加载图像数据

图像数据集具有 Image 类型的列，其中包含 PIL 对象。

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

当你加载图像数据集并调用 image 列时，图像会被解码为 PIL 图像

>>> from datasets import load_dataset, Image

>>> dataset = load_dataset("beans", split="train")
>>> dataset[0]["image"]

首先使用行索引，然后使用 image 列 - dataset[0]["image"] - 索引到图像数据集，以避免解码和重采样数据集中的所有图像对象。否则，如果你有一个大型数据集，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，请查看通用加载指南。

本地文件

你可以从图像路径加载数据集。使用 cast_column() 函数接受图像文件路径列，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("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

你还可以使用 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包含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，那么你可以直接使用 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，这等同于在 load_dataset() 中手动传递 imagefolder 以及在 data_dir 中传递目录

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

然后你可以将图像作为 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，你的数据集将仅包含一个图像列

>>> 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，基于标签或元数据上的条件。如果元数据是 Parquet 格式，这将特别有用，因为这种格式可以实现快速过滤。还建议将此参数与 streaming=True 一起使用，因为默认情况下，数据集在过滤之前会被完全下载。

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

有关创建你自己的 ImageFolder 数据集的更多信息，请查看创建图像数据集指南。

WebDataset

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

你可以像这样加载 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，图像会按顺序解码为 PIL.Image。但是，可以使用多线程解码来显着加速数据集

>>> 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 !
...     ...

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

如果你对解码为 PIL.Image 的图像不感兴趣，并且想访问路径/字节，则可以禁用解码

>>> dataset = dataset.decode(False)

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

< > 在 GitHub 上更新