Image Text Matching Filter

Documents

image_text_matching_filter

Image Text Matching Filter is an Agent Skill for documents published in the cas-bigdatalab/piflow repository on GitHub: a SKILL.md instruction file an AI agent can load to do this task.

图像文本匹配过滤器。过滤器将图像和文本之间的匹配分数保持在特定范围内。本SKILL使用依赖data_juicer，请在调用前安装好python环境并安装data_juicer，你可用以下指令进行安装： pip install py-data-juicer 当用户提到图像文本匹配过滤、图片文字匹配度、文图匹配检测、图像文本相关性过滤等需求时使用此skill。

View on GitHub ↗

QUICK START

How to use this skill

Bring this guide into your coding agent with a prompt tailored to the tool you use.

Open your project in Codex.
Copy and paste the prompt below.
Review files and risks before approving any action.

Prompt to paste

Inspect the Agent Skill at https://github.com/cas-bigdatalab/piflow/blob/HEAD/workspace/skills/image_text_matching_filter/SKILL.md and all supporting files. Report provenance, permissions, scripts, dependencies, and security risks. Propose an exact installation into .agents/skills/image-text-matching-filter, but wait for my approval before writing files or running scripts.

Copying this prompt does not install or run the skill. Review third-party files before use.

功能概述

该算子使用BLIP模型计算图像与文本之间的匹配分数，过滤匹配分数在指定范围内的样本。支持多种过滤策略：

any: 任意一个匹配符合条件即保留
all: 所有匹配都符合条件才保留

核心参数

参数	类型	必填	默认值	说明
input_path	string	是	-	输入数据文件路径 (JSON/JSONL格式)
output_path	string	是	-	输出数据文件路径 (JSONL格式)
hf_blip	string	否	'Salesforce/blip-itm-base-coco'	HuggingFace上的BLIP模型
min_score	float	否	0.003	最小匹配分数
max_score	float	否	1.0	最大匹配分数
horizontal_flip	bool	否	False	是否水平翻转图像
vertical_flip	bool	否	False	是否垂直翻转图像
reduce_mode	string	否	'avg'	多图聚合模式：avg/max/min
any_or_all	string	否	'any'	过滤策略：'any' 或 'all'
num_proc	int	否	1	并行处理的进程数

输入数据格式

输入文件应为 JSON 或 JSONL 格式，每行包含一个样本，样本需包含 text 和 images 字段：

{"text": "<image>描述文本", "images": ["/path/to/image1.jpg"]}

注意：文本中需要使用 <image> 标记表示图像位置，如有多张图像可用 <eos> 分隔。

输出数据格式

输出为 JSONL 格式，每行一个符合条件的样本，包含 text 和 images 字段。

使用示例

命令行调用

python scripts/run_image_text_matching_filter.py \
  --input_path /path/to/input.jsonl \
  --output_path /path/to/output.jsonl \
  --min_score 0.003 \
  --max_score 1.0 \
  --reduce_mode avg \
  --any_or_all any

参数说明

--input_path: 输入文件路径
--output_path: 输出文件路径
--hf_blip: BLIP模型（默认：Salesforce/blip-itm-base-coco）
--min_score: 最小匹配分数（默认0.003）
--max_score: 最大匹配分数（默认1.0）
--horizontal_flip: 是否水平翻转图像
--vertical_flip: 是否垂直翻转图像
--reduce_mode: 多图聚合模式，默认avg
--any_or_all: 过滤策略，默认any
--num_proc: 并行进程数，默认1

注意事项

输入文件中的图像路径应为有效且可访问的文件路径
该算子使用BLIP模型计算图像文本匹配分数，首次运行会下载模型
依赖 torch 和 transformers，请确保已安装
处理大量数据时可适当增加 num_proc 提高效率