情信息。
   • 数据类型：根据实际需求，选择对应的数据类型。
   • 更多参数填写请参考表3。

     表3 数据集的详细参数

     参数名称	说明
     数据源（“OBS”）	“文件路径”：单击输入框右侧按钮，可打开当前账号下的所有OBS桶，请选择需要导入的数据文件所在目录。 “导入是否包含表头”：默认开启，表示导入文件包含表头。 如果您的原始表格中已包含表头，开启时，会将导入文件的第一行（表头）作为列名，无需再手动修改Schema信息。 如果您的原始表格中没有表头，需手动关闭该开关，并更改Schema信息中的“列名”为attr_1、attr_2、……、attr_n，其中attr_n为最后一列，代表预测列。 OBS的详细功能说明，请参见《OBS用户指南》。
     数据源（“DWS”）	“集群名称”：系统自动将当前账号下的DWS集群展现在列表中，您可以在下拉框中选择您所需的DWS集群。 “数据库名称”：根据选择的DWS集群，填写数据所在的数据库名称。 “表名称”：根据选择的数据库，填写数据所在的表。 “用户名”：输入DWS集群管理员用户的用户名。 “密码”：输入DWS集群管理员用户的密码。 DWS的详细功能说明，请参见《DWS用户指南》。 说明： 从DWS导入数据，需要借助DLI的功能，如果用户没有访问DLI服务的权限，需根据页面提示创建DLI的委托。
     数据源（“DLI”）	“队列名称”：系统自动将当前账号下的DLI队列展现在列表中，您可以在下拉框中选择您所需的队列。 “数据库名称”：根据选择的队列展现所有的数据库，请在下拉框中选择您所需的数据库。 “表名称”：根据选择的数据库展现此数据库中的所有表。请在下拉框中选择您所需的表。 DLI的详细功能说明，请参见《DLI用户指南》。
     数据源（“MRS”）	“集群名称”：系统自动将当前账号下的MRS集群展现在此列表中，但是流式集群不支持导入操作。请在下拉框中选择您所需的集群。 “文件路径”：根据选择的集群，输入对应的文件路径，此文件路径为HDFS路径。 “导入是否包含表头”：开启表示导入时将表头同时导入。 MRS的详细功能说明，请参见《MRS用户指南》。
     本地上传	上传数据存储路径：选择对应的数据存储的OBS路径。
     Schema信息	表格的列名和对应类型，需要跟导入数据的列数保持一致。请根据您导入的数据输入“列名”，同时选择此列的“类型”。其中支持的类型见表4。 单击“添加Schema信息”，即可增加一行列。创建数据集时必须指定schema，且一旦创建不支持修改。 从OBS数据源导入数据，会自动获取文件路径下csv文件的schema，如果多个csv文件的schema不一致会报错。 说明： 从OBS选择数据后，Schema信息的列名会自动带出，且默认为表格中的第一行数据。为确保预测代码的正确性，请您手动更改Schema信息中的“列名”为attr_1、attr_2、……、attr_n，其中attr_n为最后一列，代表预测列。
     数据集输出位置	选择表格数据存储路径（OBS路径），此位置会存放由数据源导入的数据。此位置不能和OBS数据源中的文件路径相同或为其子目录。 创建表格数据集后，在存储路径下会自动生成以下4个目录。 annotation：版本发布目录，每次发布版本，会在此目录下生成和版本名称相同的子目录。 data：数据存放目录，导入的数据会放在此目录。 logs：日志存放目录。 temp：临时工作目录。

     表4 Schema数据类型说明

     类型	描述	存储空间	范围
     String	字符串	-	-
     Short	有符号整数	2字节	-32768-32767
     Int	有符号整数	4字节	-2147483648～2147483647
     Long	有符号整数	8字节	-9223372036854775808～9223372036854775807
     Double	双精度浮点型	8字节	-
     Float	单精度浮点型	4字节	-
     Byte	有符号整数	1字节	-128-127
     Date	日期类型，描述了特定的年月日，格式：yyyy-MM-dd，例如2014-05-29	-	-
     Timestamp	时间戳，表示日期和时间。格式：yyyy-MM-dd HH:mm:ss	-	-
     Boolean	布尔类型	1字节	TRUE/FALSE

     

     使用CSV文件时，需要注意以下两点：

     • 当数据类型选择String时，默认会把双引号内的数据当作一条，所以同一行数据需要保证双引号闭环，否则会导致数据过大，无法显示。
     • 当CSV文件的某一行的列数与定义的Schema不同，则会忽略当前行。
3. 参数填写完成后，单击“提交”，即可完成数据集的创建。

修改数据集基本信息

1. 登录ModelArts管理控制台，在左侧菜单栏中选择“资产管理>数据集”，进入“数据集”管理页面。
2. 在数据集列表中，单击操作列的“更多>修改”。修改数据集基本信息，然后单击“确定”完成修改。

   表5 参数说明

   参数	说明
   名称	数据集的名称，支持1~64位可见字符。名称只能是字母、中文、数字、下划线或者中划线组成的合法字符串。且只能以字母或者中文字符开头。
   描述	数据集的简要描述。