cas-bigdatalab 功能概述
该算子使用CLIP模型计算图像与文本之间的相似度，过滤相似度在指定范围内的样本。支持多种过滤策略：
any: 任意一个相似度符合条件即保留all: 所有相似度都符合条件才保留
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) |
| hf_clip | string | 否 | 'openai/clip-vit-base-patch32' | HuggingFace上的CLIP模型 |
| min_score | float | 否 | 0.1 | 最小相似度分数 |
| max_score | float | 否 | 1.0 | 最大相似度分数 |
| horizontal_flip | bool | 否 | False | 是否水平翻转图像 |
| vertical_flip | bool | 否 | False | 是否垂直翻转图像 |
| reduce_mode | string | 否 | 'avg' | 多图聚合模式：avg/max/min |
| 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 text 和 images 字段：
{"text": "<image>a photo of a cat", "images": ["/path/to/cat.jpg"]}
注意：文本中需要使用 <image> 标记表示图像位置，如有多张图像可用 <eos> 分隔。
输出数据格式
输出为 JSONL 格式，每行一个符合条件的样本，包含 text 和 images 字段。
使用示例
命令行调用
python scripts/run_image_text_similarity_filter.py \
--input_path /path/to/input.jsonl \
--output_path /path/to/output.jsonl \
--min_score 0.2 \
--max_score 0.9 \
--reduce_mode avg \
--any_or_all any
参数说明
--input_path: 输入文件路径--output_path: 输出文件路径--hf_clip: CLIP模型（默认：openai/clip-vit-base-patch32）--min_score: 最小相似度分数（默认0.1）--max_score: 最大相似度分数（默认1.0）--horizontal_flip: 是否水平翻转图像--vertical_flip: 是否垂直翻转图像--reduce_mode: 多图聚合模式，默认avg--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
- 该算子使用CLIP模型计算图像文本相似度，首次运行会下载模型
- 依赖 torch 和 transformers，请确保已安装
- 处理大量数据时可适当增加 num_proc 提高效率