huggingface 提供了不同的选项来加载数据集。为 controlnet 加载本地图像数据集时,重要的是要考虑数据集结构、文件路径以及与 huggingface 数据处理工具的兼容性等方面。
假设您已经创建了调节图像并且具有以下文件夹结构:
my_dataset/
├── readme.md
└──data/
├── captions.jsonl
├── conditioning_images
│ ├── 00001.jpg
│ └── 00002.jpg
└── images
├── 00001.jpg
└── 00002.jpg
在此结构中,conditioning_images 文件夹存储您的调节图像,而 images 文件夹包含 controlnet 的目标图像。 captions.jsonl 文件包含链接到这些图像的标题。
{"image": "images/00001.jpg", "text": "this is the caption of the first image."}
{"image": "images/00002.jpg", "text": "this is the caption of the second image."}
注意 字幕文件(或下面的元数据文件)也可以是csv文件。但是,如果您选择 csv,请注意值分隔符,因为文本可能包含逗号,这可能会导致解析问题。
创建元数据文件
元数据文件是提供有关数据集的附加信息的好方法。它可以包含各种类型的数据,例如边界框、类别、文本,或者在我们的例子中,是条件图像的路径。
让我们创建metadata.jsonl 文件:
import json
from pathlib import path
def create_metadata(data_dir, output_file):
metadata = []
try:
with open(f"{data_dir}/captions.jsonl", "r") as f:
for line in f:
data = json.loads(line)
file_name = path(data["image"]).name
metadata.append(
{
"image": data["image"],
"conditioning_image": f"conditioning_images/{file_name}",
"text": data["text"],
}
)
with open(f"{data_dir}/metadata.jsonl", "w") as f:
for line in metadata:
f.write(json.dumps(line) + "n")
except (filenotfounderror, json.jsondecodeerror) as e:
print(f"error processing data: {e}")
# example usage:
data_dir = "my_dataset/data"
create_metadata(data_dir)
这将创建一个metadata.jsonl,其中包含controlnet 所需的所有信息。文件中的每一行对应一个图像、一个条件图像和相关的文本标题。
{"image": "images/00001.jpg", "conditioning_image": "conditioning_images/00001.jpg", "text": "this is the caption of the first image."}
{"image": "images/00002.jpg", "conditioning_image": "conditioning_images/00002.jpg", "text": "this is the caption of the second image."}
创建metadata.jsonl 文件后,您的文件结构应如下所示:
my_dataset/
├── readme.md
└──data/
├── captions.jsonl
├── metadata.jsonl
├── conditioning_images
│ ├── 00001.jpg
│ └── 00002.jpg
└── images
├── 00001.jpg
└── 00002.jpg
创建加载脚本
最后,我们必须创建一个加载脚本来处理metadata.jsonl 文件中的所有数据。该脚本应与数据集位于同一目录中,并且应具有相同的名称。
你的目录结构应该是这样的:
my_dataset/
├── readme.md
├── my_dataset.py
└──data/
├── captions.jsonl
├── metadata.jsonl
├── conditioning_images
│ ├── 00001.jpg
│ └── 00002.jpg
└── images
├── 00001.jpg
└── 00002.jpg
对于脚本,我们需要实现一个继承自 generatorbasedbuilder 的类,并包含以下三个方法:
- _info 存储有关您的数据集的信息。
- _split_generators 定义分割。
- _generate_examples 为每个分割生成图像和标签。
import datasets
class mydataset(datasets.generatorbasedbuilder):
def _info(self):
def _split_generators(self, dl_manager):
def _generate_examples(self, metadata_path, images_dir, conditioning_images_dir):
添加数据集元数据
有很多选项可用于指定有关数据集的信息,但最重要的是:
-
features 指定数据集列类型。
- 图像是图像特征
- conditioning_image 是一个图像特征
- text 是一个字符串值
- 指定输入特征的监督键。
# global variables
_description = "todo"
_homepage = "todo"
_license = "todo"
_citation = "todo"
_features = datasets.features(
{
"image": datasets.image(),
"conditioning_image": datasets.image(),
"text": datasets.value("string"),
},
)
正如您在上面看到的,我已将一些变量设置为“todo”。这些选项仅供参考,不会影响加载。
def _info(self):
return datasets.datasetinfo(
description=_description,
features=_features,
supervised_keys=("conditioning_image", "text"),
homepage=_homepage,
license=_license,
citation=_citation,
)
定义数据集分割
dl_manager 用于从 huggingface 存储库下载数据集,但这里我们使用它来获取在 load_dataset 函数中传递的数据目录路径。
这里我们定义数据的本地路径
- metadata_pathmetadata.jsonl 文件的路径
- images_dir 图像的路径
- conditioning_images_dir 调节图像的路径
注意
如果您为文件夹结构选择了不同的名称,则可能需要调整metadata_path、images_dir 和conditioning_images_dir 变量。
def _split_generators(self, dl_manager):
base_path = path(dl_manager._base_path).resolve()
metadata_path = base_path / "data" / "metadata.jsonl"
images_dir = base_path / "data"
conditioning_images_dir = base_path / "data"
return [
datasets.splitgenerator(
name=datasets.split.train,
# these kwargs will be passed to _generate_examples
gen_kwargs={
"metadata_path": str(metadata_path),
"images_dir": str(images_dir),
"conditioning_images_dir": str(conditioning_images_dir),
},
),
]
最后一个方法加载 matadata.jsonl 文件并生成图像及其关联的调节图像和文本。
@staticmethod
def load_jsonl(path):
"""generator to load jsonl file."""
