Escrevendo conjuntos de dados personalizados

Siga este guia para criar um novo conjunto de dados (no TFDS ou em seu próprio repositório).

Verifique nossa lista de conjuntos de dados para ver se o conjunto de dados desejado já está presente.

DR

A maneira mais fácil de escrever um novo conjunto de dados é usar a CLI do TFDS :

cd path/to/my/project/datasets/
tfds new my_dataset  # Create `my_dataset/my_dataset.py` template files
# [...] Manually modify `my_dataset/my_dataset_dataset_builder.py` to implement your dataset.
cd my_dataset/
tfds build  # Download and prepare the dataset to `~/tensorflow_datasets/`

Para usar o novo conjunto de dados com tfds.load('my_dataset') :

  • tfds.load detectará e carregará automaticamente o conjunto de dados gerado em ~/tensorflow_datasets/my_dataset/ (por exemplo, por tfds build ).
  • Alternativamente, você pode import my.project.datasets.my_dataset para registrar seu conjunto de dados:
import my.project.datasets.my_dataset  # Register `my_dataset`

ds = tfds.load('my_dataset')  # `my_dataset` registered

Visão geral

Os conjuntos de dados são distribuídos em todos os tipos de formatos e em todos os tipos de lugares, e nem sempre são armazenados em um formato que esteja pronto para alimentar um pipeline de aprendizado de máquina. Entre no TFDS.

O TFDS processa esses conjuntos de dados em um formato padrão (dados externos -> arquivos serializados), que podem então ser carregados como pipeline de aprendizado de máquina (arquivos serializados -> tf.data.Dataset ). A serialização é feita apenas uma vez. O acesso subsequente lerá diretamente esses arquivos pré-processados.

A maior parte do pré-processamento é feita automaticamente. Cada conjunto de dados implementa uma subclasse de tfds.core.DatasetBuilder , que especifica:

  • De onde vêm os dados (ou seja, seus URLs);
  • Qual a aparência do conjunto de dados (ou seja, suas características);
  • Como os dados devem ser divididos (ex. TRAIN e TEST );
  • e os exemplos individuais no conjunto de dados.

Escreva seu conjunto de dados

Modelo padrão: tfds new

Use a CLI do TFDS para gerar os arquivos python de modelo necessários.

cd path/to/project/datasets/  # Or use `--dir=path/to/project/datasets/` below
tfds new my_dataset

Este comando irá gerar uma nova pasta my_dataset/ com a seguinte estrutura:

my_dataset/
    __init__.py
    README.md # Markdown description of the dataset.
    CITATIONS.bib # Bibtex citation for the dataset.
    TAGS.txt # List of tags describing the dataset.
    my_dataset_dataset_builder.py # Dataset definition
    my_dataset_dataset_builder_test.py # Test
    dummy_data/ # (optional) Fake data (used for testing)
    checksum.tsv # (optional) URL checksums (see `checksums` section).

Pesquise TODO(my_dataset) aqui e modifique de acordo.

Exemplo de conjunto de dados

Todos os conjuntos de dados são subclasses implementadas de tfds.core.DatasetBuilder , que cuida da maioria dos clichês. Suporta:

  • Conjuntos de dados pequenos/médios que podem ser gerados em uma única máquina (este tutorial).
  • Conjuntos de dados muito grandes que requerem geração distribuída (usando Apache Beam , consulte nosso enorme guia de conjuntos de dados )

Aqui está um exemplo mínimo de um construtor de conjunto de dados baseado em tfds.core.GeneratorBasedBuilder :

class Builder(tfds.core.GeneratorBasedBuilder):
  """DatasetBuilder for my_dataset dataset."""

  VERSION = tfds.core.Version('1.0.0')
  RELEASE_NOTES = {
      '1.0.0': 'Initial release.',
  }

  def _info(self) -> tfds.core.DatasetInfo:
    """Dataset metadata (homepage, citation,...)."""
    return self.dataset_info_from_configs(
        features=tfds.features.FeaturesDict({
            'image': tfds.features.Image(shape=(256, 256, 3)),
            'label': tfds.features.ClassLabel(
                names=['no', 'yes'],
                doc='Whether this is a picture of a cat'),
        }),
    )

