处理图像数据

本指南介绍了处理图像数据集的具体方法。学习如何：

使用 map() 处理图像数据集。
使用 set_transform() 为数据集应用数据增强。

有关如何处理任意类型数据集的指南，请参阅通用处理指南。

映射

map() 函数可以针对整个数据集应用转换。

例如，创建一个基本的 Resize 函数：

>>> def transforms(examples):
...     examples["pixel_values"] = [image.convert("RGB").resize((100,100)) for image in examples["image"]]
...     return examples

现在使用 map() 函数调整整个数据集的大小，并设置 batched=True 以通过接受示例批次来加速处理。该转换返回 pixel_values 作为可缓存的 PIL.Image 对象：

>>> dataset = dataset.map(transforms, remove_columns=["image"], batched=True)
>>> dataset[0]
{'label': 6,
 'pixel_values': <PIL.PngImagePlugin.PngImageFile image mode=RGB size=100x100 at 0x7F058237BB10>}

缓存文件可以节省时间，因为您无需对同一转换执行两次。map() 函数最适合用于每次训练仅运行一次的操作（例如调整图像大小），而不是用于每个 epoch 都会执行的操作（例如数据增强）。

map() 会占用一定的内存，但你可以通过以下参数来降低其内存需求：

batch_size 决定了每次调用 transform 函数时处理的样本数量。
writer_batch_size 决定了在存储之前，内存中保留的已处理示例数量。

这两个参数的默认值均为 1000，如果您正在存储图像，这可能会带来较高的开销。在使用 map() 时，请降低这些值以减少内存占用。

应用转换

🤗 Datasets 可将任何库或包中的数据增强应用于您的数据集。可以使用 set_transform() 对数据批次即时应用转换，从而减少磁盘空间占用。

以下示例使用了 torchvision，但您也可以自由使用其他数据增强库，例如 Albumentations、Kornia 和 imgaug。

例如，如果您想随机更改图像的颜色属性：

>>> from torchvision.transforms import Compose, ColorJitter, ToTensor

>>> jitter = Compose(
...     [
...          ColorJitter(brightness=0.25, contrast=0.25, saturation=0.25, hue=0.7),
...          ToTensor(),
...     ]
... )

创建一个函数以应用ColorJitter变换：

>>> def transforms(examples):
...     examples["pixel_values"] = [jitter(image.convert("RGB")) for image in examples["image"]]
...     return examples

使用 set_transform() 函数应用转换：

>>> dataset.set_transform(transforms)

Update on GitHub