# 分析ModelArts数据集中的数据特征
基于图片或目标框对图片的各项特征，如模糊度、亮度进行分析，并绘制可视化曲线，帮助处理数据集。
您还可以选择数据集的多个版本，查看其可视化曲线，进行对比分析。
#### 背景信息
- 只有"图片"的数据集，且版本标注类型为"物体检测"和"图像分类"的数据集版本支持数据特征分析。
- 只有发布后的数据集支持数据特征分析。发布后的Default格式数据集版本支持数据特征分析。
- 数据特征分析的数据范围，不同类型的数据集，选取范围不同：
  - 对于标注任务类型为"物体检测"的数据集版本，当已标注样本数为0时，发布版本后，数据特征页签版本置灰不可选，无法显示数据特征。否则，显示已标注的图片的数据特征。
  
  - 对于标注任务类型为"图像分类"的数据集版本，当已标注样本数为0时，发布版本后，数据特征页签版本置灰不可选，无法显示数据特征。否则，显示全部的图片的数据特征。
   
- 数据集中的图片数量要达到一定量级才会具有意义，一般来说，需要有大约1000+的图片。
- "图像分类"支持分析指标有："分辨率"、"图片高宽比"、"图片亮度"、"图片饱和度"、"清晰度"和"图像色彩的丰富程度"。"物体检测"支持所有的分析指标。目前ModelArts支持的所有分析指标请参见[支持分析指标及其说明]。
 
#### 数据特征分析
1. 登录[ModelArts控制台](https://console.huaweicloud.com/modelarts)，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. 选择对应的数据集，单击操作列的"更多 \> 数据特征"，进入数据集概览页的数据特征页面。 您也可以在单击数据集名称进入数据集概览页后，单击"数据特征"页签进入。
   
3. 由于发布后的数据集不会默认启动数据特征分析，针对数据集的各个版本，需手动启动特征分析任务。在数据特征页签下，单击"启动特征分析"。
4. 在弹出的对话框中配置需要进行特征分析的数据集版本，然后单击"确定"启动分析。
   "版本选择"，即选择当前数据集的已发布版本。
   图1启动数据特征分析任务   
   ![](https://support.huaweicloud.com/usermanual-standard-modelarts/figure/zh-cn_image_0000002024267981.png "点击放大") 
5. 数据特征分析任务启动后，需执行一段时间，根据数据量不同等待时间不同，请耐心等待。当您选择分析的版本出现在"版本选择"列表下，且可选择时，即表示分析已完成。
6. 查看数据特征分析结果。 "版本选择"：在右侧下拉框中选择进行对比的版本。也可以只选择一个版本。
   "类型"：选择需要分析的类型。支持"all"、"train"、"eval"和"inference"。
   "数据特征指标"：在右侧下拉框中勾选需要展示的指标。详细指标说明请参见[支持分析指标及其说明]。
   选择完成后，页面将自动呈现您选择对应版本及其指标数据，您可以根据呈现的图表了解数据分布情况，帮助您更好地处理您的数据。
   
