# 创建用于训练的数据集

[Hub](https://huggingface.co/datasets?task_categories=task_categories:text-to-image&sort=downloads) 上有许多可用于训练模型的数据集，但如果您找不到感兴趣的数据集，或者想使用自己的数据，可以使用 🤗 [Datasets](https://huggingface.co/docs/datasets) 库来创建数据集。数据集的结构取决于您希望训练模型执行的任务。最基本的数据集结构是一个包含图像的目录，适用于无条件图像生成等任务。另一种数据集结构可能是一个包含图像的目录，以及一个包含对应文本描述的文本文件，适用于文本到图像生成等任务。

本指南将向你展示创建用于微调的数据集的两种方法：

- 将包含图像的文件夹提供给 `--train_data_dir` 参数
- 将数据集上传到 Hub，并将数据集仓库 ID 传递给 `--dataset_name` 参数

> [!TIP]
> 💡 有关如何创建用于训练的图片数据集，请参阅 [创建图片数据集](https://huggingface.co/docs/datasets/image_dataset) 指南。

## 以文件夹形式提供数据集

对于无条件生成，您可以提供一个包含图像的文件夹作为自己的数据集。训练脚本使用 🤗 Datasets 中的 [`ImageFolder`](https://huggingface.co/docs/datasets/en/image_dataset#imagefolder) builder 来自动从该文件夹构建数据集。您的目录结构应如下所示：

```bash
data_dir/xxx.png
data_dir/xxy.png
data_dir/[...]/xxz.png
```

将数据集目录的路径传递给 `--train_data_dir` 参数，然后即可开始训练：

```bash
accelerate launch train_unconditional.py \
    --train_data_dir <path-to-train-directory> \
    <other-arguments>
```

## 将您的数据上传到 Hub

> [!TIP]
> 💡 有关在 Hub 上创建和上传数据集的更多详细信息和背景，请参阅 [使用 🤗 Datasets 进行图像搜索](https://huggingface.co/blog/image-search-datasets) 文章。

首先，使用 [`ImageFolder`](https://huggingface.co/docs/datasets/image_load#imagefolder) 功能创建一个数据集，该功能会创建一个包含 PIL 编码图像的 `image` 列。

您可以使用 `data_dir` 或 `data_files` 参数来指定数据集的位置。`data_files` 参数支持将特定文件映射到 `train` 或 `test` 等数据集拆分：

```python
from datasets import load_dataset

# example 1: local folder
dataset = load_dataset("imagefolder", data_dir="path_to_your_folder")

# example 2: local files (supported formats are tar, gzip, zip, xz, rar, zstd)
dataset = load_dataset("imagefolder", data_files="path_to_zip_file")

# example 3: remote files (supported formats are tar, gzip, zip, xz, rar, zstd)
dataset = load_dataset(
    "imagefolder",
    data_files="https://download.microsoft.com/download/3/E/1/3E1C3F21-ECDB-4869-8368-6DEBA77B919F/kagglecatsanddogs_3367a.zip",
)

# example 4: providing several splits
dataset = load_dataset(
    "imagefolder", data_files={"train": ["path/to/file1", "path/to/file2"], "test": ["path/to/file3", "path/to/file4"]}
)
```

然后使用 [push_to_hub](https://huggingface.co/docs/datasets/main/en/package_reference/main_classes#datasets.Dataset.push_to_hub) 方法将数据集上传到 Hub：

```python
# assuming you have ran the hf auth login command in a terminal
dataset.push_to_hub("name_of_your_dataset")

# if you want to push to a private repo, simply pass private=True:
dataset.push_to_hub("name_of_your_dataset", private=True)
```

现在，只需将数据集名称传递给 `--dataset_name` 参数，即可使用该数据集进行训练：

```bash
accelerate launch --mixed_precision="fp16"  train_text_to_image.py \
  --pretrained_model_name_or_path="stable-diffusion-v1-5/stable-diffusion-v1-5" \
  --dataset_name="name_of_your_dataset" \
  <other-arguments>
```

## 后续步骤

现在，您已经创建了一个数据集，可以将其传入训练脚本的 `train_data_dir`（如果数据集是本地文件）或 `dataset_name`（如果数据集在 Hub 上）参数中。

作为下一步，您可以尝试使用自己的数据集来训练一个用于[无条件生成](unconditional_training)或[文本到图像生成](text2image)的模型！