加载图像数据

图像数据集包含 PIL 对象的 Image 类型列。

要使用图像数据集，你需要安装 vision 依赖。请查看安装指南了解如何安装它。

当你加载图像数据集并调用图像列时，图像将解码为 PIL Images。

>>> from datasets import load_dataset, Image

>>> dataset = load_dataset("AI-Lab-Makerere/beans", split="train")
>>> dataset[0]["image"]

使用行索引首先然后是 image 列索引图像数据集 - dataset[0]["image"] - 以避免解码和重采样数据集中的所有图像对象。否则，如果数据集很大，这可能是一个缓慢且耗时的过程。

有关如何加载任何类型数据集的指南，请参阅通用加载指南。

本地文件

你可以从图像路径加载数据集。使用 cast_column() 函数接受一列图像文件路径，并使用 Image 特征将其解码为 PIL 图像。

>>> from datasets import Dataset, Image

>>> dataset = Dataset.from_dict({"image": ["path/to/image_1", "path/to/image_2", ..., "path/to/image_n"]}).cast_column("image", Image())
>>> dataset[0]["image"]
<PIL.PngImagePlugin.PngImageFile image mode=RGBA size=1200x215 at 0x15E6D7160>]

如果你只想加载图像数据集的底层路径而不解码图像对象，请在 Image 特征中设置 decode=False。

>>> dataset = load_dataset("AI-Lab-Makerere/beans", split="train").cast_column("image", Image(decode=False))
>>> dataset[0]["image"]
{'bytes': None,
 'path': '/root/.cache/huggingface/datasets/downloads/extracted/b0a21163f78769a2cf11f58dfc767fb458fc7cea5c05dccc0144a2c0f0bc1292/train/bean_rust/bean_rust_train.29.jpg'}

ImageFolder

你也可以使用 ImageFolder 数据集构建器加载数据集，而无需编写自定义数据加载器。这使得 ImageFolder 非常适合快速创建和加载具有数千张图像的图像数据集，用于不同的视觉任务。你的图像数据集结构应如下所示：

folder/train/dog/golden_retriever.png
folder/train/dog/german_shepherd.png
folder/train/dog/chihuahua.png

folder/train/cat/maine_coon.png
folder/train/cat/bengal.png
folder/train/cat/birman.png

或者，它应该具有元数据，例如：

folder/train/metadata.csv
folder/train/0001.png
folder/train/0002.png
folder/train/0003.png

如果数据集遵循 ImageFolder 结构，则可以直接使用 load_dataset() 加载它。

>>> from datasets import load_dataset

>>> dataset = load_dataset("username/dataset_name")
>>> # OR locally:
>>> dataset = load_dataset("/path/to/folder")

对于本地数据集，这相当于在 load_dataset() 中手动传递 imagefolder，并在 data_dir 中指定目录。

>>> dataset = load_dataset("imagefolder", data_dir="/path/to/folder")

然后，你可以将视频作为 PIL.Image 对象访问。

>>> dataset["train"][0]
{"image": <PIL.PngImagePlugin.PngImageFile image mode=RGBA size=1200x215 at 0x15E6D7160>, "label": 0}

>>> dataset["train"][-1]
{"image": <PIL.PngImagePlugin.PngImageFile image mode=RGBA size=1200x215 at 0x15E8DAD30>, "label": 1}

要忽略元数据文件中的信息，请在 load_dataset() 中设置 drop_metadata=True。

>>> from datasets import load_dataset

>>> dataset = load_dataset("username/dataset_with_metadata", drop_metadata=True)

如果你没有元数据文件，ImageFolder 会自动从目录名称推断标签名称。如果你想删除自动创建的标签，请设置 drop_labels=True。在这种情况下，你的数据集将只包含一个图像列。

>>> from datasets import load_dataset

>>> dataset = load_dataset("username/dataset_without_metadata", drop_labels=True)

最后，filters 参数允许你仅加载数据集的子集，该子集基于标签或元数据的条件。如果你使用的是 Parquet 格式的元数据，这一点尤其有用，因为这种格式支持快速过滤。还建议将此参数与 streaming=True 一起使用，因为默认情况下，数据集会在过滤之前被完全下载。

>>> filters = [("label", "=", 0)]
>>> dataset = load_dataset("username/dataset_name", streaming=True, filters=filters)

有关创建自己的 ImageFolder 数据集的更多信息，请参阅创建图像数据集指南。

WebDataset

WebDataset 格式基于 TAR 存档的文件夹，适用于大型图像数据集。由于其大小，WebDatasets 通常以流式模式加载（使用 streaming=True）。

您可以像这样加载 WebDataset：

>>> from datasets import load_dataset

>>> dataset = load_dataset("webdataset", data_dir="/path/to/folder", streaming=True)

图像解码

默认情况下，当你迭代数据集时，图像会作为 PIL.Images 顺序解码。然而，使用多线程解码可以显著加速数据集。

>>> import os
>>> num_threads = num_threads = min(32, (os.cpu_count() or 1) + 4)
>>> dataset = dataset.decode(num_threads=num_threads)
>>> for example in dataset:  # up to 20 times faster !
...     ...

您可以使用 num_threads 启用多线程。这对于加快远程数据流传输特别有用。但是，对于快速磁盘上的本地数据，它可能比 num_threads=0 慢。

如果你不关心解码为 PIL.Images 的图像，而是想访问路径/字节，你可以禁用解码。

>>> dataset = dataset.decode(False)

注意：IterableDataset.decode() 目前仅适用于流式数据集。

在 GitHub 上更新