首页
/ Data-Juicer v1.1.0发布:分布式数据处理与垂直领域增强

Data-Juicer v1.1.0发布:分布式数据处理与垂直领域增强

2025-06-13 08:49:27作者:薛曦旖Francesca

Data-Juicer是一个专注于数据清洗和预处理的开源工具,旨在为机器学习任务提供高质量的数据集。该项目通过提供丰富的操作符(OPs)来支持各种数据转换、过滤和增强操作,帮助用户从原始数据中提取更有价值的信息。

核心功能升级

本次发布的v1.1.0版本带来了多项重要改进,特别是在分布式数据处理和垂直领域支持方面:

分布式计算能力显著增强,用户现在可以基于Ray框架运行分布式数据处理任务。这一改进使得大规模数据处理变得更加高效,同时新版本还优化了去重操作的实现方式,采用Actor模式替代原有的Task模式,消除了对Redis的依赖,降低了使用门槛。

文档系统进行了全面升级,新增的DJ-Cookbook收集整理了来自多个垂直领域的高质量数据处理"配方",为用户提供了丰富的实践参考。同时,项目还实现了文档自动更新机制,当新增操作符时会自动生成相关文档,减轻了开发者的维护负担。

新增操作符介绍

v1.1.0版本引入了多个功能强大的新操作符,进一步扩展了数据处理能力:

图像处理方面新增了image_segment_mapper,它能够对图像执行分割任务并返回边界框信息;sdxl_prompt2prompt_mapper则结合了SDXL生成模型和Prompt-to-Prompt图像编辑技术,用于生成相似图像对。

文本处理能力也得到了增强,mllm_mapper可以利用多模态大语言模型为图像生成文本描述;sentence_augmentation_mapper则通过大语言模型实现句子增强;text_pair_similarity_filter提供了基于文本对相似度得分的样本过滤功能。

系统优化与稳定性提升

在用户体验方面,新版本增加了运行结束时的日志摘要功能,将警告和错误信息集中展示,便于用户快速定位问题。同时引入了操作符可用性标签系统,通过alpha、beta和stable三个级别明确标识每个操作符的成熟度,帮助用户做出更合适的选择。

系统稳定性方面,修复了多个关键问题,包括模型强制下载错误、结果数据集保存时的索引错误,以及Ray模式下字段元标签缺失等问题。还针对vllm-based操作符优化了token长度限制,避免了生成内容过短的情况。

开发者体验改进

对于开发者而言,项目增强了API调用操作符的单元测试覆盖,移除了Dockerfile中的沙盒环境要求,更新了与最新版Ray兼容的数据源相关API。此外,还对generate_qa_from_text_mapper中每个文本生成的问答数量进行了限制,防止资源过度消耗。

文档系统方面,优化了全局文本搜索的操作符文档,并改用更稳定快速的翻译服务来自动构建操作符文档,提升了国际化支持的质量。

Data-Juicer v1.1.0通过这些改进,进一步巩固了其作为专业数据预处理工具的地位,特别是在处理多模态数据和分布式计算场景下的表现尤为突出。项目团队表示将继续完善功能,为即将到来的2.0版本做准备。

登录后查看全文
热门项目推荐
相关项目推荐

项目优选

收起
kernelkernel
deepin linux kernel
C
22
6
docsdocs
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
165
2.05 K
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
8
0
openHiTLS-examplesopenHiTLS-examples
本仓将为广大高校开发者提供开源实践和创新开发平台,收集和展示openHiTLS示例代码及创新应用,欢迎大家投稿,让全世界看到您的精巧密码实现设计,也让更多人通过您的优秀成果,理解、喜爱上密码技术。
C
85
561
leetcodeleetcode
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
60
17
apintoapinto
基于golang开发的网关。具有各种插件,可以自行扩展,即插即用。此外,它可以快速帮助企业管理API服务,提高API服务的稳定性和安全性。
Go
22
0
cjoycjoy
一个高性能、可扩展、轻量、省心的仓颉应用开发框架。IoC,Rest,宏路由,Json,中间件,参数绑定与校验,文件上传下载,OAuth2,MCP......
Cangjie
94
15
ohos_react_nativeohos_react_native
React Native鸿蒙化仓库
C++
199
279
giteagitea
喝着茶写代码!最易用的自托管一站式代码托管平台,包含Git托管,代码审查,团队协作,软件包和CI/CD。
Go
17
0
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
954
564