# 创建ModelArts数据清洗任务
#### 前提条件
- 数据已准备完成：已经创建数据集或者已经将数据上传至OBS。
- 确保您使用的OBS与ModelArts在同一区域。
 
#### 创建数据处理任务
1. 登录[ModelArts控制台](https://console.huaweicloud.com/modelarts)，在左侧的导航栏中选择"数据准备\>数据处理"，进入"数据处理"页面。
2. 在"数据处理"页面，单击"创建"进入"创建数据处理"页面。
3. 在创建数据处理页面，填写相关算法参数。
   1. 填写基本信息。基本信息包括"名称"、"版本"和"描述"。其中"版本"信息由系统自动生成，按"V0001"、"V0002"规则命名，用户无法修改。
      您可以根据实际情况填写"名称"和"描述"信息。
      图1创建数据处理基本信息   
      ![](https://support.huaweicloud.com/usermanual-standard-modelarts/figure/zh-cn_image_0000002024387537.png "点击放大") 
   
   2. 设置场景类别。场景类别当前支持"图像分类"和"物体检测"。
   
   3. 设置数据处理类型选择"数据清洗"，填写相应算子的设置参数，算子的详细参数参见[数据清洗算子（PCC算子）]。
      图2设置场景类别和数据处理类型   
      ![](https://support.huaweicloud.com/usermanual-standard-modelarts/figure/zh-cn_image_0000001987708246.png "点击放大") 
   
   4. 设置输入与输出。需根据实际数据情况选择"数据集"或"OBS目录"。设置为"数据集"时，需填写"数据集名称"和"数据集版本"；设置为"OBS目录"时，需填写正确的OBS路径。
      图3输入输出设置-数据集   
      ![](https://support.huaweicloud.com/usermanual-standard-modelarts/figure/zh-cn_image_0000001987868006.png "点击放大")
      图4输入输出设置-OBS目录   
      ![](https://support.huaweicloud.com/usermanual-standard-modelarts/figure/zh-cn_image_0000002024268025.png "点击放大") 
   
   5. 确认参数填写无误后，单击"创建"，完成数据处理任务的创建。
    
 
 #### 数据清洗算子（PCC算子）
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5PCC算子效果   
![](https://support.huaweicloud.com/usermanual-standard-modelarts/figure/zh-cn_image_0000001987868010.png "点击放大")
- 参数说明
  表1数据清洗-PCC算子参数说明 
  | 参数名                   | 是否必选 | 默认值  | 参数说明                                                                                                                                                                                                                                                                                                           |
  |:---|:---|:---|:---|
  | prototype_sample_path | 是    | None | 数据清洗正样例目录。目录应存放正样例图片文件，算法将这些图片作为正样例，对输入中的数据进行过滤，即保留与"prototype_sample_path"目录下图片相似度高的数据。 请输入一个真实存在的OBS目录，且目录下已包含提供的正样例图片，且以obs://开头。如：*obs://obs_bucket_name/folder_name*                                                                                     |
  | criticism_sample_path | 否    | None | 数据清洗负样例目录。目录应存放负样例图片文件，算法将这些图片作为负样例，对算法输入中的数据进行过滤， 即保留与"criticism_sample_path"目录下图片相似度差距较大的数据。 建议该参数和"prototype_sample_path"配合使用，可以提高数据清洗的准确性。 请输入一个真实存在的OBS目录，且以obs://开头。如：*obs://obs_bucket_name/folder_name* |
  | n_clusters            | 否    | auto | 数据样本的种类数，默认值auto。您可以输入小于样本总数的整数或auto。auto表示使用正样本目录的图片个数作为数据样本的种类数。                                                                                                                                                                                                                                             |
  | simlarity_threshold   | 否    | 0.9  | 相似度阈值。两张图片相似程度超过阈值时，判定为相似图片，反之按非相似图片处理。输入取值范围为0\~1。                                                                                                                                                                                                                                                            |
  | embedding_distance    | 否    | 0.2  | 样本特征间距。两张图片样本特征间距小于设定值，判定为相似图片，反之按非相似图片处理。输入取值范围为0\~1。                                                                                                                                                                                                                                                         |
  | do_validation         | 否    | True | 是否进行数据校验，可填True或者False。表示数据清洗前需要进行数据校验，否则只进行数据清洗。                                                                                                                                                                                                                                                              |
     
  
- 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/  # 如果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  # 如果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"
    }
    ]
    }
    ```