跳到主要内容

视频数据集

本指南将向你展示如何配置包含视频文件的数据集仓库。

具有支持的结构和文件格式的数据集会在 Hub 上的页面自动拥有数据集查看器。

有关视频的附加信息（例如用于目标检测的标题或边界框）会自动加载，只要你将此信息包含在元数据文件（metadata.csv/metadata.jsonl/metadata.parquet）中。

或者，视频可以位于 Parquet 文件中，或位于遵循 WebDataset 格式的 TAR 归档文件中。

仅视频​

如果你的数据集仅包含一个视频列，你可以简单地将视频文件存储在根目录：

my_dataset_repository/
├── 1.mp4
├── 2.mp4
├── 3.mp4
└── 4.mp4

或存储在子目录中：

my_dataset_repository/
└── videos
    ├── 1.mp4
    ├── 2.mp4
    ├── 3.mp4
    └── 4.mp4

同时支持多种格式，包括 MP4、MOV 和 AVI。

my_dataset_repository/
└── videos
    ├── 1.mp4
    ├── 2.mov
    └── 3.avi

如果你有多个切分，可以将视频放在相应命名的目录中：

my_dataset_repository/
├── train
│   ├── 1.mp4
│   └── 2.mp4
└── test
    ├── 3.mp4
    └── 4.mp4

有关更多信息和其他按切分组织数据的方法，请参阅文件名和切分。

附加列​

如果你想要包含有关数据集的附加信息（例如文本标题或边界框），请将其作为 metadata.csv 文件添加到仓库中。这使你可以快速创建用于不同计算机视觉任务的数据集，如视频生成或目标检测。

my_dataset_repository/
└── train
    ├── 1.mp4
    ├── 2.mp4
    ├── 3.mp4
    ├── 4.mp4
    └── metadata.csv

你的 metadata.csv 文件必须有一个 file_name 列，用于将视频文件与其元数据链接：

file_name,text
1.mp4,an animation of a green pokemon with red eyes
2.mp4,a short video of a green and yellow toy with a red nose
3.mp4,a red and white ball shows an angry look on its face
4.mp4,a cartoon ball is smiling

你也可以使用 JSONL 文件 metadata.jsonl：

{"file_name": "1.mp4","text": "an animation of a green pokemon with red eyes"}
{"file_name": "2.mp4","text": "a short video of a green and yellow toy with a red nose"}
{"file_name": "3.mp4","text": "a red and white ball shows an angry look on its face"}
{"file_name": "4.mp4","text": "a cartoon ball is smiling"}

对于更大的数据集，或者如果你对高级数据检索功能感兴趣，可以使用 Parquet 文件 metadata.parquet。

相对路径​

元数据文件必须位于与其链接的视频相同的目录中，或位于任何父目录中，如以下示例：

my_dataset_repository/
└── train
    ├── videos
    │   ├── 1.mp4
    │   ├── 2.mp4
    │   ├── 3.mp4
    │   └── 4.mp4
    └── metadata.csv

在这种情况下，file_name 列必须是视频的完整相对路径，而不仅仅是文件名：

file_name,text
videos/1.mp4,an animation of a green pokemon with red eyes
videos/2.mp4,a short video of a green and yellow toy with a red nose
videos/3.mp4,a red and white ball shows an angry look on its face
videos/4.mp4,a cartoon ball is smiling

元数据文件不能放在包含视频的目录的子目录中。

更一般地说，任何名为 file_name 或 *_file_name 的列都应包含视频的完整相对路径。

视频分类​

对于视频分类数据集，你也可以使用简单的设置：使用目录来命名视频类别。将视频文件存储在如下目录结构中：

my_dataset_repository/
├── green
│   ├── 1.mp4
│   └── 2.mp4
└── red
    ├── 3.mp4
    └── 4.mp4

使用此结构创建的数据集包含两列：video 和 label（值为 green 和 red）。

你也可以提供多个切分。为此，数据集目录应具有以下结构（有关更多信息，请参阅文件名和切分）：

my_dataset_repository/
├── test
│   ├── green
│   │   └── 2.mp4
│   └── red
│       └── 4.mp4
└── train
    ├── green
    │   └── 1.mp4
    └── red
        └── 3.mp4

你可以在 YAML 配置中禁用 label 列的自动添加。如果你的目录名称没有特殊含义，请在 README 标头中设置 drop_labels: true：

configs:
  - config_name: default  # 数据集子集的名称（如果适用）。
    drop_labels: true

大规模数据集​

WebDataset 格式​

WebDataset 格式非常适合大规模视频数据集。 它由包含视频及其元数据的 TAR 归档文件组成，并针对流式传输进行了优化。如果你有大量视频并希望获得用于大规模训练的流式数据加载器，这很有用。

my_dataset_repository/
├── train-0000.tar
├── train-0001.tar
├── ...
└── train-1023.tar

要创建 WebDataset TAR 归档文件，请创建一个包含要归档的视频和元数据文件的目录，然后使用例如 tar 命令创建 TAR 归档文件。 每个归档文件的通常大小通常约为 1GB。 确保每个视频和元数据对共享相同的文件前缀，例如：

train-0000/
├── 000.mp4
├── 000.json
├── 001.mp4
├── 001.json
├── ...
├── 999.mp4
└── 999.json

请注意，为了方便用户并启用数据集查看器，Hub 上托管的每个数据集都会自动转换为 Parquet 格式，最多 5GB。由于视频可能非常大，转换后的 Parquet 数据中存储的是视频的 URL，而不是视频字节本身。在 Parquet 格式文档中了解更多信息。

最后于 更新