2511

dataset-Copy1.py

@@ -0,0 +1,402 @@
+# pip install flash-attn --no-build-isolation
+import torch
+import os
+import gc
+import numpy as np
+import random
+import json
+import shutil
+import time
+
+from datasets import Dataset, load_from_disk, concatenate_datasets
+from diffusers import AutoencoderKL,AutoencoderKLWan
+from torchvision.transforms import Resize, ToTensor, Normalize, Compose, InterpolationMode, Lambda
+from transformers import AutoModel, AutoImageProcessor, AutoTokenizer, AutoModelForCausalLM
+from typing import Dict, List, Tuple, Optional, Any
+from PIL import Image
+from tqdm import tqdm
+from datetime import timedelta
+
+# ---------------- 1️⃣ Настройки ----------------
+dtype = torch.float16
+device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
+batch_size = 5
+min_size = 320 #192 #256 #192
+max_size = 640 #384 #256 #384
+step = 64 #64
+empty_share = 0.05
+limit = 0
+# Основная процедура обработки
+folder_path = "/workspace/d23" #alchemist"
+save_path = "/workspace/d23_640" #"alchemist"
+os.makedirs(save_path, exist_ok=True)
+
+# Функция для очистки CUDA памяти
+def clear_cuda_memory():
+    if torch.cuda.is_available():
+        used_gb = torch.cuda.max_memory_allocated() / 1024**3
+        print(f"used_gb: {used_gb:.2f} GB")
+        torch.cuda.empty_cache()
+        gc.collect()
+
+# ---------------- 2️⃣ Загрузка моделей ----------------
+def load_models():
+    print("Загрузка моделей...")
+    vae = AutoencoderKL.from_pretrained("AiArtLab/sdxs3d",subfolder="vae",torch_dtype=dtype).to(device).eval()
+
+    model_name = "Qwen/Qwen3-0.6B"
+    tokenizer = AutoTokenizer.from_pretrained(model_name)
+    model = AutoModelForCausalLM.from_pretrained(
+        model_name,
+        torch_dtype=dtype,
+        device_map=device
+    ).eval()
+    #tokenizer = AutoTokenizer.from_pretrained('Qwen/Qwen3-Embedding-0.6B', padding_side='left')
+    #model = AutoModel.from_pretrained('Qwen/Qwen3-Embedding-0.6B').to("cuda")
+    return vae, model, tokenizer
+
+vae, model, tokenizer = load_models()
+
+shift_factor = getattr(vae.config, "shift_factor", 0.0)
+if shift_factor is None:
+    shift_factor = 0.0
+
+scaling_factor = getattr(vae.config, "scaling_factor", 1.0)
+if scaling_factor is None:
+    scaling_factor = 1.0
+    
+latents_mean = getattr(vae.config, "latents_mean", None)
+latents_std = getattr(vae.config, "latents_std", None)
+    
+# ---------------- 3️⃣ Трансформации ----------------
+def get_image_transform(min_size=256, max_size=512, step=64):
+    def transform(img, dry_run=False):
+        # Сохраняем исходные размеры изображения
+        original_width, original_height = img.size
+
+        # 0. Ресайз: масштабируем изображение, чтобы максимальная сторона была равна max_size
+        if original_width >= original_height:
+            new_width = max_size
+            new_height = int(max_size * original_height / original_width)
+        else:
+            new_height = max_size
+            new_width = int(max_size * original_width / original_height)
+
+        if new_height < min_size or new_width < min_size:
+            # 1. Ресайз: масштабируем изображение, чтобы минимальная сторона была равна min_size
+            if original_width <= original_height:
+                new_width = min_size
+                new_height = int(min_size * original_height / original_width)
+            else:
+                new_height = min_size
+                new_width = int(min_size * original_width / original_height)
+
+        # 2. Проверка: если одна из сторон превышает max_size, готовимся к обрезке
+        crop_width = min(max_size, (new_width // step) * step)
+        crop_height = min(max_size, (new_height // step) * step)
+
+        # Убеждаемся, что размеры обрезки не меньше min_size
+        crop_width = max(min_size, crop_width)
+        crop_height = max(min_size, crop_height)
+        
+        # Если запрошен только предварительный расчёт размеров
+        if dry_run:
+            return crop_width, crop_height
+        
+        # Конвертация в RGB и ресайз
+        img_resized = img.convert("RGB").resize((new_width, new_height), Image.LANCZOS)
+        
+        # Определение координат обрезки (обрезаем с учетом вотермарок - треть сверху)
+        top = (new_height - crop_height) // 3
+        left = 0
+        
+        # Обрезка изображения
+        img_cropped = img_resized.crop((left, top, left + crop_width, top + crop_height))
+        
+        # Сохраняем итоговые размеры после всех преобразований
+        final_width, final_height = img_cropped.size
+        
+        # тензор
+        img_tensor = ToTensor()(img_cropped)
+        img_tensor = Normalize(mean=[0.5, 0.5, 0.5], std=[0.5, 0.5, 0.5])(img_tensor)
+        return img_tensor, img_cropped, final_width, final_height
+
+    return transform
+
+# ---------------- 4️⃣ Функции обработки ----------------
+def last_token_pool(last_hidden_states: torch.Tensor,
+                    attention_mask: torch.Tensor) -> torch.Tensor:
+    # Определяем, есть ли left padding
+    left_padding = (attention_mask[:, -1].sum() == attention_mask.shape[0])
+    if left_padding:
+        return last_hidden_states[:, -1]
+    else:
+        sequence_lengths = attention_mask.sum(dim=1) - 1
+        batch_size = last_hidden_states.shape[0]
+        return last_hidden_states[torch.arange(batch_size, device=last_hidden_states.device), sequence_lengths]
+
+def encode_texts_batch(texts, tokenizer, model, device="cuda", max_length=150, normalize=False):
