Hub 文档
图像数据集
并获得增强的文档体验
开始使用
图像数据集
本指南将向您展示如何使用图像文件配置数据集仓库。您可以在图像数据集示例集合中找到随附的仓库示例。
具有支持的结构和文件格式的数据集在其 Hub 页面上自动拥有数据集查看器。
关于您的图像的附加信息 - 例如字幕或用于对象检测的边界框 - 只要您将此信息包含在元数据文件 (metadata.csv/metadata.jsonl/metadata.parquet) 中，就会自动加载。
或者，图像可以采用 Parquet 文件或遵循 WebDataset 格式的 TAR 存档。
仅限图像
如果您的数据集仅包含一列图像，您可以简单地将图像文件存储在根目录
my_dataset_repository/
├── 1.jpg
├── 2.jpg
├── 3.jpg
└── 4.jpg或子目录中
my_dataset_repository/
└── images
├── 1.jpg
├── 2.jpg
├── 3.jpg
└── 4.jpg同时支持多种格式，包括 PNG、JPEG、TIFF 和 WebP。
my_dataset_repository/
└── images
├── 1.jpg
├── 2.png
├── 3.tiff
└── 4.webp如果您有多个拆分，您可以将图像放入相应命名的目录中
my_dataset_repository/
├── train
│ ├── 1.jpg
│ └── 2.jpg
└── test
├── 3.jpg
└── 4.jpg有关更多信息和其他按拆分组织数据的方式，请参阅文件名和拆分。
附加列
如果您想包含关于数据集的附加信息，例如文本字幕或边界框，请将其作为 metadata.csv 文件添加到您的仓库中。这使您可以快速为不同的计算机视觉任务创建数据集，例如文本字幕或对象检测。
my_dataset_repository/
└── train
├── 1.jpg
├── 2.jpg
├── 3.jpg
├── 4.jpg
└── metadata.csv您的 metadata.csv 文件必须具有 file_name 列，该列将图像文件与其元数据链接起来
file_name,text
1.jpg,a drawing of a green pokemon with red eyes
2.jpg,a green and yellow toy with a red nose
3.jpg,a red and white ball with an angry look on its face
4.jpg,a cartoon ball with a smile on it's face您还可以使用 JSONL 文件 metadata.jsonl
{"file_name": "1.jpg","text": "a drawing of a green pokemon with red eyes"}
{"file_name": "2.jpg","text": "a green and yellow toy with a red nose"}
{"file_name": "3.jpg","text": "a red and white ball with an angry look on its face"}
{"file_name": "4.jpg","text": "a cartoon ball with a smile on it's face"}对于更大的数据集，或者如果您对高级数据检索功能感兴趣，则可以使用 Parquet 文件 metadata.parquet。
相对路径
元数据文件必须位于与其链接的图像所在的同一目录中，或位于任何父目录中，如本例所示
my_dataset_repository/
└── train
├── images
│ ├── 1.jpg
│ ├── 2.jpg
│ ├── 3.jpg
│ └── 4.jpg
└── metadata.csv在这种情况下，file_name 列必须是图像的完整相对路径，而不仅仅是文件名
file_name,text
images/1.jpg,a drawing of a green pokemon with red eyes
images/2.jpg,a green and yellow toy with a red nose
images/3.jpg,a red and white ball with an angry look on its face
images/4.jpg,a cartoon ball with a smile on it's face元数据文件不能放在包含图像的目录的子目录中。
更一般而言，任何名为 file_name 或 *_file_name 的列都应包含图像的完整相对路径。
图像分类
对于图像分类数据集，您还可以使用简单的设置：使用目录来命名图像类别。将图像文件存储在如下目录结构中
my_dataset_repository/
├── green
│ ├── 1.jpg
│ └── 2.jpg
└── red
├── 3.jpg
└── 4.jpg使用此结构创建的数据集包含两列：image 和 label（值为 green 和 red）。
您还可以提供多个拆分。为此，您的数据集目录应具有以下结构（有关更多信息，请参阅文件名和拆分）
my_dataset_repository/
├── test
│ ├── green
│ │ └── 2.jpg
│ └── red
│ └── 4.jpg
└── train
├── green
│ └── 1.jpg
└── red
└── 3.jpg您可以在 YAML 配置中禁用自动添加 label 列。如果您的目录名称没有特殊含义，请在 README 标头中设置 drop_labels: true
configs:
- config_name: default # Name of the dataset subset, if applicable.
drop_labels: true大规模数据集
WebDataset 格式
WebDataset 格式非常适合大规模图像数据集（例如，请参阅timm/imagenet-12k-wds）。它由包含图像及其元数据的 TAR 存档组成，并针对流式传输进行了优化。如果您有大量图像，并且需要为大规模训练获取流式数据加载器，这将非常有用。
my_dataset_repository/
├── train-0000.tar
├── train-0001.tar
├── ...
└── train-1023.tar要制作 WebDataset TAR 存档，请创建一个目录，其中包含要存档的图像和元数据文件，并使用例如 tar 命令创建 TAR 存档。每个存档的常用大小通常约为 1GB。确保每个图像和元数据对共享相同的文件前缀，例如
train-0000/
├── 000.jpg
├── 000.json
├── 001.jpg
├── 001.json
├── ...
├── 999.jpg
└── 999.json请注意，为了方便用户并启用数据集查看器，Hub 中托管的每个数据集都会自动转换为 Parquet 格式（最大 5GB）。在Parquet 格式文档中阅读更多相关信息。
Parquet 格式
您可以将所有内容嵌入到 Parquet 文件中，而不是上传图像和元数据作为单独的文件。如果您有大量图像、想要嵌入多个图像列或想要在同一文件中存储关于图像的附加信息，这将非常有用。Parquet 也适用于存储原始字节等 JSON/CSV 不支持的数据。
my_dataset_repository/ └── train.parquet
可以使用 pandas 或 datasets 库创建包含图像数据的 Parquet 文件。要在 pandas 中创建包含图像数据的 Parquet 文件，您可以使用 pandas-image-methods 和 df.to_parquet()。在 datasets 中，您可以将列类型设置为 Image() 并使用 ds.to_parquet(...) 方法或 ds.push_to_hub(...)。您可以在此处找到关于在 datasets 中加载图像数据集的指南。
或者，您可以手动设置使用其他工具创建的 Parquet 的图像类型。首先，确保您的图像列的类型为struct，其中包含用于图像数据的二进制字段 "bytes" 和用于图像文件名或路径的字符串字段 "path"。然后，您应该在 README 标头中的 YAML 中直接指定列的特征类型，例如
dataset_info:
features:
- name: image
dtype: image
- name: caption
dtype: string请注意，对于小图像（每张图像 <1MB）和小行组（每行组 100 行，这是 datasets 用于图像的行数），建议使用 Parquet。对于较大的图像，建议使用 WebDataset 格式，或共享原始图像文件（可以选择使用元数据文件，并遵循 仓库建议和限制，了解存储和文件数量）。