WebDataset

WebDataset 是一个用于为大型数据集编写 I/O 管道的库。其顺序 I/O 和分片功能使其特别适用于将大规模数据集流式传输到 DataLoader。

WebDataset 格式

WebDataset 文件是一个包含一系列数据文件的 TAR 归档。所有具有相同前缀的连续数据文件都被视为同一示例的一部分（例如，图像/音频文件及其标签或元数据）。

标签和元数据可以存放在 .json 文件中，也可以存放在 .txt 文件中（用于标题、描述），或者 .cls 文件中（用于类索引）。

一个大规模的 WebDataset 由许多称为分片的文件组成，每个分片都是一个 TAR 归档。每个分片通常约 1GB，但完整的数据集可以达到数 TB！

多模态支持

WebDataset 专为多模态数据集设计，即用于图像、音频和/或视频数据集。

实际上，由于媒体文件往往很大，WebDataset 的顺序 I/O 支持大块读取和缓冲，从而实现最佳的数据加载速度。

以下是支持的数据格式的不完全列表

• 图像: jpeg, png, tiff
• 音频: mp3, m4a, wav, flac
• 视频: mp4, mov, avi
• 其他: npy, npz

完整列表会随时间变化，并取决于具体实现。例如，你可以在源代码中找到 webdataset 包支持的格式，链接在这里。

流式处理

流式处理 TAR 归档速度快，因为它读取连续的数据块。它比逐个读取单独的数据文件快几个数量级。

WebDataset 流式处理无论从磁盘还是云存储读取，都提供了高速性能，使其成为向 DataLoader 馈送数据的理想格式。

例如，这里展示了如何直接从 Hugging Face 流式传输 timm/imagenet-12k-wds 数据集

首先，您需要使用您的 Hugging Face 账户登录，例如使用

hf auth login

然后你可以用 WebDataset 流式处理数据集

>>> import webdataset as wds
>>> from huggingface_hub import get_token
>>> from torch.utils.data import DataLoader

>>> hf_token = get_token()
>>> url = "https://huggingface.co/datasets/timm/imagenet-12k-wds/resolve/main/imagenet12k-train-{{0000..1023}}.tar"
>>> url = f"pipe:curl -s -L {url} -H 'Authorization:Bearer {hf_token}'"
>>> dataset = wds.WebDataset(url).decode()
>>> dataloader = DataLoader(dataset, batch_size=64, num_workers=4)

打乱顺序

通常，WebDataset 格式的数据集已经打乱顺序，可以直接馈送给 DataLoader。但你仍然可以使用 WebDataset 的近似打乱功能重新打乱数据。

除了打乱分片列表，WebDataset 还使用缓冲区来打乱数据集，而不影响速度。

要打乱分片文件列表并从打乱缓冲区中随机采样

>>> buffer_size = 1000
>>> dataset = (
...     wds.WebDataset(url, shardshuffle=True)
...     .shuffle(buffer_size)
...     .decode()
... )