Buckets:
| # إنشاء مجموعة بيانات للتدريب | |
| تتوفر مجموعات بيانات كثيرة على [Hub](https://huggingface.co/datasets?task_categories=task_categories:text-to-image&sort=downloads) لتدريب نموذج عليها، ولكن إذا لم تجد مجموعة بيانات تهمك أو أردت استخدام مجموعة بياناتك الخاصة، يمكنك إنشاء مجموعة بيانات باستخدام مكتبة 🤗 [Datasets](https://huggingface.co/docs/datasets). يعتمد هيكل مجموعة البيانات على المهمة التي تريد تدريب نموذجك عليها. أبسط هيكل لمجموعة بيانات هو مجلد يحتوي على صور لمهام مثل توليد الصور غير الشرطي. وقد يتكون هيكل آخر لمجموعة بيانات من مجلد للصور وملف نصي يحتوي على التسميات النصية المقابلة لها لمهام مثل توليد الصور من النص. | |
| ستُظهر لك هذه الدليل طريقتين لإنشاء مجموعة بيانات للتعديل الدقيق عليها: | |
| - توفير مجلد من الصور إلى معامل `--train_data_dir` | |
| - ارفع مجموعة بيانات إلى Hub ثم مرر معرّف مستودع مجموعة البيانات إلى معامل `--dataset_name` | |
| > [!TIP] | |
| > 💡 تعرّف على المزيد حول كيفية إنشاء مجموعة بيانات للصور للتدريب في دليل [إنشاء مجموعة بيانات للصور](https://huggingface.co/docs/datasets/image_dataset). | |
| ## تقديم مجموعة بيانات على شكل مجلد | |
| للتوليد غير الشرطي، يمكنك تقديم مجموعة بياناتك الخاصة على شكل مجلد من الصور. يستخدم سكربت التدريب منشئ [`ImageFolder`](https://huggingface.co/docs/datasets/en/image_dataset#imagefolder) من 🤗 Datasets لبناء مجموعة بيانات تلقائياً من المجلد. يجب أن يبدو هيكل المجلد الخاص بك على النحو التالي: | |
| ```bash | |
| data_dir/xxx.png | |
| data_dir/xxy.png | |
| data_dir/[...]/xxz.png | |
| ``` | |
| مرّر المسار إلى مجلد مجموعة البيانات إلى الحجة `--train_data_dir`، ثم يمكنك بدء التدريب: | |
| ```bash | |
| accelerate launch train_unconditional.py \ | |
| --train_data_dir <path-to-train-directory> \ | |
| <other-arguments> | |
| ``` | |
| ## ارفع بياناتك إلى Hub | |
| > [!TIP] | |
| > 💡 لمزيد من التفاصيل والسياق حول إنشاء مجموعة بيانات ورفعها إلى Hub، اطّلع على منشور [البحث في الصور باستخدام 🤗 Datasets](https://huggingface.co/blog/image-search-datasets). | |
| ابدأ بإنشاء مجموعة بيانات باستخدام ميزة [`ImageFolder`](https://huggingface.co/docs/datasets/image_load#imagefolder)، والتي تنشئ عمود `image` يحتوي على الصور المُرمّزة بواسطة PIL. | |
| يمكنك استخدام معلمات `data_dir` أو `data_files` لتحديد موقع مجموعة البيانات. تدعم معلمة `data_files` تعيين ملفات محددة إلى تقسيمات مجموعة البيانات مثل `train` أو `test`: | |
| ```python | |
| from datasets import load_dataset | |
| # example 1: local folder | |
| dataset = load_dataset("imagefolder", data_dir="path_to_your_folder") | |
| # example 2: local files (supported formats are tar, gzip, zip, xz, rar, zstd) | |
| dataset = load_dataset("imagefolder", data_files="path_to_zip_file") | |
| # example 3: remote files (supported formats are tar, gzip, zip, xz, rar, zstd) | |
| dataset = load_dataset( | |
| "imagefolder", | |
| data_files="https://download.microsoft.com/download/3/E/1/3E1C3F21-ECDB-4869-8368-6DEBA77B919F/kagglecatsanddogs_5340.zip", | |
| ) | |
| # example 4: providing several splits | |
| dataset = load_dataset( | |
| "imagefolder", data_files={"train": ["path/to/file1", "path/to/file2"], "test": ["path/to/file3", "path/to/file4"]} | |
| ) | |
| ``` | |
| ثم استخدم طريقة [push_to_hub](https://huggingface.co/docs/datasets/v5.2.0/en/package_reference/main_classes#datasets.Dataset.push_to_hub) لرفع مجموعة البيانات إلى Hub: | |
| ```python | |
| # assuming you have ran the hf auth login command in a terminal | |
| dataset.push_to_hub("name_of_your_dataset") | |
| # if you want to push to a private repo, simply pass private=True: | |
| dataset.push_to_hub("name_of_your_dataset", private=True) | |
| ``` | |
| الآن أصبح مجموعة البيانات متاحة للتدريب عن طريق تمرير اسم مجموعة البيانات إلى معامل `--dataset_name`: | |
| ```bash | |
| accelerate launch --mixed_precision="fp16" train_text_to_image.py \ | |
| --pretrained_model_name_or_path="stable-diffusion-v1-5/stable-diffusion-v1-5" \ | |
| --dataset_name="name_of_your_dataset" \ | |
| <other-arguments> | |
| ``` | |
| ## الخطوات التالية | |
| الآن بعد أن أنشأت مجموعة بيانات، يمكنك إدخالها في حجة `train_data_dir` (إذا كانت مجموعة البيانات محلية) أو `dataset_name` (إذا كانت مجموعة البيانات على Hub) في سكربت التدريب. | |
| كخطوات تالية، لا تتردد في تجربة استخدام مجموعة بياناتك لتدريب نموذج على [التوليد غير الشرطي](unconditional_training) أو [توليد الصور من النص](text2image)! | |
Xet Storage Details
- Size:
- 5.48 kB
- Xet hash:
- 85e932053ee495525d528cc80bd74b8c2868f2ac40d156b865b46e5e18618916
·
Xet efficiently stores files, intelligently splitting them into unique chunks and accelerating uploads and downloads. More info.