load_dataset方法使用(HuggingFace的datasets库)

1.从本地加载数据集

用path指定数据集格式

  • json格式,path="json"
  • csv格式, path="csv"
  • 纯文本格式, path="text"
  • dataframe格式, path="panda"
  • 图片,path="imagefolder"

然后用data_files指定文件名称,data_files可以是字符串、列表、或者字典,data_dir指定数据集目录

from datasets import load_dataset
dataset = load_dataset('csv', data_files='my_file.csv')
dataset = load_dataset('csv', data_files=['my_file_1.csv', 'my_file_2.csv', 'my_file_3.csv'])
dataset = load_dataset('csv', data_files={'train':['my_train_file_1.csv','my_train_file_2.csv'],'test': 'my_test_file.csv'})
1.1加载图片

如下我们通过打开指定图片目录进行加载图片数据集

dataset = load_dataset(path="imagefolder",
                       data_dir="D:\Desktop\workspace\code\loaddataset\data\images")
print(dataset)
print(dataset["train"][0])

图片文本对应
很多情况下加载图片并非只要图片,还会有对应的文本,比如在图片分类的时候,每张图片都对应一个类别。这种情况我们需要在图片所在文件夹中加入一个metadata.jsonl的文件,来指定每个图片对应的类别,格式如下,注意file_name字段必须要有,其他字段可自行命名

{
  "file_name": "1.jpg",
  "class": 1
}
{
  "file_name": "2.png",
  "class": 0
}

然后我们再来运行

dataset = load_dataset(path="imagefolder",
                       data_dir="D:\Desktop\workspace\code\loaddataset\data\images")
print(dataset)
print(dataset["train"][0])

输出如下

DatasetDict({
    train: Dataset({
        features: ['image', 'class'],
        num_rows: 2
    })
})

{'image': <PIL.JpegImagePlugin.JpegImageFile image mode=RGB size=800x320 at 0x2912172B520>, 'class': 1}

2.自定义加载脚本

一些情况下加载数据集的逻辑较为复杂,需要自定义加载方式。

如下所示,我们数据处理需要是,每条数据包括两张图片,一个文本。

  • step1: 首先我们先创建一个json文件train.jsonl,把图片和文本对应起来,json文件的格式如下所示
  • {"text": "pale golden rod circle with old lace background", "image": "images/0.png", "conditioning_image": "conditioning_images/0.png"}
    {"text": "light coral circle with white background", "image": "images/1.png", "conditioning_image": "conditioning_images/1.png"}
    {"text": "aqua circle with light pink background", "image": "images/2.png", "conditioning_image": "conditioning_images/2.png"}
    

    step2:创建一个python脚本fill50k.py根据json文件中的对应关系加载图片,python脚本如下所示,这个脚本中定义一个 Fill50k类,并继承datasets.GeneratorBasedBuilder,在类中重写_info(self),_split_generators(self, dl_manager)和_split_generators(self, dl_manager)这三个方法

  • import pandas as pd
    import datasets
    import os
    import logging
    
    # 数据集路径设置
    META_DATA_PATH = "D:\Desktop\workspace\code\loaddataset\\fill50k\\train.jsonl"
    IMAGE_DIR = "D:\Desktop\workspace\code\loaddataset\\fill50k"
    CONDITION_IMAGE_DIR = "D:\Desktop\workspace\code\loaddataset\\fill50k"
    
    
    # 定义数据集中有哪些特征,及其类型
    _FEATURES = datasets.Features(
        {
            "image": datasets.Image(),
            "conditioning_image": datasets.Image(),
            "text": datasets.Value("string"),
        },
    )
    
    
    # 定义数据集
    class Fill50k(datasets.GeneratorBasedBuilder):
        BUILDER_CONFIGS = [datasets.BuilderConfig(name="default", version=datasets.Version("0.0.2"))]
        DEFAULT_CONFIG_NAME = "default"
    
        def _info(self):
            return datasets.DatasetInfo(
                description="None",
                features=_FEATURES,
                supervised_keys=None,
                homepage="None",
                license="None",
                citation="None",
            )
    
        def _split_generators(self, dl_manager):
    
            return [
                datasets.SplitGenerator(
                    name=datasets.Split.TRAIN,
                    # These kwargs will be passed to _generate_examples
                    gen_kwargs={
                        "metadata_path": META_DATA_PATH,
                        "images_dir": IMAGE_DIR,
                        "conditioning_images_dir": CONDITION_IMAGE_DIR,
                    },
                ),
            ]
    
        def _generate_examples(self, metadata_path, images_dir, conditioning_images_dir):
            metadata = pd.read_json(metadata_path, lines=True)
    
            for _, row in metadata.iterrows():
                text = row["text"]
    
                image_path = row["image"]
                image_path = os.path.join(images_dir, image_path)
    
                # 打开文件错误时直接跳过
                try:
                    image = open(image_path, "rb").read()
                except Exception as e:
                    logging.error(e)
                    continue
    
                conditioning_image_path = os.path.join(
                    conditioning_images_dir, row["conditioning_image"]
                )
    
                # 打开文件错误直接跳过
                try:
                    conditioning_image = open(conditioning_image_path, "rb").read()
                except Exception as e:
                    logging.error(e)
                    continue
    
                yield row["image"], {
                    "text": text,
                    "image": {
                        "path": image_path,
                        "bytes": image,
                    },
                    "conditioning_image": {
                        "path": conditioning_image_path,
                        "bytes": conditioning_image,
                    },
                }
    

  • step3: 通过load_dataset加载数据集
  • dataset = load_dataset(path="D:\Desktop\workspace\code\loaddataset\\fill50k\\fill50k.py",
                           cache_dir="D:\Desktop\workspace\code\loaddataset\\fill50k\cache")
    print(dataset)
    print(dataset["train"][0])
    输出结果如下
  • DatasetDict({
        train: Dataset({
            features: ['image', 'conditioning_image', 'text'],
            num_rows: 50000
        })
    })
    {'image': <PIL.PngImagePlugin.PngImageFile image mode=RGB size=512x512 at 0x1AEA2FF9040>, 'conditioning_image': <PIL.PngImagePlugin.PngImageFile image mode=RGB size=512x512 at 0x1AEA2FE2640>, 'text': 'pale golden rod circle with old lace background'}
    
    

  • 本文参考链接:【torch】HuggingFace的datasets库中load_dataset方法使用_orangerfun的博客-CSDN博客

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值