from __future__ import annotations import os from typing import List, Optional from blockdiffusion.data.captions import CaptionItem _IMG_EXTS = (".png", ".jpg", ".jpeg", ".webp", ".bmp") def _caption_from_filename(filename: str) -> str: """ 从文件名提取“弱标注提示词”。 适配命名格式: - HASH-tag_tag_tag.png - HASH-side.png / HASH-top.png / HASH-bottom.png 提取规则: - 去掉扩展名 - 以第一个 '-' 作为分隔,取其后部分(若不存在 '-' 则使用全名) - '_' / '-' 统一当作空格 """ name = os.path.splitext(os.path.basename(filename))[0] if "-" in name: # 只切一次,避免 tag 本身含 '-' 时被过度切分 _, tail = name.split("-", 1) else: tail = name tail = tail.replace("_", " ").replace("-", " ").strip().lower() # 多空格归一 tail = " ".join([t for t in tail.split(" ") if t]) return tail def build_caption_items_from_filenames( root_dir: str, verbose: bool = False, log_every: int = 10_000, ) -> List[CaptionItem]: """ 扫描目录下所有图片(含子目录),用文件名自动生成 captions。 返回 CaptionItem 列表,可直接用于 TextureCaptionDataset。 """ root_dir = os.path.abspath(root_dir) items: List[CaptionItem] = [] seen = 0 for dirpath, _, filenames in os.walk(root_dir): for fn in filenames: if not fn.lower().endswith(_IMG_EXTS): continue path = os.path.join(dirpath, fn) text = _caption_from_filename(fn) # 若提取失败就给空字符串;TextEncoder 会把空句子当作“无条件” items.append(CaptionItem(image_path=path, text=text)) seen += 1 if verbose and log_every > 0 and (seen % int(log_every) == 0): print(f"[scan] 已发现图片 {seen} 张...") items.sort(key=lambda x: x.image_path) if len(items) == 0: raise ValueError(f"目录下未找到图片:{root_dir}") if verbose: print(f"[scan] 完成:共 {len(items)} 张图片") return items