+    with torch.inference_mode():
+        # Токенизация
+        batch = tokenizer(
+            texts,
+            return_tensors="pt",
+            padding="max_length",
+            truncation=True,
+            max_length=max_length
+        ).to(device)
+
+        # Прогон через модель
+        #outputs = model(**batch)
+
+        # Пулинг по last token
+        #embeddings = last_token_pool(outputs.last_hidden_state, batch["attention_mask"])
+
+        # L2-нормализация (опционально, обычно нужна для семантического поиска)
+        #if normalize:
+        #    embeddings = F.normalize(embeddings, p=2, dim=1)
+
+        # Прогон через базовую модель (внутри CausalLM)
+        outputs = model.model(**batch, output_hidden_states=True)
+
+        # Берем последний слой (эмбеддинги всех токенов)
+        hidden_states = outputs.hidden_states[-1]  # [B, L, D]
+
+        # Можно применить нормализацию по каждому токену (как в CLIP)
+        if normalize:
+            hidden_states = F.normalize(hidden_states, p=2, dim=-1)
+
+    return hidden_states.cpu().numpy() # embeddings.unsqueeze(1).cpu().numpy()
+
+def clean_label(label):
+    label = label.replace("Image 1", "").replace("Image 2", "").replace("Image 3", "").replace("Image 4", "")
+    return label
+
+def process_labels_for_guidance(original_labels, prob_to_make_empty=0.01):
+    """
+    Обрабатывает список меток для classifier-free guidance.
+
+    С вероятностью prob_to_make_empty:
+    - Метка в первом списке заменяется на пустую строку.
+    - К метке во втором списке добавляется префикс "zero:".
+
+    В противном случае метки в обоих списках остаются оригинальными.
+
+    """
+    labels_for_model = []
+    labels_for_logging = []
+
+    for label in original_labels:
+        if random.random() < prob_to_make_empty:
+            labels_for_model.append("")  # Заменяем на пустую строку для модели
+            labels_for_logging.append(f"zero: {label}") # Добавляем префикс для логгирования
+        else:
+            labels_for_model.append(label) # Оставляем оригинальную метку для модели
+            labels_for_logging.append(label) # Оставляем оригинальную метку для логгирования
+
+    return labels_for_model, labels_for_logging
+
+def encode_to_latents(images, texts):
+    transform = get_image_transform(min_size, max_size, step)
+    
+    try:
+        # Обработка изображений (все одинакового размера)
+        transformed_tensors = []
+        pil_images = []
+        widths, heights = [], []
+        
+        # Применяем трансформацию ко всем изображениям
+        for img in images:
+            try:
+                t_img, pil_img, w, h = transform(img)
+                transformed_tensors.append(t_img)
+                pil_images.append(pil_img)
+                widths.append(w)
+                heights.append(h)
+            except Exception as e:
+                print(f"Ошибка трансформации: {e}")
+                continue
+
+        if not transformed_tensors:
+            return None
+
+        # Создаём батч
+        batch_tensor = torch.stack(transformed_tensors).to(device, dtype)
+        if batch_tensor.ndim==5:
+            batch_tensor = batch_tensor.unsqueeze(2)  # [B, C, 1, H, W]
+        
+        # Кодируем батч
+        with torch.no_grad():
+            posteriors = vae.encode(batch_tensor).latent_dist.mode()
+            latents = (posteriors - shift_factor) / scaling_factor
+        
+        latents_np = latents.to(dtype).cpu().numpy()
+
+        # Обрабатываем тексты
+        text_labels = [clean_label(text) for text in texts]
+
+        model_prompts, text_labels = process_labels_for_guidance(text_labels, empty_share)                
+        embeddings = encode_texts_batch(model_prompts, tokenizer, model)
+
+        return {
+            "vae": latents_np,
+            "embeddings": embeddings,
+            "text": text_labels,
+            "width": widths,
+            "height": heights
+        }
+        
+    except Exception as e:
+        print(f"Критическая ошибка в encode_to_latents: {e}")
+        raise
+        
+
+# ---------------- 5️⃣ Обработка папки с изображениями и текстами ----------------
+def process_folder(folder_path, limit=None):
+    """
+    Рекурсивно обходит указанную директорию и все вложенные директории,
+    собирая пути к изображениям и соответствующим текстовым файлам.
+    """
+    image_paths = []
+    text_paths = []
+    width = []
+    height = []
+    transform = get_image_transform(min_size, max_size, step)
+    
+    # Используем os.walk для рекурсивного обхода директорий
+    for root, dirs, files in os.walk(folder_path):
+        for filename in files:
+            # Проверяем, является ли файл изображением
+            if filename.lower().endswith((".jpg", ".jpeg", ".png")):
+                image_path = os.path.join(root, filename)
+                try:
+                    img = Image.open(image_path)
+                except Exception as e:
+                    print(f"Ошибка при открытии {image_path}: {e}")
+                    os.remove(image_path)
+                    text_path = os.path.splitext(image_path)[0] + ".txt"
+                    if os.path.exists(text_path):
+                        os.remove(text_path)
+                    continue
+                # Применяем трансформацию только для получения размеров
+                w, h = transform(img, dry_run=True)
+                # Формируем путь к текстовому файлу
