cas-bigdatalab 功能概述
该算子用于过滤图像文件大小在指定范围内的样本。注意这里是文件大小（字节数），不是图像分辨率。支持多种过滤策略：
any: 任意一张图像符合条件即保留all: 所有图像都符合条件才保留
核心参数
| 参数 | 类型 | 必填 | 默认值 | 说明 |
|---|---|---|---|---|
| input_path | string | 是 | - | 输入数据文件路径 (JSON/JSONL格式) |
| output_path | string | 是 | - | 输出数据文件路径 (JSONL格式) |
| min_size | string | 否 | '0' | 最小文件大小，支持 120kb, 1MB, 1GB 等格式 |
| max_size | string | 否 | '1TB' | 最大文件大小，支持 180KB, 1MB 等格式 |
| any_or_all | string | 否 | 'any' | 过滤策略：'any' 或 'all' |
| num_proc | int | 否 | 1 | 并行处理的进程数 |
输入数据格式
输入文件应为 JSON 或 JSONL 格式，每行包含一个样本，样本需包含 images 字段：
{"images": ["/path/to/image1.jpg", "/path/to/image2.jpg"]}
输出数据格式
输出为 JSONL 格式，每行一个符合条件的样本。
使用示例
命令行调用
python scripts/run_image_size_filter.py \
--input_path /path/to/input.jsonl \
--output_path /path/to/output.jsonl \
--min_size 120kb \
--max_size 180KB \
--any_or_all any
参数说明
--input_path: 输入文件路径--output_path: 输出文件路径--min_size: 最小文件大小，支持 kb, KB, mb, MB, gb, GB 等单位（默认0，无限制）--max_size: 最大文件大小（默认1TB，无限制）--any_or_all: 过滤策略，默认any--num_proc: 并行进程数，默认1
注意事项
- 输入文件中的图像路径应为有效且可访问的文件路径
- 该算子直接读取文件大小，不加载图像到内存，效率较高
- 支持的大小单位：Bytes, KB/KiB, MB/MiB, GB/GiB, TB/TiB（不区分大小写）