  def _split_generators(self, dl_manager: tfds.download.DownloadManager):
    """Download the data and define splits."""
    extracted_path = dl_manager.download_and_extract('http://data.org/data.zip')
    # dl_manager returns pathlib-like objects with `path.read_text()`,
    # `path.iterdir()`,...
    return {
        'train': self._generate_examples(path=extracted_path / 'train_images'),
        'test': self._generate_examples(path=extracted_path / 'test_images'),
    }

  def _generate_examples(self, path) -> Iterator[Tuple[Key, Example]]:
    """Generator of examples for each split."""
    for img_path in path.glob('*.jpeg'):
      # Yields (key, example)
      yield img_path.name, {
          'image': img_path,
          'label': 'yes' if img_path.name.startswith('yes_') else 'no',
      }

Observe que, para alguns formatos de dados específicos, fornecemos construtores de conjuntos de dados prontos para uso para cuidar da maior parte do processamento de dados.

Vamos ver em detalhes os 3 métodos abstratos para sobrescrever.

_info : metadados do conjunto de dados

_info retorna tfds.core.DatasetInfo contendo os metadados do conjunto de dados .

def _info(self):
  # The `dataset_info_from_configs` base method will construct the
  # `tfds.core.DatasetInfo` object using the passed-in parameters and
  # adding: builder (self), description/citations/tags from the config
  # files located in the same package.
  return self.dataset_info_from_configs(
      homepage='https://dataset-homepage.org',
      features=tfds.features.FeaturesDict({
          'image_description': tfds.features.Text(),
          'image': tfds.features.Image(),
          # Here, 'label' can be 0-4.
          'label': tfds.features.ClassLabel(num_classes=5),
      }),
      # If there's a common `(input, target)` tuple from the features,
      # specify them here. They'll be used if as_supervised=True in
      # builder.as_dataset.
      supervised_keys=('image', 'label'),
      # Specify whether to disable shuffling on the examples. Set to False by default.
      disable_shuffling=False,
  )

A maioria dos campos deve ser autoexplicativa. Algumas precisões:

Escrevendo o arquivo BibText CITATIONS.bib :

  • Pesquise no site do conjunto de dados instruções de citação (use no formato BibTex).
  • Para artigos arXiv : encontre o artigo e clique no link BibText no lado direito.
  • Encontre o artigo no Google Scholar e clique nas aspas duplas abaixo do título e no pop-up, clique em BibTeX .
  • Se não houver nenhum documento associado (por exemplo, há apenas um site), você pode usar o Editor Online do BibTeX para criar uma entrada BibTeX personalizada (o menu suspenso tem um tipo de entrada Online ).

Atualizando o arquivo TAGS.txt :

  • Todas as tags permitidas são pré-preenchidas no arquivo gerado.
  • Remova todas as tags que não se aplicam ao conjunto de dados.
  • Tags válidas estão listadas em tensorflow_datasets/core/valid_tags.txt .
  • Para adicionar uma tag a essa lista, envie um PR.

Manter a ordem do conjunto de dados

Por padrão, os registros dos conjuntos de dados são embaralhados quando armazenados para tornar a distribuição das classes mais uniforme no conjunto de dados, uma vez que muitas vezes os registros pertencentes à mesma classe são contíguos. Para especificar que o conjunto de dados deve ser classificado pela chave gerada fornecida por _generate_examples o campo disable_shuffling deve ser definido como True . Por padrão, está definido como False .

def _info(self):
  return self.dataset_info_from_configs(
    # [...]
    disable_shuffling=True,
    # [...]
  )

Tenha em mente que desabilitar o embaralhamento tem um impacto no desempenho, pois os fragmentos não podem mais ser lidos em paralelo.

_split_generators : baixa e divide dados

Baixando e extraindo dados de origem

A maioria dos conjuntos de dados precisa baixar dados da web. Isso é feito usando o argumento de entrada tfds.download.DownloadManager de _split_generators . dl_manager possui os seguintes métodos:

  • download : suporta http(s):// , ftp(s)://
  • extract : atualmente suporta arquivos .zip , .gz e .tar .
  • download_and_extract : O mesmo que dl_manager.extract(dl_manager.download(urls))

Todos esses métodos retornam tfds.core.Path (aliases para epath.Path ), que são objetos semelhantes a pathlib.Path .

