A API tfds.decode permite substituir a decodificação de recurso padrão. O principal caso de uso é pular a decodificação da imagem para melhor desempenho.
Exemplos de uso
Ignorando a decodificação da imagem
Para manter o controle total sobre o pipeline de decodificação ou para aplicar um filtro antes que as imagens sejam decodificadas (para melhor desempenho), você pode pular totalmente a decodificação da imagem. Isso funciona com tfds.features.Image e 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
Filtrar/embaralhar o conjunto de dados antes que as imagens sejam decodificadas
Da mesma forma que no exemplo anterior, você pode usar tfds.decode.SkipDecoding() para inserir personalização adicional do pipeline tf.data antes de decodificar a imagem. Dessa forma, as imagens filtradas não serão decodificadas e você poderá usar um buffer aleatório maior.
# 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)
Cortar e decodificar ao mesmo tempo
Para substituir a operação tf.io.decode_image padrão, você pode criar um novo objeto tfds.decode.Decoder usando o decorador tfds.decode.make_decoder() .
@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(),
})
O que equivale a:
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']))
Personalizando a decodificação de vídeo
Os vídeos são Sequence(Image()) . Ao aplicar decodificadores personalizados, eles serão aplicados a quadros individuais. Isso significa que os decodificadores de imagens são automaticamente compatíveis com vídeo.
@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(),
})
O que equivale a:
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
Decodifique apenas um subconjunto de recursos.
Também é possível ignorar completamente alguns recursos especificando apenas os recursos necessários. Todos os outros recursos serão ignorados/ignorados.
builder = tfds.builder('my_dataset')
builder.as_dataset(split='train', decoders=tfds.decode.PartialDecoding({
'image': True,
'metadata': {'num_objects', 'scene_name'},
'objects': {'label'},
})
O TFDS selecionará o subconjunto de builder.info.features que corresponde à estrutura tfds.decode.PartialDecoding fornecida.
No código acima, os recursos são extraídos implicitamente para corresponder builder.info.features . Também é possível definir explicitamente os recursos. O código acima é equivalente a:
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=[]),
}),
})
Os metadados originais (nomes dos rótulos, formato da imagem,...) são reutilizados automaticamente, portanto não é necessário fornecê-los.
tfds.decode.SkipDecoding pode ser passado para tfds.decode.PartialDecoding , por meio dos kwargs PartialDecoding(..., decoders={}) .