ปรับแต่งคุณสมบัติการถอดรหัส

tfds.decode API ช่วยให้คุณสามารถแทนที่การถอดรหัสคุณลักษณะเริ่มต้น กรณีใช้งานหลักคือการข้ามการถอดรหัสภาพเพื่อประสิทธิภาพที่ดีขึ้น

ตัวอย่างการใช้งาน

ข้ามการถอดรหัสภาพ

หากต้องการควบคุมไปป์ไลน์การถอดรหัสอย่างสมบูรณ์หรือใช้ตัวกรองก่อนที่รูปภาพจะถูกถอดรหัส (เพื่อประสิทธิภาพที่ดีขึ้น) คุณสามารถข้ามการถอดรหัสรูปภาพทั้งหมดได้ งานนี้มีทั้ง tfds.features.Image และ tfds.features.Video

ds = tfds.load('imagenet2012', split='train', decoders={
    'image': tfds.decode.SkipDecoding(),
})

for example in ds.take(1):
  assert example['image'].dtype == tf.string  # Images are not decoded

กรอง/สับเปลี่ยนชุดข้อมูลก่อนที่รูปภาพจะถูกถอดรหัส

ในทำนองเดียวกันกับตัวอย่างก่อนหน้านี้คุณสามารถใช้ tfds.decode.SkipDecoding() เพื่อแทรกเพิ่มเติม tf.data ปรับแต่งท่อก่อนที่จะถอดรหัสภาพ ด้วยวิธีนี้ ภาพที่กรองแล้วจะไม่ถูกถอดรหัส และคุณสามารถใช้บัฟเฟอร์สับเปลี่ยนที่ใหญ่ขึ้นได้

# Load the base dataset without decoding
ds, ds_info = tfds.load(
    'imagenet2012',
    split='train',
    decoders={
        'image': tfds.decode.SkipDecoding(),  # Image won't be decoded here
    },
    as_supervised=True,
    with_info=True,
)
# Apply filter and shuffle
ds = ds.filter(lambda image, label: label != 10)
ds = ds.shuffle(10000)
# Then decode with ds_info.features['image']
ds = ds.map(
    lambda image, label: ds_info.features['image'].decode_example(image), label)

ครอบตัดและถอดรหัสพร้อมกัน

แทนที่การเริ่มต้น tf.io.decode_image การดำเนินงานคุณสามารถสร้างใหม่ tfds.decode.Decoder วัตถุโดยใช้ tfds.decode.make_decoder() มัณฑนากร

@tfds.decode.make_decoder()
def decode_example(serialized_image, feature):
  crop_y, crop_x, crop_height, crop_width = 10, 10, 64, 64
  return tf.image.decode_and_crop_jpeg(
      serialized_image,
      [crop_y, crop_x, crop_height, crop_width],
      channels=feature.feature.shape[-1],
  )

ds = tfds.load('imagenet2012', split='train', decoders={
    # With video, decoders are applied to individual frames
    'image': decode_example(),
})

ซึ่งเทียบเท่ากับ:

def decode_example(serialized_image, feature):
  crop_y, crop_x, crop_height, crop_width = 10, 10, 64, 64
  return tf.image.decode_and_crop_jpeg(
      serialized_image,
      [crop_y, crop_x, crop_height, crop_width],
      channels=feature.shape[-1],
  )

ds, ds_info = tfds.load(
    'imagenet2012',
    split='train',
    with_info=True,
    decoders={
        'image': tfds.decode.SkipDecoding(),  # Skip frame decoding
    },
)
ds = ds.map(functools.partial(decode_example, feature=ds_info.features['image']))

การปรับแต่งการถอดรหัสวิดีโอ

วิดีโอ Sequence(Image()) เมื่อใช้ตัวถอดรหัสแบบกำหนดเอง ตัวถอดรหัสจะถูกนำไปใช้กับแต่ละเฟรม ซึ่งหมายความว่าตัวถอดรหัสสำหรับรูปภาพจะเข้ากันได้กับวิดีโอโดยอัตโนมัติ

@tfds.decode.make_decoder()
def decode_example(serialized_image, feature):
  crop_y, crop_x, crop_height, crop_width = 10, 10, 64, 64
  return tf.image.decode_and_crop_jpeg(
      serialized_image,
      [crop_y, crop_x, crop_height, crop_width],
      channels=feature.feature.shape[-1],
  )

ds = tfds.load('ucf101', split='train', decoders={
    # With video, decoders are applied to individual frames
    'video': decode_example(),
})

ซึ่งเทียบเท่ากับ:

def decode_frame(serialized_image):
  """Decodes a single frame."""
  crop_y, crop_x, crop_height, crop_width = 10, 10, 64, 64
  return tf.image.decode_and_crop_jpeg(
      serialized_image,
      [crop_y, crop_x, crop_height, crop_width],
      channels=ds_info.features['video'].shape[-1],
  )


def decode_video(example):
  """Decodes all individual frames of the video."""
  video = example['video']
  video = tf.map_fn(
      decode_frame,
      video,
      dtype=ds_info.features['video'].dtype,
      parallel_iterations=10,
  )
  example['video'] = video
  return example


ds, ds_info = tfds.load('ucf101', split='train', with_info=True, decoders={
    'video': tfds.decode.SkipDecoding(),  # Skip frame decoding
})
ds = ds.map(decode_video)  # Decode the video

ถอดรหัสชุดย่อยของคุณสมบัติเท่านั้น

คุณยังสามารถข้ามคุณลักษณะบางอย่างได้โดยการระบุเฉพาะคุณลักษณะที่คุณต้องการ คุณสมบัติอื่นๆ ทั้งหมดจะถูกละเว้น/ข้าม

builder = tfds.builder('my_dataset')
builder.as_dataset(split='train', decoders=tfds.decode.PartialDecoding({
    'image': True,
    'metadata': {'num_objects', 'scene_name'},
    'objects': {'label'},
})

TFDS จะเลือกชุดย่อยของ builder.info.features ตรงกับที่กำหนด tfds.decode.PartialDecoding โครงสร้าง

ในรหัสข้างต้นที่โดดเด่นจะถูกสกัดโดยปริยายเพื่อให้ตรงกับ builder.info.features นอกจากนี้ยังสามารถกำหนดคุณลักษณะได้อย่างชัดเจน รหัสข้างต้นเทียบเท่ากับ:

builder = tfds.builder('my_dataset')
builder.as_dataset(split='train', decoders=tfds.decode.PartialDecoding({
    'image': tfds.features.Image(),
    'metadata': {
        'num_objects': tf.int64,
        'scene_name': tfds.features.Text(),
    },
    'objects': tfds.features.Sequence({
        'label': tfds.features.ClassLabel(names=[]),
    }),
})

ข้อมูลเมตาดั้งเดิม (ชื่อป้ายกำกับ รูปร่างของรูปภาพ...) จะถูกนำกลับมาใช้ใหม่โดยอัตโนมัติ ดังนั้นจึงไม่จำเป็นต้องระบุ

tfds.decode.SkipDecoding สามารถส่งผ่านไป tfds.decode.PartialDecoding ผ่าน PartialDecoding(..., decoders={}) kwargs