加载图像数据

图像数据集具有 Image 类型列，其中包含 PIL 对象。

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

当您加载图像数据集并调用图像列时，图像将解码为 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"]`）索引图像数据集，以避免解码和重新采样数据集中所有图像对象。否则，如果您的数据集很大，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

您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>]

如果您只想加载图像数据集的基础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

您还可以使用 ImageFolder 数据集构建器加载数据集，该构建器不需要编写自定义数据加载器。这使得 ImageFolder 成为快速创建和加载包含数千张图像以用于不同视觉任务的图像数据集的理想选择。您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 中传递目录

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

然后您可以将视频作为 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)

如果您没有元数据文件，ImageFolder 会自动从目录名称推断标签名称。如果您想删除自动创建的标签，请设置 drop_labels=True。在这种情况下，您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 参数允许您根据标签或元数据上的条件加载数据集的子集。如果元数据是 Parquet 格式，这尤其有用，因为这种格式可以实现快速过滤。也建议将此参数与 streaming=True 一起使用，因为默认情况下数据集在过滤之前是完全下载的。

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

有关创建您自己的 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 归档文件夹，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）。

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，当您迭代数据集时，图像会按顺序解码为 PIL.Images。但是，可以使用多线程解码显著加快数据集速度

>>> 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。

如果您对解码为 PIL.Images 的图像不感兴趣，并且希望访问路径/字节，则可以禁用解码

>>> dataset = dataset.decode(False)

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

< > 在 GitHub 上更新