+                text_path = os.path.splitext(image_path)[0] + ".txt"
+                
+                # Добавляем пути, если текстовый файл существует
+                if os.path.exists(text_path) and min(w, h)>0:
+                    image_paths.append(image_path)
+                    text_paths.append(text_path)
+                    width.append(w)  # Добавляем в список
+                    height.append(h)  # Добавляем в список
+                    
+                    # Проверяем ограничение на количество
+                    if limit and limit>0 and len(image_paths) >= limit:
+                        print(f"Достигнут лимит в {limit} изображений")
+                        return image_paths, text_paths, width, height
+    
+    print(f"Найдено {len(image_paths)} изображений с текстовыми описаниями")
+    return image_paths, text_paths, width, height
+    
+def process_in_chunks(image_paths, text_paths, width, height, chunk_size=10000, batch_size=1):
+    total_files = len(image_paths)
+    start_time = time.time()
+    chunks = range(0, total_files, chunk_size)
+    
+    for chunk_idx, start in enumerate(chunks, 1):
+        end = min(start + chunk_size, total_files)
+        chunk_image_paths = image_paths[start:end]
+        chunk_text_paths = text_paths[start:end]
+        chunk_widths = width[start:end] if isinstance(width, list) else [width] * len(chunk_image_paths)
+        chunk_heights = height[start:end] if isinstance(height, list) else [height] * len(chunk_image_paths)
+        
+        # Чтение текстов
+        chunk_texts = []
+        for text_path in chunk_text_paths:
+            try:
+                with open(text_path, 'r', encoding='utf-8') as f:
+                    text = f.read().strip()
+                chunk_texts.append(text)
+            except Exception as e:
+                print(f"Ошибка чтения {text_path}: {e}")
+                chunk_texts.append("")
+        
+        # Группируем изображения по размерам
+        size_groups = {}
+        for i in range(len(chunk_image_paths)):
+            size_key = (chunk_widths[i], chunk_heights[i])
+            if size_key not in size_groups:
+                size_groups[size_key] = {"image_paths": [], "texts": []}
+            size_groups[size_key]["image_paths"].append(chunk_image_paths[i])
+            size_groups[size_key]["texts"].append(chunk_texts[i])
+        
+        # Обрабатываем каждую группу размеров отдельно
+        for size_key, group_data in size_groups.items():
+            print(f"Обработка группы с размером {size_key[0]}x{size_key[1]} - {len(group_data['image_paths'])} изображений")
+            
+            group_dataset = Dataset.from_dict({
+                "image_path": group_data["image_paths"],
+                "text": group_data["texts"]
+            })
+            
+            # Теперь можно использовать указанный batch_size, т.к. все изображения одного размера
+            processed_group = group_dataset.map(
+                lambda examples: encode_to_latents(
+                    [Image.open(path) for path in examples["image_path"]],
+                    examples["text"]
+                ),
+                batched=True,
+                batch_size=batch_size,
+                #remove_columns=["image_path"],
+                desc=f"Обработка группы размера {size_key[0]}x{size_key[1]}"
+            )
+            
+            # Сохраняем результаты группы
+            group_save_path = f"{save_path}_temp/chunk_{chunk_idx}_size_{size_key[0]}x{size_key[1]}"
+            processed_group.save_to_disk(group_save_path)
+            clear_cuda_memory()
+            elapsed = time.time() - start_time
+            processed = (chunk_idx - 1) * chunk_size + sum([len(sg["image_paths"]) for sg in list(size_groups.values())[:list(size_groups.values()).index(group_data) + 1]])
+            if processed > 0:
+                remaining = (elapsed / processed) * (total_files - processed)
+                elapsed_str = str(timedelta(seconds=int(elapsed)))
+                remaining_str = str(timedelta(seconds=int(remaining)))
+                print(f"ETA: Прошло {elapsed_str}, Осталось {remaining_str}, Прогресс {processed}/{total_files} ({processed/total_files:.1%})")
+
+# ---------------- 7️⃣ Объединение чанков ----------------
+def combine_chunks(temp_path, final_path):
+    """Объединение обработанных чанков в финальный датасет"""
+    chunks = sorted([
+        os.path.join(temp_path, d) 
+        for d in os.listdir(temp_path) 
+        if d.startswith("chunk_")
+    ])
+    
+    datasets = [load_from_disk(chunk) for chunk in chunks]
+    combined = concatenate_datasets(datasets)
+    combined.save_to_disk(final_path)
+    
+    print(f"✅ Датасет успешно сохранен в: {final_path}")
+
+    
+
+# Создаем временную папку для чанков
+temp_path = f"{save_path}_temp"
+os.makedirs(temp_path, exist_ok=True)
+
+# Получаем список файлов
+image_paths, text_paths, width, height = process_folder(folder_path,limit)
+print(f"Всего найдено {len(image_paths)} изображений")
+
+# Обработка с чанкованием
+process_in_chunks(image_paths, text_paths, width, height, chunk_size=10000, batch_size=batch_size)
+
+# Объединение чанков в финальный датасет
+combine_chunks(temp_path, save_path)
+
+# Удаление временной папки
+try:
+    shutil.rmtree(temp_path)
+    print(f"✅ Временная папка {temp_path} успешно удалена")
+except Exception as e:
+    print(f"⚠️ Ошибка при удалении временной папки: {e}")

