跳到主要内容
版本:0.6.6

dataset.yaml 使用指南

提示

dataset.yaml 对于 swcli dataset build 构建数据集的过程是非必要的。

Starwhale Dataset 构建的时候使用 dataset.yaml,若省略 dataset.yaml,则可以在 swcli dataset build 命令行参数中描述相关配置,可以认为 dataset.yamlbuild 命令行的配置文件化表述。

YAML 字段描述

字段描述是否必要类型默认值
nameStarwhale Dataset的名字String
handler为一个函数,返回一个Generator或一个可迭代的对象或一个实现 __iter__ 方法的类,格式为 {module 路径}:{类名函数名}String
desc数据集描述信息String""
versiondataset.yaml格式版本,目前仅支持填写 1.0String1.0
attr数据集构建参数Dict
attr.volume_sizeswds-bin格式的数据集每个data文件的大小。当写数字时,单位bytes;也可以是数字+单位格式,如64M, 1GB等Int或Str64MB
attr.alignment_sizeswds-bin格式的数据集每个数据块的数据alignment大小,如果设置alignment_size为4k,数据块大小为7.9K,则会补齐0.1K的空数据,让数据块为alignment_size的整数倍,提升page size等读取效率Integer或String128

使用示例

最简示例

name: helloworld
handler: dataset:ExampleProcessExecutor

helloworld的数据集,使用dataset.yaml目录中dataset.py文件中的 ExampleProcessExecutor 类进行数据构建。

MNIST数据集构建示例

name: mnist
handler: mnist.dataset:DatasetProcessExecutor

desc: MNIST data and label test dataset

attr:
alignment_size: 1k
volume_size: 4M

handler为generator function的例子

dataset.yaml 内容:

name: helloworld
handler: dataset:iter_item

dataset.py 内容:

def iter_item():
for i in range(10):
yield {"img": f"image-{i}".encode(), "label": i}

本例中,handler为一个generator function,Starwhale SDK根据首个yield出来的元素为非Starwhale.Link类型,等同于继承 starwhale.SWDSBinBuildExecutor 类。