with open(path, "r") as f:
for line in f:
yield json.loads(line)
def _generate_examples(self, metadata_path, images_dir, conditioning_images_dir):
for row in self.load_jsonl(metadata_path):
text = row["text"]
image_path = row["image"]
image_path = os.path.join(images_dir, image_path)
image = open(image_path, "rb").read()
conditioning_image_path = row["conditioning_image"]
conditioning_image_path = os.path.join(
conditioning_images_dir, row["conditioning_image"]
)
conditioning_image = open(conditioning_image_path, "rb").read()
yield row["image"], {
"text": text,
"image": {
"path": image_path,
"bytes": image,
},
"conditioning_image": {
"path": conditioning_image_path,
"bytes": conditioning_image,
},
}
按照以下步骤,您可以从本地路径加载 controlnet 数据集。
# with the loading script, we can load the dataset
ds = load_dataset("my_dataset")
# (optional)
# pass trust_remote_code=true to avoid the warning about custom code
# ds = load_dataset("my_dataset", trust_remote_code=true)
如果您有任何疑问,请随时在下面留言。
加载脚本的完整代码:
import os
import json
import datasets
from pathlib import Path
_VERSION = datasets.Version("0.0.2")
_DESCRIPTION = "TODO"
_HOMEPAGE = "TODO"
_LICENSE = "TODO"
_CITATION = "TODO"
_FEATURES = datasets.Features(
{
"image": datasets.Image(),
"conditioning_image": datasets.Image(),
"text": datasets.Value("string"),
},
)
_DEFAULT_CONFIG = datasets.BuilderConfig(name="default", version=_VERSION)
class MyDataset(datasets.GeneratorBasedBuilder):
BUILDER_CONFIGS = [_DEFAULT_CONFIG]
DEFAULT_CONFIG_NAME = "default"
def _info(self):
return datasets.DatasetInfo(
description=_DESCRIPTION,
features=_FEATURES,
supervised_keys=("conditioning_image", "text"),
homepage=_HOMEPAGE,
license=_LICENSE,
citation=_CITATION,
)
def _split_generators(self, dl_manager):
base_path = Path(dl_manager._base_path)
metadata_path = base_path / "data" / "metadata.jsonl"
images_dir = base_path / "data"
conditioning_images_dir = base_path / "data"
return [
datasets.SplitGenerator(
name=datasets.Split.TRAIN,
# These kwargs will be passed to _generate_examples
gen_kwargs={
"metadata_path": metadata_path,
"images_dir": images_dir,
"conditioning_images_dir": conditioning_images_dir,
},
),
]
@staticmethod
def load_jsonl(path):
"""Generator to load jsonl file."""
with open(path, "r") as f:
for line in f:
yield json.loads(line)
def _generate_examples(self, metadata_path, images_dir, conditioning_images_dir):
for row in self.load_jsonl(metadata_path):
text = row["text"]
image_path = row["image"]
image_path = os.path.join(images_dir, image_path)
image = open(image_path, "rb").read()
conditioning_image_path = row["conditioning_image"]
conditioning_image_path = os.path.join(
conditioning_images_dir, row["conditioning_image"]
)
conditioning_image = open(conditioning_image_path, "rb").read()
yield row["image"], {
"text": text,
"image": {
"path": image_path,
"bytes": image,
},
"conditioning_image": {
"path": conditioning_image_path,
"bytes": conditioning_image,
},
}