NVlabs/Sana项目中使用非正方形图像进行训练的技术指南

背景介绍

NVlabs/Sana是一个强大的图像生成模型项目，但在实际使用过程中，许多开发者遇到了使用非正方形图像进行训练的困难。本文将详细介绍如何正确构建适用于SanaWebDatasetMS格式的训练数据集，帮助开发者解决这一常见问题。

数据集格式选择

Sana项目支持两种主要的数据集格式：

1. ImgDataset：适用于简单的正方形图像训练
2. SanaWebDatasetMS：支持多尺度训练，包括非正方形图像

对于需要使用非正方形图像进行训练的开发者，必须选择SanaWebDatasetMS格式。

构建WebDataset的关键文件

wids-meta.json文件

这是WebDataset的元数据文件，必须包含以下关键信息：

{
  "wids_version": 1,
  "name": "",
  "description": "WIDS metafile for tar archives in ./",
  "shardlist": [
    {
      "url": "output.tar",
      "nsamples": 25453
    }
  ]
}

数据集TAR包结构

数据集需要打包成TAR格式，内部结构应包含：

• 图像文件（如PNG格式）
• 对应的JSON标注文件

每个样本对应三个文件：

1. xxxxx.png：图像文件
2. xxxxx.txt：原始标注文本
3. xxxxx.json：结构化标注信息

JSON标注文件规范

JSON文件必须包含以下字段：

{
  "file_name": "image.png",
  "prompt": "这是一张示例图片的描述文本",
  "width": 768,
  "height": 512
}

特别提醒：必须使用"prompt"字段而非"caption"字段。

数据集转换工具

以下Python脚本可将标准图像-文本数据集转换为SanaWebDatasetMS格式：

from PIL import PngImagePlugin
PngImagePlugin.MAX_TEXT_CHUNK = 100 * 1024 * 1024
import os
import json
import tarfile
from PIL import Image

def process_data(input_dir, output_tar_name="output.tar"):
    png_count = 0
    json_files_created = []

    for filename in os.listdir(input_dir):
        if filename.lower().endswith(".png"):
            png_count += 1
            base_name = filename[:-4]
            txt_filename = os.path.join(input_dir, base_name + ".txt")
            json_filename = base_name + ".json"
            json_filepath = os.path.join(input_dir, json_filename)
            png_filepath = os.path.join(input_dir, filename)

            if os.path.exists(txt_filename):
                try:
                    with Image.open(png_filepath) as img:
                        width, height = img.size

                    with open(txt_filename, 'r', encoding='utf-8') as f:
                        caption_content = f.read().strip()

                    data = {
                        "file_name": filename,
                        "prompt": caption_content,
                        "width": width,
                        "height": height
                    }

                    with open(json_filepath, 'w', encoding='utf-8') as outfile:
                        json.dump(data, outfile, indent=4, ensure_ascii=False)

                    json_files_created.append(json_filepath)

                except Exception as e:
                    print(f"Error processing file {filename}: {e}")
            else:
                print(f"Warning: No corresponding TXT file found for {filename}.")

    with tarfile.open(output_tar_name, 'w') as tar:
        for item in os.listdir(input_dir):
            item_path = os.path.join(input_dir, item)
            tar.add(item_path, arcname=item)

if __name__ == "__main__":
    input_directory = input("请输入包含PNG和TXT文件的目录路径: ")
    output_tar_filename = input("请输入输出TAR文件名(默认为output.tar): ") or "output.tar"
    process_data(input_directory, output_tar_filename)

常见问题解决方案

1. JSON解析错误：确保JSON文件格式正确，特别是字段名称和引号使用
2. 图像尺寸不一致：在JSON中正确记录每张图像的width和height
3. 内存不足：调整PngImagePlugin.MAX_TEXT_CHUNK参数解决大图像处理问题
4. 字段命名错误：必须使用"prompt"而非"caption"作为文本描述字段

最佳实践建议

1. 预处理阶段统一检查图像和标注文件的对应关系
2. 对于大规模数据集，考虑分片处理(sharding)提高效率
3. 训练前验证数据集完整性，确保每个图像都有对应的JSON文件
4. 记录数据集统计信息(如尺寸分布)，便于后续分析

通过遵循以上指南，开发者可以成功构建适用于NVlabs/Sana项目的多尺度训练数据集，充分利用非正方形图像进行模型训练。