Gestione e ottimizzazione di Dataset LoRa

Il workflow è suddiviso in gruppi, ognuno dedicato a un compito specifico:

• Single Image: Permette di lavorare su una singola immagine, ottimizzando tutti i parametri (risoluzione, scala, posizione, ecc.) per ottenere il miglior risultato possibile.

• Batch Image: Consente di selezionare una cartella e avviare il processo su tutte le immagini al suo interno, automatizzando il flusso di lavoro per interi set di dati.

• Reformat Image: Permette di scegliere la risoluzione dell'immagine e di adattare le foto a quella risoluzione, mantenendo lo sfondo e gli altri dettagli.

• Image Mask: Regola la risoluzione in base alle impostazioni selezionate e crea automaticamente una maschera per l’oggetto, scontornandolo e posizionandolo su uno sfondo monocolore (di default bianco). L'immagine può essere ulteriormente modificata attraverso operazioni di scala, rotazione e spostamenti.

• Rotate Image: Permette di ruotare l'immagine mantenendo la risoluzione impostata, senza scontornare l'oggetto.

• Contrast Image: Consente di modificare il contrasto, la luminosità e la saturazione dell'immagine, con o senza l’applicazione della maschera. Entrambi (contrasto e rotazione) possono essere applicati senza o con maschera.

Questo workflow personalizzato è stato sviluppato per ottimizzare la gestione di dataset destinati al training di modelli LoRA. La sua struttura modulare consente di scegliere tra diverse funzionalità in base alle esigenze specifiche, lavorando sia con immagini singole che con interi batch automatizzati.

Struttura del Workflow

Funzionalità Comuni

Tutti i gruppi del workflow includono le seguenti funzionalità:

• Rinominazione automatica dei file: ogni immagine viene salvata con un nome univoco secondo le regole impostate.

• Creazione automatica delle annotazioni testuali: per ogni immagine viene generato un file di testo (caption) con una descrizione dettagliata.

• Aggiunta automatica di trigger words: è possibile inserire una parola chiave all’inizio di ogni caption per personalizzare il dataset.

Grazie alle sue funzionalità, questo workflow consente di arricchire il dataset in modo semplice ed efficiente:

• Modifica immagini con operazioni di scala, rotazione e contrasto.

• Gestisce l’applicazione e la rimozione dello sfondo, posizionando l’oggetto in un contesto ottimale.

• Automatizza il processo di creazione e annotazione delle immagini, aumentando la varietà del dataset in termini di posizionamento, illuminazione e dettagli visivi.

Arricchimento del Dataset

Una volta completato il dataset, puoi utilizzare il programma che ho sviluppato, LoRa DB Edit per:

• Modificare e correggere rapidamente i file di testo associati alle immagini.

• Verificare e ottimizzare le annotazioni, migliorando così l’efficienza del training del modello.

• Controllare:

  • Il numero totale di immagini presenti nella cartella.

  • La risoluzione delle immagini, per assicurarti che siano tutte coerenti e corrette.

  • La coerenza nei nomi dei file, per evitare errori durante il training.

Puoi trovare maggiori dettagli sul programma LoRa DB Edit visitando il repository GitHub.

LoRa DB Edit

NOTA: La versione 2 di LoraDBEdit è attualmente in fase di sviluppo. Questa nuova release introduce funzionalità avanzate per la gestione e l'ottimizzazione dei dataset, inclusa la possibilità di generare caption in modo ancora più preciso. Puoi vedere un'anteprima delle sue caratteristiche qui.