首页
/ HuggingFace Datasets 3.6.0版本发布:Xet存储加速与多项功能优化

HuggingFace Datasets 3.6.0版本发布:Xet存储加速与多项功能优化

2025-06-01 23:55:52作者:翟江哲Frasier

HuggingFace Datasets是机器学习领域广受欢迎的数据集处理库,它提供了高效的数据加载、预处理和共享功能,极大简化了机器学习研究者和工程师处理数据的工作流程。近日,该项目发布了3.6.0版本,带来了一系列值得关注的新特性和改进。

Xet存储集成显著提升数据上传下载速度

3.6.0版本最引人注目的变化是引入了Xet存储支持。Xet是一种高性能的数据存储解决方案,现在被集成到Datasets库中,用于加速数据集的上传和下载操作。这一改进特别有利于处理大型数据集的研究人员,可以显著减少等待数据加载的时间。

在实际应用中,用户只需像往常一样使用push_to_hub方法上传数据集,库会自动利用Xet存储的优势。对于下载操作也同样如此,当从Hub获取数据集时,系统会自动选择最优的传输方式。这种无缝集成意味着用户无需学习新的API或改变现有工作流程,就能享受到性能提升带来的好处。

数据处理功能增强

新版本对DatasetDict.map方法进行了扩展,新增了try_original_type参数。这个参数允许用户在映射操作后尝试保持原始数据类型,而不是总是返回新的数据类型。这一改进使得数据转换过程更加灵活,特别是在需要保持特定数据格式的复杂处理流程中非常有用。

对于迭代式数据处理,3.6.0版本优化了arrow iterables的重新批处理逻辑。现在,在格式化迭代器之前会先进行重新批处理,这有助于提高数据处理管道的效率,特别是在流式处理大型数据集时。

图像处理能力改进

针对图像数据的处理,新版本修复了一个重要问题:现在Image特征能够正确处理来自Spark DataFrames的bytearray对象。这一改进使得Datasets库能够更好地与大数据处理框架Spark集成,方便用户在分布式环境中处理图像数据集后无缝迁移到Datasets中进行后续操作。

缓存与环境配置优化

3.6.0版本改进了缓存系统的文件权限处理,避免使用全局umask来设置文件模式,这增强了在不同环境下的兼容性和安全性。同时,文档中现在明确记录了HF_DATASETS_CACHE环境变量的使用方法,帮助用户更好地理解和控制数据集的缓存行为。

依赖项精简

为了保持库的轻量级特性,新版本移除了对aiohttp的直接依赖。这一变化减小了库的体积,同时避免了潜在的依赖冲突,使得Datasets库在各种环境中的部署更加顺畅。

总结

HuggingFace Datasets 3.6.0版本通过引入Xet存储支持、增强数据处理能力、改进图像处理功能等一系列优化,进一步巩固了其作为机器学习数据处理首选工具的地位。这些改进不仅提升了性能,也增强了库的稳定性和易用性,使得研究人员和工程师能够更加高效地处理各种机器学习数据集。

登录后查看全文
热门项目推荐

热门内容推荐

最新内容推荐

项目优选

收起
RuoYi-Vue3RuoYi-Vue3
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
852
505
kernelkernel
deepin linux kernel
C
21
5
openHiTLSopenHiTLS
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
240
283
ShopXO开源商城ShopXO开源商城
🔥🔥🔥ShopXO企业级免费开源商城系统,可视化DIY拖拽装修、包含PC、H5、多端小程序(微信+支付宝+百度+头条&抖音+QQ+快手)、APP、多仓库、多商户、多门店、IM客服、进销存,遵循MIT开源协议发布、基于ThinkPHP8框架研发
JavaScript
93
15
UAVSUAVS
智能无人机路径规划仿真系统是一个具有操作控制精细、平台整合性强、全方向模型建立与应用自动化特点的软件。它以A、B两国在C区开展无人机战争为背景,该系统的核心功能是通过仿真平台规划无人机航线,并进行验证输出,数据可导入真实无人机,使其按照规定路线精准抵达战场任一位置,支持多人多设备编队联合行动。
JavaScript
78
55
nop-entropynop-entropy
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
7
0
vue-devuivue-devui
基于全新 DevUI Design 设计体系的 Vue3 组件库,面向研发工具的开源前端解决方案。
TypeScript
614
74
ohos_react_nativeohos_react_native
React Native鸿蒙化仓库
C++
175
260
CangjieCommunityCangjieCommunity
为仓颉编程语言开发者打造活跃、开放、高质量的社区环境
Markdown
1.07 K
0
Cangjie-ExamplesCangjie-Examples
本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
331
1.07 K