dataset.py

@@ -16,6 +16,8 @@ from typing import Dict, List, Tuple, Optional, Any
 from PIL import Image
 from tqdm import tqdm
 from datetime import timedelta
+import subprocess 
+import tempfile
 
 # ---------------- 1️⃣ Настройки ----------------
 dtype = torch.float16
@@ -27,8 +29,9 @@ step = 64 #64
 empty_share = 0.05
 limit = 0
 # Основная процедура обработки
-folder_path = "/workspace/d23" #alchemist"
-save_path = "/workspace/d23_640" #"alchemist"
+folder_path = "/workspace/1" #alchemist"
+save_path = "/workspace/1_640" #"alchemist"
+dir_tmp = "/workspace/tmp"
 os.makedirs(save_path, exist_ok=True)
 
 # Функция для очистки CUDA памяти
@@ -51,8 +54,6 @@ def load_models():
         torch_dtype=dtype,
         device_map=device
     ).eval()
-    #tokenizer = AutoTokenizer.from_pretrained('Qwen/Qwen3-Embedding-0.6B', padding_side='left')
-    #model = AutoModel.from_pretrained('Qwen/Qwen3-Embedding-0.6B').to("cuda")
     return vae, model, tokenizer
 
 vae, model, tokenizer = load_models()
@@ -135,7 +136,7 @@ def last_token_pool(last_hidden_states: torch.Tensor,
         batch_size = last_hidden_states.shape[0]
         return last_hidden_states[torch.arange(batch_size, device=last_hidden_states.device), sequence_lengths]
 