Esses métodos suportam estruturas aninhadas arbitrárias ( list , dict ), como:

extracted_paths = dl_manager.download_and_extract({
    'foo': 'https://example.com/foo.zip',
    'bar': 'https://example.com/bar.zip',
})
# This returns:
assert extracted_paths == {
    'foo': Path('/path/to/extracted_foo/'),
    'bar': Path('/path/extracted_bar/'),
}

Download e extração manual

Alguns dados não podem ser baixados automaticamente (por exemplo, requerem um login); neste caso, o usuário baixará manualmente os dados de origem e os colocará em manual_dir/ (o padrão é ~/tensorflow_datasets/downloads/manual/ ).

Os arquivos podem então ser acessados ​​através de dl_manager.manual_dir :

class MyDataset(tfds.core.GeneratorBasedBuilder):

  MANUAL_DOWNLOAD_INSTRUCTIONS = """
  Register into https://example.org/login to get the data. Place the `data.zip`
  file in the `manual_dir/`.
  """

  def _split_generators(self, dl_manager):
    # data_path is a pathlib-like `Path('<manual_dir>/data.zip')`
    archive_path = dl_manager.manual_dir / 'data.zip'
    # Extract the manually downloaded `data.zip`
    extracted_path = dl_manager.extract(archive_path)
    ...

A localização manual_dir pode ser personalizada com tfds build --manual_dir= ou usando tfds.download.DownloadConfig .

Leia o arquivo diretamente

dl_manager.iter_archive lê arquivos sequencialmente sem extraí-los. Isso pode economizar espaço de armazenamento e melhorar o desempenho em alguns sistemas de arquivos.

for filename, fobj in dl_manager.iter_archive('path/to/archive.zip'):
  ...

fobj tem os mesmos métodos with open('rb') as fobj: (por exemplo, fobj.read() )

Especificando divisões de conjunto de dados

Se o conjunto de dados vier com divisões predefinidas (por exemplo, MNIST tem divisões train e test ), mantenha-as. Caso contrário, especifique apenas uma única divisão all . Os usuários podem criar dinamicamente suas próprias subdivisões com a API de subdivisão (por exemplo, split='train[80%:]' ). Observe que qualquer string alfabética pode ser usada como nome de divisão, exceto o já mencionado all .

def _split_generators(self, dl_manager):
  # Download source data
  extracted_path = dl_manager.download_and_extract(...)

  # Specify the splits
  return {
      'train': self._generate_examples(
          images_path=extracted_path / 'train_imgs',
          label_path=extracted_path / 'train_labels.csv',
      ),
      'test': self._generate_examples(
          images_path=extracted_path / 'test_imgs',
          label_path=extracted_path / 'test_labels.csv',
      ),
  }

_generate_examples : gerador de exemplo

_generate_examples gera os exemplos para cada divisão dos dados de origem.

Este método normalmente lerá artefatos do conjunto de dados de origem (por exemplo, um arquivo CSV) e tuplas de rendimento (key, feature_dict) :

  • key : identificador de exemplo. Usado para embaralhar deterministicamente os exemplos usando hash(key) ou para classificar por chave quando o embaralhamento está desativado (consulte a seção Manter a ordem do conjunto de dados ). Deveria ser:
    • exclusivo : se dois exemplos usarem a mesma chave, uma exceção será gerada.
    • determinístico : não deve depender da ordem download_dir , os.path.listdir ,... Gerar os dados duas vezes deve produzir a mesma chave.
    • comparável : se o embaralhamento estiver desabilitado, a chave será usada para classificar o conjunto de dados.
  • feature_dict : um dict contendo os valores de exemplo.
    • A estrutura deve corresponder à estrutura features= definida em tfds.core.DatasetInfo .
    • Tipos de dados complexos (imagem, vídeo, áudio,...) serão codificados automaticamente.
    • Cada recurso geralmente aceita vários tipos de entrada (por exemplo, vídeo aceitar /path/to/vid.mp4 , np.array(shape=(l, h, w, c)) , List[paths] , List[np.array(shape=(h, w, c)] , List[img_bytes] ,...)
    • Consulte o guia do conector de recursos para obter mais informações.
def _generate_examples(self, images_path, label_path):
  # Read the input data out of the source files
  with label_path.open() as f:
    for row in csv.DictReader(f):
      image_id = row['image_id']
      # And yield (key, feature_dict)
      yield image_id, {
          'image_description': row['description'],
          'image': images_path / f'{image_id}.jpeg',
          'label': row['label'],
      }

Acesso a arquivos e tf.io.gfile

Para oferecer suporte a sistemas de armazenamento em nuvem, evite o uso de operações de E/S integradas em Python.