7. 查看分析任务的历史记录。 在数据特征分析后，您可以在"数据特征"页签下，单击右侧"任务历史"，可在弹出对话框中查看历史分析任务及其状态。
   
 
 #### 支持分析指标及其说明
 表1分析指标列表 
| **名称**                                                                                                                                                                | **说明**                                                                                                                                                                                                                         | **分析说明**                                                                         |
|:---|:---|:---|
| 分辨率 Resolution                                                       | 图像分辨率。此处使用面积值作为统计值。                                                                                                                                                                                                            | 通过指标分析结果查看是否有偏移点。如果存在偏移点，可以对偏移点做resize操作或直接删除。                                   |
| 图片高宽比 Aspect Ratio                                                   | 图像高宽比，即图片的高度/图片的宽度。                                                                                                                                                                                                            | 一般呈正态分布，一般用于比较训练集和真实场景数据集的差异。                                                    |
| 图片亮度 Brightness                                                     | 图片亮度，值越大代表观感上亮度越高。                                                                                                                                                                                                             | 一般呈正态分布，可根据分布中心判断数据集整体偏亮还是偏暗。可根据使用场景调整，比如使用场景是夜晚，图片整体应该偏暗。                       |
| 图片饱和度 Saturation                                                  | 图片的色彩饱和度，值越大表示图片整体色彩越容易分辨。                                                                                                                                                                                                     | 一般呈正态分布，一般用于比较训练集和真实场景数据集的差异。                                                    |
| 清晰度 Clarity                                                        | 图片清晰程度，使用拉普拉斯算子计算所得，值越大代表边缘越清晰，图片整体越清晰。                                                                                                                                                                                        | 可根据使用场景判断清晰度是否满足需要。比如使用场景的数据采集来自高清摄像头，那么清晰度对应的需要高一些。可通过对数据集做锐化或模糊操作，添加噪声对清晰度做调整。 |
| 图像色彩的丰富程度 Colorfulness                                             | 横坐标：图像的色彩丰富程度，值越大代表色彩越丰富。 纵坐标：图片数量。                                                                                           | 是观感上的色彩丰富程度，一般用于比较训练集和真实场景数据集的差异。                                                |
| 按单张图片中框的个数统计图片分布 Bounding Box Quantity                            | 横坐标：单张图片中框的个数。 纵坐标：图片数量。                                                                                                    | 对模型而言一张图片的框个数越多越难检测，需要越多的这种数据用作训练。                                               |
| 按单张图片中框的面积标准差统计图片分布 Standard Deviation of Bounding Boxes Per Image | 横坐标：单张图片中框的标准差。单张图片只有一个框时，标准差为0。标准差的值越大，表示图片中框大小不一程度越高。 纵坐标：图片数量。                                                           | 对模型而言一张图中框如果比较多且大小不一，是比较难检测的，可以根据场景添加数据用作训练，或者实际使用没有这种场景可直接删除。                   |
| 按高宽比统计框数量的分布 Aspect Ratio of Bounding Boxes                         | 横坐标：目标框的高宽比。 纵坐标：框数量（统计所有图片中的框）。                                                                                           | 一般呈泊松分布，但与使用场景强相关。多用于比较训练集和验证集的差异，如训练集都是长方形框的情况下，验证集如果是接近正方形的框会有比较大影响。           |
| 按面积占比统计框数量的分布 Area Ratio of Bounding Boxes                        | 横坐标：目标框的面积占比，即目标框的面积占整个图片面积的比例，越大表示物体在图片中的占比越大。 纵坐标：框数量（统计所有图片中的框）。                                                        | 主要判断模型中使用的anchor的分布，如果目标框普遍较大，anchor就可以选择较大。                                     |
| 按边缘化程度统计框数量的分布 Marginalization Value of Bounding Boxes               | 横坐标：边缘化程度，即目标框中心点距离图片中心点的距离占图片总距离的比值，值越大表示物体越靠近边缘。（图片总距离表示以图片中心点为起点画一条经过标注框中心点的射线，该射线与图片边界交点到图片中心点的距离）。 纵坐标：框数量（统计所有图片中的框）。 | 一般呈正态分布。用于判断物体是否处于图片边缘，有一些只露出一部分的边缘物体，可根据需要添加数据集或不标注。                            |
| 按堆叠度统计框数量的分布 Overlap Score of Bounding Boxes                      | 横坐标：堆叠度，单个框被其他的框重叠的部分，取值范围为0～1，值越大表示被其他框覆盖的越多。 纵坐标：框数量（统计所有图片中的框）。                                                           | 主要用于判断待检测物体的堆叠程度，堆叠物体一般对于检测难度较高，可根据实际使用需要添加数据集或不标注部分物体。                          |
| 按亮度统计框数量的分布 Brightness of Bounding Boxes                           | 横坐标：目标框的图片亮度，值越大表示越亮。 纵坐标：框数量（统计所有图片中的框）。                                                                                   | 一般呈正态分布。主要用于判断待检测物体的亮度。在一些特殊场景中只有物体的部分亮度较暗，可以看是否满足要求。                            |
| 按清晰度统计框数量的分布 Clarity of Bounding Boxes                              | 横坐标：目标框的清晰度，值越大表示越清晰。 纵坐标：框数量（统计所有图片中的框）。                                                                                   | 主要用于判断待检测物体是否存在模糊的情况。比如运动中的物体在采集中可能变得模糊，需要重新采集。                                  |