-def encode_texts_batch(texts, tokenizer, model, device="cuda", max_length=150, normalize=False):
+def encode_texts_batch(texts, tokenizer, model, device="cuda", max_length=150):
     with torch.inference_mode():
         # Токенизация
         batch = tokenizer(
@@ -146,25 +147,11 @@ def encode_texts_batch(texts, tokenizer, model, device="cuda", max_length=150, n
             max_length=max_length
         ).to(device)
 
-        # Прогон через модель
-        #outputs = model(**batch)
-
-        # Пулинг по last token
-        #embeddings = last_token_pool(outputs.last_hidden_state, batch["attention_mask"])
-
-        # L2-нормализация (опционально, обычно нужна для семантического поиска)
-        #if normalize:
-        #    embeddings = F.normalize(embeddings, p=2, dim=1)
-
         # Прогон через базовую модель (внутри CausalLM)
         outputs = model.model(**batch, output_hidden_states=True)
 
         # Берем последний слой (эмбеддинги всех токенов)
-        hidden_states = outputs.hidden_states[-1]  # [B, L, D]
-
-        # Можно применить нормализацию по каждому токену (как в CLIP)
-        if normalize:
-            hidden_states = F.normalize(hidden_states, p=2, dim=-1)
+        hidden_states = outputs.last_hidden_state
 
     return hidden_states.cpu().numpy() # embeddings.unsqueeze(1).cpu().numpy()
 
@@ -354,6 +341,10 @@ def process_in_chunks(image_paths, text_paths, width, height, chunk_size=10000,
             # Сохраняем результаты группы
             group_save_path = f"{save_path}_temp/chunk_{chunk_idx}_size_{size_key[0]}x{size_key[1]}"
             processed_group.save_to_disk(group_save_path)
+
+            subprocess.run(["tar", "-I", "zstd", "-cf", f"{group_save_path}.tar.zst", "-C", group_save_path, "."], check=True)
+            shutil.rmtree(group_save_path)
+
             clear_cuda_memory()
             elapsed = time.time() - start_time
             processed = (chunk_idx - 1) * chunk_size + sum([len(sg["image_paths"]) for sg in list(size_groups.values())[:list(size_groups.values()).index(group_data) + 1]])
@@ -363,22 +354,21 @@ def process_in_chunks(image_paths, text_paths, width, height, chunk_size=10000,
                 remaining_str = str(timedelta(seconds=int(remaining)))
                 print(f"ETA: Прошло {elapsed_str}, Осталось {remaining_str}, Прогресс {processed}/{total_files} ({processed/total_files:.1%})")
 
-# ---------------- 7️⃣ Объединение чанков ----------------
+# ---------------- 7️⃣ Объединение ----------------
 def combine_chunks(temp_path, final_path):
-    """Объединение обработанных чанков в финальный датасет"""
-    chunks = sorted([
-        os.path.join(temp_path, d) 
-        for d in os.listdir(temp_path) 
-        if d.startswith("chunk_")
-    ])
-    
-    datasets = [load_from_disk(chunk) for chunk in chunks]
+    archives = sorted([os.path.join(temp_path, f) for f in os.listdir(temp_path) if f.endswith(".tar.zst")])
+    datasets = []
+    for arc in archives:
+        #tmp = tempfile.mkdtemp()
+        tmp = tempfile.mkdtemp(dir=dir_tmp)
+        os.makedirs(tmp, exist_ok=True)
+        subprocess.run(["tar", "-I", "zstd", "-xf", arc, "-C", tmp], check=True)
+        ds = load_from_disk(tmp)
+        datasets.append(ds)
+        shutil.rmtree(tmp)
     combined = concatenate_datasets(datasets)
     combined.save_to_disk(final_path)
-    
-    print(f"✅ Датасет успешно сохранен в: {final_path}")
-
-    
+    print(f"✅ Датасе�� сохранён: {final_path}")
 
 # Создаем временную папку для чанков
 temp_path = f"{save_path}_temp"

test.ipynb

@@ -1,3 +1,3 @@
 version https://git-lfs.github.com/spec/v1
-oid sha256:e0f7ceb281d9d78b8ed0085e763df363b106df049ee6830bc40d84e6a1c25b34
-size 8326857
+oid sha256:520b651761ec5d543aaf4698b5b4dcf3168539db48e98fb14df32156bbd89132
+size 6331075

unet/diffusion_pytorch_model.safetensors

@@ -1,3 +1,3 @@
 version https://git-lfs.github.com/spec/v1
-oid sha256:2e9df474bc92756db3f86d5534a6539773126ff1f61bc622ff0af7cff04d08c9
+oid sha256:16f6b17f2610858bc513b0f61501f61959ce08f46df214d6e3a12d4b2319ddd1
 size 6184944280