Em vez disso, o dl_manager retorna objetos semelhantes a pathlib diretamente compatíveis com o armazenamento do Google Cloud:

path = dl_manager.download_and_extract('http://some-website/my_data.zip')

json_path = path / 'data/file.json'

json.loads(json_path.read_text())

Como alternativa, use a API tf.io.gfile em vez da API integrada para operações de arquivo:

Pathlib deve ser preferido a tf.io.gfile ( veja .

Dependências extras

Alguns conjuntos de dados requerem dependências adicionais do Python apenas durante a geração. Por exemplo, o conjunto de dados SVHN usa scipy para carregar alguns dados.

Se você estiver adicionando um conjunto de dados ao repositório TFDS, use tfds.core.lazy_imports para manter o pacote tensorflow-datasets pequeno. Os usuários instalarão dependências adicionais somente conforme necessário.

Para usar lazy_imports :

  • Adicione uma entrada para seu conjunto de dados em DATASET_EXTRAS em setup.py . Isso permite que os usuários possam fazer, por exemplo, pip install 'tensorflow-datasets[svhn]' para instalar as dependências extras.
  • Adicione uma entrada para sua importação ao LazyImporter e ao LazyImportsTest .
  • Use tfds.core.lazy_imports para acessar a dependência (por exemplo, tfds.core.lazy_imports.scipy ) em seu DatasetBuilder .

Dados corrompidos

Alguns conjuntos de dados não estão perfeitamente limpos e contêm alguns dados corrompidos (por exemplo, as imagens estão em arquivos JPEG, mas alguns são JPEG inválidos). Esses exemplos devem ser ignorados, mas deixe uma nota na descrição do conjunto de dados quantos exemplos foram descartados e por quê.

Configuração/variantes do conjunto de dados (tfds.core.BuilderConfig)

Alguns conjuntos de dados podem ter diversas variantes ou opções de como os dados são pré-processados ​​e gravados no disco. Por exemplo, cycle_gan tem uma configuração por pares de objetos ( cycle_gan/horse2zebra , cycle_gan/monet2photo ,...).

Isso é feito através de tfds.core.BuilderConfig s:

  1. Defina seu objeto de configuração como uma subclasse de tfds.core.BuilderConfig . Por exemplo, MyDatasetConfig .

    @dataclasses.dataclass
    class MyDatasetConfig(tfds.core.BuilderConfig):
      img_size: Tuple[int, int] = (0, 0)
    
  2. Defina o membro da classe BUILDER_CONFIGS = [] em MyDataset que lista MyDatasetConfig s que o conjunto de dados expõe.

    class MyDataset(tfds.core.GeneratorBasedBuilder):
      VERSION = tfds.core.Version('1.0.0')
      # pytype: disable=wrong-keyword-args
      BUILDER_CONFIGS = [
          # `name` (and optionally `description`) are required for each config
          MyDatasetConfig(name='small', description='Small ...', img_size=(8, 8)),
          MyDatasetConfig(name='big', description='Big ...', img_size=(32, 32)),
      ]
      # pytype: enable=wrong-keyword-args
    
  3. Use self.builder_config em MyDataset para configurar a geração de dados (por exemplo, shape=self.builder_config.img_size ). Isso pode incluir a definição de valores diferentes em _info() ou a alteração do acesso aos dados de download.

Notas:

  • Cada configuração tem um nome exclusivo. O nome totalmente qualificado de uma configuração é dataset_name/config_name (por exemplo, coco/2017 ).
  • Se não for especificado, a primeira configuração em BUILDER_CONFIGS será usada (por exemplo, tfds.load('c4') padrão para c4/en )

Consulte anli para obter um exemplo de conjunto de dados que usa BuilderConfig s.

