在线excel表格助力企业高效管理与数据分析的未来趋势
1130
2022-05-30
在ModelArts平台里预置了很多数据处理能力,其中一项就是数据去重。
例如用户拍摄了很多段视频,对视频进行抽帧,采集出来的数据可能存在大量重复数据,重复数据对模型精度提升并没有太大作用,反而需要花费很多时间对其进行标注。如果用户有这种场景,就可以使用ModelArts的数据去重能力,根据相似度去删除一些重复度比较高的数据,从而节约用户的标注量。
数据去重技术简介:
如何判断是同一张图片呢?最简单的方法是使用加密哈希(例如MD5, SHA-1)判断。但是局限性非常大。例如一个txt文档,其MD5值是根据这个txt的二进制数据计算的,如果是这个txt文档的完全复制版,那他们的MD5值是完全相同的。但是,一旦改变副本的内容,哪怕只是副本的缩进格式,其MD5也会天差地别。因此加密哈希只能用于判断两个完全一致、未经修改的文件,如果是一张经过调色或者缩放的图片,根本无法判断其与另一张图片是否为同一张图片。
那么如何判断一张被PS过的图片是否与另一张图片本质上相同呢?常用的数据去重手段是将图像抽象出一些特征,然后计算特征之间的相似度距离,根据相似度距离对数据去重。
常见的特征包含:
将图像抽象成平均值ahash,平均散列,如果该像素是大于或等于平均值,每个像素输出1,否则为0;然后根据hash值、汉明距离计算两张图片的相似性
将图像抽象成感知哈希phash,通过离散余弦变换(DCT)降低图片频率,相比aHash有更好鲁棒性。将每个DCT值,与平均值进行比较。大于或等于平均值,记为1,小于平均值,记为0,由此生成二进制数组;然后根据hash值、汉明距离计算两张图的相似性
将图像抽象成差异值哈希dhash,如果每一行前一个像素大于后一个像素为1,否则为0;然后根据hash值、汉明距离计算两张图片的相似性
将图像用深度学习模型抽象成n维的高阶特征;例如使用预训练好的resnet_v1_50抽取全连接层前一层的特征,然后对这些特征进行余弦相似度计算
如下操作步骤,以识别斑马线和停车标志的分类数据集为例,指导如何从数据处理模块中使用数据去重功能。
1.准备工作
2.数据准备
3.创建任务
4.参数设置
5.开启任务
6.查看去重结果
准备工作
参考 准备工作 ,完成ModelArts准备工作。包括ModelArts全局配置和OBS相关操作。
数据准备
下载数据集
本案例采用的数据集包含两种物体:斑马线和停车标志点击 数据集下载 可以下载数据到本地,crossing_parking文件夹中包含斑马线和停车标志图片
上传数据至OBS
使用OBS客户端上传本地的数据集文件夹至一个"华北-北京四"区域的OBS桶,数据存放在自定义的目录下。
创建数据集
登陆华为云ModelArts平台 ModelArts创建数据集,切换区域到“华北-北京四”。
点击页面上的 创建数据集 按钮,创建一个叫dataset-deduplication的数据集,创建数据集页面填写示例:
数据集输入位置即crossing_parking文件夹存放在OBS中的目录
创建完成后可以预览,可以看到有很多相似度非常高的图片。
发布数据集
回到数据集创建页面,点击发布按钮,发布训练集。数据集发布之后,就可以在后面的步骤中使用了。
创建任务
创建数据处理任务,在数据选择模块内选择 数据去重 算法。
参数设置
设置参数,其中 similarity_threshold 为图片相似程度阈值,设置为0.8时表示过滤掉相似程度大于0.8的图片。
开启任务
数据去重的输入、输出都可以指定为数据集或obs目录形式。例如选择 dataset-deduplication 分类数据集作为输入,去重过后的数据保存到指定的obs桶目录中。确定了输入、输出后,点击 创建 开启数据去重任务,
等待几分钟任务完成
查看去重结果
最后将去重过后的数据再次导入数据集,可以看到保留下来的图片相似程度都比较低
ModelArts数据处理相关博客:
1. 数据处理简介:https://bbs.huaweicloud.com/blogs/193413
2. 数据增强:https://bbs.huaweicloud.com/blogs/189148 使用数据增强,解决数据不足和数据集不均衡的情况
3. 数据生成域迁移:https://bbs.huaweicloud.com/blogs/193405 数据风格变换:ModelArts的数据域迁移功能
4. 数据校验:https://bbs.huaweicloud.com/blogs/193412 数据校验--给你的数据做个体检吧
5. 数据去重:https://bbs.huaweicloud.com/blogs/193420 数据去重---ModelArts在数据处理上的应用技巧-免费,欢迎大家体验
6. 数据清洗:https://bbs.huaweicloud.com/blogs/193421 数据清洗---ModelArts在数据处理上的应用技巧-免费,欢迎大家体验
7. 难例筛选:https://bbs.huaweicloud.com/blogs/193422 如何加速AI模型迭代:Modelarts的难例筛选功能
AI开发平台ModelArts
版权声明:本文内容由网络用户投稿,版权归原作者所有,本站不拥有其著作权,亦不承担相应法律责任。如果您发现本站中有涉嫌抄袭或描述失实的内容,请联系我们jiasou666@gmail.com 处理,核实后本网站将在24小时内删除侵权内容。