Image Text Similarity Filter

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

1. 输入文件中的图像路径应为有效且可访问的文件路径
2. 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
3. 依赖 torch 和 transformers，请确保已安装
4. 处理大量数据时可适当增加 num_proc 提高效率