视频数据集

本指南将向您展示如何配置包含视频文件的数据集存储库。

具有受支持结构和文件格式的数据集在其 Hub 页面上会自动拥有数据集查看器。

只要您在元数据文件（metadata.csv/metadata.jsonl/metadata.parquet）中包含这些信息，视频的其他信息（如字幕或用于对象检测的边界框）将自动加载。

此外，视频可以采用 Parquet 文件或遵循 WebDataset 格式的 TAR 归档文件。

仅视频

如果您的数据集只包含一列视频，您可以直接将视频文件存储在根目录下

my_dataset_repository/
├── 1.mp4
├── 2.mp4
├── 3.mp4
└── 4.mp4

或子目录中

my_dataset_repository/
└── videos
    ├── 1.mp4
    ├── 2.mp4
    ├── 3.mp4
    └── 4.mp4

同时支持多种格式，包括 MP4、MOV 和 AVI。

my_dataset_repository/
└── videos
    ├── 1.mp4
    ├── 2.mov
    └── 3.avi

如果您有多个分片，您可以将视频放入相应的目录中

my_dataset_repository/
├── train
│   ├── 1.mp4
│   └── 2.mp4
└── test
    ├── 3.mp4
    └── 4.mp4

有关更多信息和按拆分组织数据的其他方法，请参阅文件名和拆分。

附加列

如果您想包含关于数据集的其他信息，例如文本字幕或边界框，请将其作为 metadata.csv 文件添加到您的存储库中。这使您可以快速创建用于不同计算机视觉任务（如视频生成或对象检测）的数据集。

my_dataset_repository/
└── train
    ├── 1.mp4
    ├── 2.mp4
    ├── 3.mp4
    ├── 4.mp4
    └── metadata.csv

您的 metadata.csv 文件必须有一个 file_name 列，用于将视频文件与其元数据关联起来

file_name,text
1.mp4,an animation of a green pokemon with red eyes
2.mp4,a short video of a green and yellow toy with a red nose
3.mp4,a red and white ball shows an angry look on its face
4.mp4,a cartoon ball is smiling

您也可以使用JSONL文件 `metadata.jsonl`

{"file_name": "1.mp4","text": "an animation of a green pokemon with red eyes"}
{"file_name": "2.mp4","text": "a short video of a green and yellow toy with a red nose"}
{"file_name": "3.mp4","text": "a red and white ball shows an angry look on its face"}
{"file_name": "4.mp4","text": "a cartoon ball is smiling"}

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，可以使用Parquet文件 `metadata.parquet`。

相对路径

元数据文件必须与链接的视频位于同一目录中，或位于任何父目录中，如本例所示

my_dataset_repository/
└── train
    ├── videos
    │   ├── 1.mp4
    │   ├── 2.mp4
    │   ├── 3.mp4
    │   └── 4.mp4
    └── metadata.csv

在这种情况下，file_name 列必须是视频的完整相对路径，而不仅仅是文件名

file_name,text
videos/1.mp4,an animation of a green pokemon with red eyes
videos/2.mp4,a short video of a green and yellow toy with a red nose
videos/3.mp4,a red and white ball shows an angry look on its face
videos/4.mp4,a cartoon ball is smiling

元数据文件不能放在包含视频的目录的子目录中。

更一般地，任何名为 file_name 或 *_file_name 的列都应包含视频的完整相对路径。

视频分类

对于视频分类数据集，您还可以使用一个简单的设置：使用目录来命名视频类别。将您的视频文件存储在这样的目录结构中

my_dataset_repository/
├── green
│   ├── 1.mp4
│   └── 2.mp4
└── red
    ├── 3.mp4
    └── 4.mp4

使用此结构创建的数据集包含两列：video 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.mp4
│   └── red
│       └── 4.mp4
└── train
    ├── green
    │   └── 1.mp4
    └── red
        └── 3.mp4

您可以在YAML 配置中禁用 `label` 列的自动添加。如果您的目录名没有特殊含义，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视频数据集。它由包含视频及其元数据的 TAR 归档文件组成，并针对流式传输进行了优化。如果您有大量视频并希望为大规模训练获取流式数据加载器，它将非常有用。

my_dataset_repository/
├── train-0000.tar
├── train-0001.tar
├── ...
└── train-1023.tar

要制作 WebDataset TAR 归档文件，请创建一个包含要归档的视频和元数据文件的目录，然后使用例如 tar 命令创建 TAR 归档文件。每个归档文件的通常大小约为 1GB。确保每个视频和元数据对共享相同的文件前缀，例如

train-0000/
├── 000.mp4
├── 000.json
├── 001.mp4
├── 001.json
├── ...
├── 999.mp4
└── 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，最大可达 5GB。由于视频可能非常大，因此视频的 URL 存储在转换后的 Parquet 数据中，而不包含视频字节本身。请参阅 Parquet 格式文档以了解更多信息。

< > 在 GitHub 上更新