PaddleX/docs/tutorials/data/README.md

数据校验

PaddleX 支持对数据集进行校验，确保数据集格式符合 PaddleX 的相关要求。同时在数据校验时，能够对数据集进行分析，统计数据集的基本信息。此外，PaddleX 支持将其他常见数据集类型转换为 PaddleX 规定的数据集格式，以及对数据集按比例重新划分训练集、验证集。本文档提供了图像分类的示例，其他任务的数据校验与图像分类类似。详情PaddleX 数据校验。

1. 数据准备

您需要按照 PaddleX 支持的数据格式要求准备数据，关于数据标注，您可以参考PaddleX 数据标注，关于数据格式介绍，您可以参考PaddleX 数据格式介绍，此处我们准备了图像分类 Demo 数据供您使用。

cd /path/to/paddlex
wget https://paddle-model-ecology.bj.bcebos.com/paddlex/data/cls_flowers_examples.tar -P ./dataset
tar -xf ./dataset/cls_flowers_examples.tar -C ./dataset/

2. 数据集校验

在对数据集校验时，只需一行命令：

python main.py -c paddlex/configs/image_classification/PP-LCNet_x1_0.yaml \
    -o Global.mode=check_dataset \
    -o Global.dataset_dir=./dataset/cls_flowers_examples

执行上述命令后，PaddleX 会对数据集进行校验，并统计数据集的基本信息。相关信息会保存在当前目录的 ./output/check_dataset 目录下。

注：只有通过数据校验的数据才可以训练和评估。

3. 数据集格式转换/数据集划分（非必选）

如需对数据集格式进行转换或是重新划分数据集，可通过修改配置文件或是追加超参数的方式进行设置。

数据集校验相关的参数可以通过修改配置文件中 CheckDataset 下的字段进行设置，配置文件中部分参数的示例说明如下：

• CheckDataset:

  • dst_dataset_name: 生成的数据集目录名，PaddleX 在数据校验时，会产生一个新的数据集；

  • convert:

    • enable: 是否进行数据集格式转换；
    • src_dataset_type: 如果进行数据集格式转换，则需设置源数据集格式；

  • split:

    • enable: 是否进行重新划分数据集；
    • train_percent: 如果重新划分数据集，则需要设置训练集的百分比；
    • val_percent: 如果重新划分数据集，则需要设置验证集的百分比；

以上参数同样支持通过追加命令行参数的方式进行设置，如重新划分数据集并设置训练集与验证集比例：-o CheckDataset.split=True -o CheckDataset.train_percent=0.8 -o CheckDataset.val_percent=0.2。