数据集使用指南 | GitCode AI 社区帮助文档

GitCode AI 社区文档

数据集

数据集使用指南

GitCode AI 社区提供了全面的数据集管理功能，帮助您轻松创建、分享和使用高质量数据集。本指南将介绍数据集相关的主要操作。

数据集创建

创建新数据集

登录您的 GitCode AI 账号
进入"数据集" > “创建数据集”
填写数据集信息：
- 数据集ID
- 数据集名称
- 选择LICENSE模板
- 选择是否公开
选择LICENSE模板：
- PyTorchCreative Commons Attribution Non Commercial 3.0
- Creative Commons Attribution Non Commercial No IDerivatives 3.0
- Creative Commons Attribution Non Commercial Share Alike 2.0
- Creative Commons Attribution Non Commercial Share Alike 3.0
- H Research License
- Open Model, Data & Weights License Agreement
- Unknown
点击"创建数据集"完成

数据集配置

创建 dataset-config.yaml 文件来定义数据集结构：

dataset-name: my-awesome-dataset
version: 1.0.0
type: image-classification
format: 
  - jpg
  - png
structure:
  train: train/
  validation: val/
  test: test/
labels:
  path: labels.csv
  format: csv

数据集搜索

基本搜索

在搜索框输入关键词
使用过滤条件：
- 综合排序
- 最受欢迎
- 最多下载
- 最新创建
- 最近更新

高级搜索

支持以下搜索语法：

type:image - 按数据类型搜索
size:>1GB - 按数据集大小搜索
license:MIT - 按许可证搜索
language:chinese - 按数据集语言搜索

数据集下载

进入数据集详情页
点击"克隆"按钮
复制项目地址
克隆到本地
使用 HTTPS 协议时，请配置并使用个人访问令牌替代登录密码进行克隆、推送等操作
使用 SSH 协议时，请在本地生成 SSH 公钥进行克隆、推送等操作

命令行下载

# 安装 GitCode CLI
pip install gitcode

# 下载完整数据集
gitcode download-dataset username/dataset-name

# 下载特定版本
gitcode download-dataset username/dataset-name --version v1.0.0

# 下载部分数据
gitcode download-dataset username/dataset-name --split train

数据集使用

openMind

# 需要先安装openmind-hub
pip install openmind-hub

# 设置环境变量：
import os
os.environ["OPENMIND_HUB_ENDPOINT"] = "https://api.gitcode.com"

# 下载数据集
from openmind_hub import snapshot_download

# 在配置并使用个人访问令牌申请访问令牌
token = ""

# 如果没有指定local_dir，请在~/.cache/openmind 下进行查看
snapshot_download("BAAI/Infinity-Instruct",  local_dir = './Infinity-Instruct',token = token )

数据集版本控制

# 加载特定版本
dataset_v1 = load_dataset("username/dataset-name"， version="1.0.0")

# 查看版本历史
dataset.version_history()

# 创建新版本
dataset.create_version("1.1.0"， description="Added new samples")

最佳实践

数据质量控制
- 进行数据清洗
- 检查数据完整性
- 标注质量验证
数据集文档
- 详细的数据描述
- 数据收集方法
- 使用限制说明
- 隐私考虑
版本管理
- 语义化版本号
- 更新日志
- 变更说明
数据安全
- 数据脱敏
- 访问权限控制
- 合规性检查

常见问题

Q: 如何处理大型数据集？ A: 可以使用流式加载或分片下载功能，避免一次性加载全部数据。

Q: 支持哪些数据格式？ A: 支持常见的数据格式，如 CSV、JSON、图片、音频等，详见文档。

Q: 如何贡献数据？ A: 您可以通过数据集更新功能提交新数据，或创建数据集分支进行协作。

Q: 数据集的存储限制是多少？ A: 免费账户可以创建最大 10GB 的数据集，高级账户有更大的存储限制。

← 数据集卡片