cas-bigdatalab Ray Image Deduplicator Ray分布式图像去重 Skill
功能概述
本skill基于Ray分布式框架，使用图像哈希算法（phash/dhash/whash/ahash）进行图像级别的精确匹配去重。 适用于大规模图像数据的并行处理场景。
触发条件
当用户请求以下任务时，应使用此skill：
- 图像去重
- 删除重复图片
- 分布式去重
- 大规模图像去重
- Ray并行处理
核心参数说明
必需参数
| 参数 | 说明 |
|---|---|
--input |
输入JSON文件路径 |
--output |
输出JSON文件路径 |
可选参数
| 参数 | 说明 | 默认值 |
|---|---|---|
--method |
图像哈希方法 | phash |
--backend |
分布式后端类型 | ray_actor |
--redis_address |
Redis服务器地址 | redis://localhost:6379 |
--image_key |
图像字段的键名 | images |
--text_key |
文本字段的键名 | text |
输入文件格式
[
{
"images": ["/path/to/image1.png"]
},
{
"images": ["/path/to/image2.jpg"]
},
{
"images": ["/path/to/image1_dup.png"]
}
]
哈希方法说明
| 方法 | 说明 |
|---|---|
phash |
感知哈希，速度快，准确性高（默认） |
dhash |
差值哈希 |
whash |
小波哈希 |
ahash |
平均哈希，最快但最粗糙 |
使用方法
基本用法（需要先启动Ray）
python scripts/run_ray_image_deduplicator.py \
--input ./input.json \
--output ./output.json
使用指定哈希方法
python scripts/run_ray_image_deduplicator.py \
--input ./input.json \
--output ./output.json \
--method dhash
使用Redis后端
python scripts/run_ray_image_deduplicator.py \
--input ./input.json \
--output ./output.json \
--backend redis \
--redis_address redis://localhost:6379
输出示例
命令行输出：
[OK] Ray image deduplication completed!
Method: phash
Backend: ray_actor
Original documents: 7
Deduplicated documents: 3
Removed duplicates: 4
Input file: ./input.json
Output file: ./output.json
环境要求
安装依赖：
pip install py-data-juicer ray redis imagededup
启动Ray：
ray start --head
与普通ImageDeduplicator的区别
| 特性 | ImageDeduplicator | RayImageDeduplicator |
|---|---|---|
| 处理方式 | 单机处理 | 分布式并行处理 |
| 适用场景 | 小规模数据 | 大规模数据 |
| 依赖 | data_juicer | data_juicer + Ray/Redis |
| 性能 | 一般 | 高 |
注意事项
- 分布式环境：使用前需要启动 Ray 或 Redis
- 图像路径：输入JSON中的图像路径应为绝对路径或相对于工作目录的路径
- 哈希方法：默认使用 phash，适合大多数场景
- 图像格式：支持 PNG、JPG、JPEG 等常见图像格式