Filter Watermark Gambar LVM (DLC) - Platform For AI - Alibaba Cloud Documentation Center

Gambar yang diberi watermark dalam data pelatihan dapat menyebabkan model generatif mereproduksi artefak watermark pada outputnya. Komponen LVM-Image-Watermark Filter (DLC) memberikan skor probabilitas watermark untuk setiap gambar dan menghapus gambar yang melebihi ambang batas yang Anda tetapkan, sehingga mencegah artefak watermark masuk ke dalam pipeline pelatihan model generasi gambar Anda.

Sumber daya komputasi yang didukung

Deep Learning Containers (DLC)

Cara kerja

Untuk setiap gambar, komponen menghitung skor probabilitas watermark. Gambar dengan skor di atas ambang batas Watermark Probability akan difilter. Gambar yang tersisa beserta metadatanya ditulis ke path output yang Anda tentukan.

Posisi khas dalam pipeline:

Read File Data (atau komponen preprocessing gambar apa pun)
    → LVM-Image-Watermark Filter (DLC)
        → komponen pelatihan model generasi gambar

Input dan output

Port input

Komponen ini menerima input dari salah satu sumber berikut:

Komponen Read File Data — membaca path Object Storage Service (OSS) tempat data pelatihan disimpan
Parameter Image Data OSS Path — tentukan langsung direktori OSS atau file metadata gambar (lihat tabel parameter di bawah)
Komponen preprocessing data gambar apa pun

Port output

Hasil filtering ditulis ke path OSS yang ditentukan oleh OSS Directory for Saving OutputData. Output mencakup tiga file:

File	Deskripsi
`{name}.jsonl`	Set data yang telah difilter. Nama file ditentukan oleh Output Filename. Teruskan file ini ke komponen pelatihan downstream.
`{name}_stats.jsonl`	File status.
`dj_run_yaml.yaml`	File konfigurasi parameter yang digunakan saat algoritma dijalankan.

Konfigurasi komponen

Konfigurasikan komponen LVM-Image-Watermark Filter (DLC) di Machine Learning Designer. Tabel berikut menjelaskan semua parameter.

Tab	Parameter	Wajib	Deskripsi	Bawaan
Field Settings	Image Data OSS Path	Tidak	Direktori OSS tempat data gambar disimpan, atau file metadata gambar. Jika tidak ada komponen upstream yang terhubung pada eksekusi pertama, pilih direktori OSS secara manual. Komponen akan menghasilkan file `meta.jsonl` di direktori induk dari path yang Anda tentukan. Pada eksekusi berikutnya, pilih langsung file `meta.jsonl` alih-alih direktorinya.	—
Field Settings	OSS Directory for Saving OutputData	Tidak	Direktori OSS tempat hasil filtering disimpan. Lihat deskripsi file output di atas.	—
Field Settings	Output Filename	Tidak	Nama file untuk set data yang telah difilter (file output `{name}.jsonl`).	`result.jsonl`
Pengaturan Parameter	Watermark Probability	Ya	Probabilitas watermark maksimum. Gambar dengan skor di atas nilai ini akan difilter. Turunkan ambang batas untuk menghapus lebih banyak gambar; naikkan untuk menyimpan lebih banyak.	`0.8`
Execution Tuning	Number of Processes	Tidak	Jumlah proses.	`4`
	Single-node/Multi-node	Tidak	Mode single-node atau multi-node. Nilai bawaan: single-node. Mode multi-node hanya mendukung framework Ray.	single-node
	Select Resource Group	Tidak	Pilih kelompok sumber daya publik atau kuota sumber daya (jika menggunakan mode terdistribusi, Anda harus mengatur parameter sumber daya untuk node head dan node pekerja secara terpisah): Kelompok sumber daya publik: Anda harus memilih tipe instans GPU untuk algoritma. Kuota sumber daya: pilih jumlah GPU, jumlah vCPU, memori (GB), dan memori bersama (GB).	—
	Maximum Running Duration (seconds)	Tidak	Durasi maksimum komponen dapat berjalan. Pekerjaan akan dihentikan jika melebihi batas ini.	—

Penting

Anda harus memilih tipe instans GPU saat mengonfigurasi kelompok sumber daya.