Versão

Versão pode se referir a dois significados diferentes:

  • A versão dos dados originais "externos": por exemplo, COCO v2019, v2017,...
  • A versão "interna" do código TFDS: por exemplo, renomeie um recurso em tfds.features.FeaturesDict , corrija um bug em _generate_examples

Para atualizar um conjunto de dados:

  • Para atualização de dados "externa": Vários usuários podem querer acessar um ano/versão específico simultaneamente. Isso é feito usando um tfds.core.BuilderConfig por versão (por exemplo, coco/2017 , coco/2019 ) ou uma classe por versão (por exemplo, Voc2007 , Voc2012 ).
  • Para atualização de código "interna": os usuários baixam apenas a versão mais recente. Qualquer atualização de código deve aumentar o atributo da classe VERSION (por exemplo, de 1.0.0 para VERSION = tfds.core.Version('2.0.0') ) após o versionamento semântico .

Adicione uma importação para registro

Não se esqueça de importar o módulo dataset para o seu projeto __init__ para ser registrado automaticamente em tfds.load , tfds.builder .

import my_project.datasets.my_dataset  # Register MyDataset

ds = tfds.load('my_dataset')  # MyDataset available

Por exemplo, se você estiver contribuindo para tensorflow/datasets , adicione o módulo import ao __init__.py de seu subdiretório (por exemplo, image/__init__.py .

Verifique se há dicas comuns de implementação

Verifique as dicas comuns de implementação .

Teste seu conjunto de dados

Baixe e prepare: tfds build

Para gerar o conjunto de dados, execute tfds build no diretório my_dataset/ :

cd path/to/datasets/my_dataset/
tfds build --register_checksums

Alguns sinalizadores úteis para desenvolvimento:

  • --pdb : entra no modo de depuração se uma exceção for levantada.
  • --overwrite : Exclua os arquivos existentes se o conjunto de dados já tiver sido gerado.
  • --max_examples_per_split : gera apenas os primeiros X exemplos (padrão 1), em vez do conjunto de dados completo.
  • --register_checksums : registra as somas de verificação dos URLs baixados. Só deve ser usado durante o desenvolvimento.

Consulte a documentação da CLI para obter uma lista completa de sinalizadores.

Somas de verificação

Recomenda-se registrar os checksums dos seus conjuntos de dados para garantir o determinismo, ajudar com a documentação,... Isso é feito gerando o conjunto de dados com o --register_checksums (veja a seção anterior).

Se você estiver liberando seus conjuntos de dados através do PyPI, não se esqueça de exportar os arquivos checksums.tsv (por exemplo, no package_data do seu setup.py ).

Teste de unidade seu conjunto de dados

tfds.testing.DatasetBuilderTestCase é um TestCase base para exercitar totalmente um conjunto de dados. Ele usa "dados fictícios" como dados de teste que imitam a estrutura do conjunto de dados de origem.

  • Os dados de teste devem ser colocados no diretório my_dataset/dummy_data/ e devem imitar os artefatos do conjunto de dados de origem baixados e extraídos. Pode ser criado manualmente ou automaticamente com um script ( exemplo de script ).
  • Certifique-se de usar dados diferentes nas divisões de dados de teste, pois o teste falhará se as divisões do conjunto de dados se sobrepuserem.
  • Os dados de teste não devem conter nenhum material protegido por direitos autorais . Em caso de dúvida, não crie os dados utilizando material do conjunto de dados original.
import tensorflow_datasets as tfds
from . import my_dataset_dataset_builder


class MyDatasetTest(tfds.testing.DatasetBuilderTestCase):
  """Tests for my_dataset dataset."""
  DATASET_CLASS = my_dataset_dataset_builder.Builder
  SPLITS = {
      'train': 3,  # Number of fake train example
      'test': 1,  # Number of fake test example
  }

  # If you are calling `download/download_and_extract` with a dict, like:
  #   dl_manager.download({'some_key': 'http://a.org/out.txt', ...})
  # then the tests needs to provide the fake output paths relative to the
  # fake data directory
  DL_EXTRACT_RESULT = {
      'name1': 'path/to/file1',  # Relative to my_dataset/dummy_data dir.
      'name2': 'file2',
  }


if __name__ == '__main__':
  tfds.testing.test_main()

Execute o seguinte comando para testar o conjunto de dados.

python my_dataset_test.py

Envie-nos comentários

Tentamos continuamente melhorar o fluxo de trabalho de criação de conjuntos de dados, mas só poderemos fazê-lo se estivermos cientes dos problemas. Quais problemas ou erros você encontrou ao criar o conjunto de dados? Houve alguma parte que foi confusa ou não funcionou da primeira vez?

Compartilhe seus comentários no GitHub .