【ModelArts实战案例】数据校验--给你的数据做个体检吧

前言

    很多用户数据上传后，会存在一些常见问题，例如：

  - 图片本身损坏无法解码
  
  - 图片格式不在ModelArts支持的格式范围内；或者某些格式（如jpg）的图片被人为修改了后缀导致图片无法使用
  
  - 图片通道可能是1通道、2通道或4通道，不是常用的3通道
  
  - 图片分辨率过大导致标注或训练过慢
  
  - 图片标注xml文件中存在超出图片边界的不合理标注框

    Modelarts提供了强大的数据校验功能，能够对用户上传的数据进行批量校验：问题数据→转换成有效数据→保留，问题数据→不能转换或转换失败→丢掉。避免产生后续的麻烦。（强调：校验操作不会改动原始数据，不管是保留还是丢弃都是针对校验的输出保存路径而言）

    目前Modelarts的数据校验模块能实现的功能有：

  1)去掉不能解码的图片
   
  2)转换图片格式至ModelArts支持的格式范围['.jpg','.jpeg','.png','.bmp']内，并将图片后缀与格式不一致的文件转换成一致
  
  3)转换图片成RGB三通道
  
  4)裁剪分辨率太大的图片，当执行目标检测任务时，同时裁剪图片对应的xml文件中的boxes
  
  5)当xml文件中boxes超出图片边界时，裁剪不合理的boxes.当超出边界的框有50%以上在图片内时，保留其在图片边界内的部分，否则此框被舍弃掉
  
 输入数据被检验完成之后会保存为新的图片或xml文件，存放在指定输出路径下

    下列操作步骤，以一个问题数据集为例，手把手的指导你如何从ModelArts的数据处理模块中使用 数据校验 功能。

1.数据准备

    上传样例数据集，使用OBS Browser+ 工具上传数据至OBS桶中，将数据存放在自定义目录下，样例数据目录 validation_yunbao_modified_dataset 包含12张图片及其标准标注xml文件。12张图片皆为jpg格式，其中有5张图片被人为修改了后缀名；另有3个xml文件被人为修改了标注框的值，使其超出图片边界。

   先将数据导入到数据集中预览，可以看到后缀名被修改了的图片还能正常显示，但是标注框超出图片边界的标注信息已经丢失了。

   点击 发布 创建数据集版本，显示创建失败

   对于这类图片或者图片标注信息有误的数据，就需要先经过数据校验来进行数据转换，不能通过转换的就丢弃，以免产生后续的麻烦。

2.创建任务

   创建 数据处理 任务，在 数据校验 模块内选择 数据校验  算法。

3.参数设置

   设置参数，其中 image_max_width 为输入图片的宽度的最大值，若用户输入图片宽度大于该值，则会按比例剪裁，image_max_height 为输入图片的高度最大值，若用户输入图片宽度大于该值，也会按比例剪裁，这两个参数可由用户自定义输入值，如果有标注文件，并且图像被裁剪了，标注框也会被等比例裁剪。 task_summary_path 为输出日志路径，需要用户指定一个obs路径来存放生成的日志，该参数为可选项，可以删除。另外数据校验算法的内置参数会将输入图片统一转换为三通道；若图片格式与后缀不一致时，会根据图片实际格式来修改其后缀；若xml文件中标注框超出了图片边界，超出部分面积小于整个标注框面积50%时，会保留该框在图片内的部分，反之则会被舍弃掉。

4.开启任务

   数据校验的输入、输出都可以指定为数据集或obs目录形式。例如选择输入为obs目录，则指定 validation_yunbao_modified_dataset 数据集的存放路径，因为数据集中包含了标注信息，因此存放结构选择 包含图片和标注信息 ，校验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  开启数据校验任务。

   等待几分钟任务完成

5.查看校验结果

   输出路径会新生成一个 Data 目录，存放检验过后的图片或标注信息，如果图片或标注xml文件在校验过程中被修改过，则会在图片或标注文件名后加上 ‘_checked’ ，在校验过程中未被修改过的文件名保持不变。同时在输出路径下也会生成一个 output.manifest 文件，内含各种数据信息。

   此时再将被检验过后存放在 Data 目录底下的数据导入到数据集中，查看结果，可以看到原本丢失了的标注信息经过校验后被保留了下来，并且能够显示了。原本后缀与图片格式不一致的图片，后缀与格式转换成了一致。其他不能被转换的数据则直接被丢弃掉了。

   点击 发布 按钮，导入的数据能成功发布成新版本了

ModelArts数据处理相关博客：

1.  数据处理简介：https://bbs.huaweicloud.cn/blogs/193413

2.  数据增强： https://bbs.huaweicloud.cn/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.cn/blogs/193405数据风格变换：ModelArts的数据域迁移功能

4.    数据去重：https://bbs.huaweicloud.cn/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

5.    数据清洗：https://bbs.huaweicloud.cn/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

6.    难例筛选：https://bbs.huaweicloud.cn/blogs/193422如何加速AI模型迭代：Modelarts的难例筛选功能