像Git一样用AI数据!免费托管工具上线,用「活」数据集训练
本文经AI新媒体量子位(公众号ID:QbitAI)授权转载,转载请联系出处。 搞机器学习的人,很多都饱受数据管理的折磨。 要么是数据集老旧,需要手工修订标注。 要么是同一个数据集有很多被别人调整过的版本,无从下手。 或者,干脆没有合适数据集,需要自己建立。 国外,一位名叫Simon Lousky的程序员像G小哥终于不能忍了,开发出了一套用于机器学习的数据版本控制工具 (Data Version Control,DVC)。 一键调用数据集、一键查看编辑历史……最重要的是,在DVC工具背后,有一个GitHub一样的数据托管社区。 “盘活”数据集 Simon Lousky在学生时代做项目时,就已经感受到了机器学it习数据集管理不便的痛点。 当时,他的模型需要一个植物和花朵的数据进行训练,而开源数据集无论如何也得不到合理的结果。 于是他自己花了几个小时的时间,一一修正了数据集中大量过时、不合理的标注,之后训练结果让人十分满意。 除了这个项目,他之后又进行过很多数据集的修正、增补、创建工作,他把这些费时费力的工序称为“数一样据集的调试试错”,并且开始有意记录操作历史。 他逐渐发现,自己的项目中,数据管理总是一塌糊涂,而依靠GitHub托管的代码,却一直井井有条。 那为什么不做一个类似GitHub、专门服务数据管理的工具呢? DVC就这样诞生了。 这是一个预装的工具库,实现功能包括对数据集的调用、历史操作信息的查看等等功用A能。 它的出现,意味着之前,研究人员在本地“死”的数据集上训练模型的方式彻底改变。 你可以将项目链接到在线托管的数据集(或任何文件),建立实时、准确的联系。数据集的任何更新变动,都能及时获知,方便项目的开展。 比如,现在有一个Repository A,这是一个“活”数据集,其中元数据文件,指向存储在专用服务器I数的真实大文件。 用户可以将数据集文件组织到目录中,并添加带有utils函数的代码文件,以此来方便调用。 此外,还有一个Repository B,这是对应机器学习项目,项目代码中,包含使用DVC导入数据集的指令。 只要创建一个数据注册表,就能建立A和B之间的联系: mkdir my-dataset据! && cd my-dataset git init dvc init 此时,数据集目录会是这样: 需要查看数据集相关信息时,输入指令: dvc add annotations&n免费bsp;dvc add images git add . && git commit -m “Starting to manage my d托管ataset” 数据集的预览会保存到一个目录里,这个目录也会被DVC跟踪。 然后用户只需要把代码和数据推送到托管仓库,这样就随时随地访问它,并与其他人分享。 当然,DVC要发挥作用,自然少不了背后的DAGsHub。 DAGsHub就是一个GitHub的数据管理版本,由三部分组成,git仓库、DVC工具、和机器学习流程平台mlflow。 用户可以提交自己的项目,DAGsHub会自动扫描提交,并提取有用的信息,如实验参数,数据文件和模型的链接,并将它们结合到一个简单的界面。 DAGsHub可以浏览和比较代码、数据、模型和实验,而且不需要下载任何东西。 此外,还能生成可视化数据管道、数据操作历史,并记上线录模型性能,自动且美观。 如何在机器学习项目中使用“活”数据集 要使用DAGsHub,只需要注册登录。 通过以下指令安装DVC: pip3 install dvc 在DAGsHub上找到一个数据集,如何在自己的模型中使用它呢? 首先,要从托管的数据集中导入一个目录,并把它当作原,用始文件: mkdir -p data/raw dvc import -o data/raw/images https://dagshub.com/Simon/baby-yoda-segmentation-data「活set data/images dvc import -o data/raw/annotations https://dagshub.com/Simon/baby-yoda-segmentation-datase」数t data/annotations 接着,图片和注释就会下载到你自己的项目中,并保留其中历史信息的信息。 当你想要知道数据集的变更历史时,只需运行命令: dvc update 就能将可视化结果返回默认目录保存: 是不是很方便? 对了,无论是DVC,还是DAGsHub,都是开源且免据集费的,赶快来试试吧 传送门: DVC教程:https://dagshub.com/docs/experiment-tutorial/2-data-versioning/
DAGsHub主页:https://dagshub.com/
- 最近发表
- 随机阅读
-
- 标签: 谷歌 DeepMind 字节跳动 DeepSeek
- 标签: Apple Intelligence 马克·古尔曼 iOS 26.4 苹果AI
- 京东云春晚炫技登顶“珠峰” 零资源增加背后有何底气
- 标签: WAIC2026 世界人工智能大会 SAIL奖 WAIC Academic
- AI 解决数据中心的工作负载管理挑战
- Google Research:哥德尔奖、高德纳奖得主解析「大脑中文字表征」
- 2025年三季度AI应用市场现状:移动端用户突破 7 亿,豆包夺原生AI APP月活第一
- 标签: 字节 中兴 AI手机 豆包大模型
- 标签: 铂科电子 港交所上市 AI算力 储能系统
- 标签: 夸克AI眼镜 Super Raw算法 Raw域降噪 高通骁龙AR1
- 内存在超大规模数据中心成本中占比将达到30% 四年翻近两番
- 这只蚂蚁能拍照!普林斯顿造出微米级相机,个头缩小到50万分之一
- 标签: 亚布力论坛 58同城 姚劲波 AI
- 标签: 参半 小阔科技 尹阔 口腔护理
- 我怎么不知道RocketMQ生产者有这么多用法?
- 清华团队开源 GUAVA:0.1秒一张照片秒变 3D 数字人,
- OpenAI 或将于明年上市,估值可达万亿!
- Snapchat免费开放“Imagine Lens”:首款开放式AI图像生成功能面向所有用户
- 标签: 松果出行 翟光龙 共享电单车 港股上市
- 云安全日报201208:思科企业安全管理器发现任意命令执行漏洞,需要尽快升级
- 搜索
-
- 友情链接