2603

dataset-Copy1.py

@@ -0,0 +1,372 @@
+# pip install flash-attn --no-build-isolation
+import torch
+import os
+import gc
+import numpy as np
+import random
+import json
+import shutil
+import time
+
+from datasets import Dataset, load_from_disk, concatenate_datasets
+from diffusers import AutoencoderKL,AutoencoderKLWan,AsymmetricAutoencoderKL,AutoencoderKLFlux2
+from torchvision.transforms import Resize, ToTensor, Normalize, Compose, InterpolationMode, Lambda
+from transformers import AutoModel, AutoImageProcessor, AutoTokenizer, AutoModelForCausalLM
+from typing import Dict, List, Tuple, Optional, Any
+from PIL import Image
+from tqdm import tqdm
+from datetime import timedelta
+
+# ---------------- 1️⃣ Настройки ----------------
+dtype = torch.float16
+device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
+batch_size = 5
+min_size = 640 #320 #384 #320 #192 #256 #192
+max_size = 1280 #640 #768 #640 #384 #256 #384
+step = 64
+empty_share = 0.0
+limit = 0
+# Основная процедура обработки
+folder_path = "/workspace/ds" #alchemist"
+save_path = "/workspace/ds1234_flux32" #"alchemist"
+os.makedirs(save_path, exist_ok=True)
+
+# Функция для очистки CUDA памяти
+def clear_cuda_memory():
+    if torch.cuda.is_available():
+        used_gb = torch.cuda.max_memory_allocated() / 1024**3
+        print(f"used_gb: {used_gb:.2f} GB")
+        torch.cuda.empty_cache()
+        gc.collect()
+
+# ---------------- 2️⃣ Загрузка моделей ----------------
+def load_models():
+    print("Загрузка моделей...")
+    #vae = AsymmetricAutoencoderKL.from_pretrained("AiArtLab/sdxs-1b",subfolder="vae",torch_dtype=dtype).to(device).eval()
+    vae = AutoencoderKL.from_pretrained("vae", torch_dtype=dtype).to(device).eval()
+    return vae
+
+vae = load_models()
+
+shift_factor = getattr(vae.config, "shift_factor", 0.0)
+if shift_factor is None:
+    shift_factor = 0.0
+
+scaling_factor = getattr(vae.config, "scaling_factor", 1.0)
+if scaling_factor is None:
+    scaling_factor = 1.0
+    
+mean = getattr(vae.config, "latents_mean", None)
+std = getattr(vae.config, "latents_std", None)
+if mean is not None and std is not None:
+    latents_std = torch.tensor(std, device=device, dtype=dtype).view(1, len(std), 1, 1)
+    latents_mean = torch.tensor(mean, device=device, dtype=dtype).view(1, len(mean), 1, 1)
+    
+# ---------------- 3️⃣ Трансформации ----------------
+def get_image_transform(min_size=256, max_size=512, step=64):
+    def transform(img, dry_run=False):
+        # Сохраняем исходные размеры изображения
+        original_width, original_height = img.size
+
+        # 0. Ресайз: масштабируем изображение, чтобы максимальная сторона была равна max_size
+        if original_width >= original_height:
+            new_width = max_size
+            new_height = int(max_size * original_height / original_width)
+        else:
+            new_height = max_size
+            new_width = int(max_size * original_width / original_height)
+
+        if new_height < min_size or new_width < min_size:
+            # 1. Ресайз: масштабируем изображение, чтобы минимальная сторона была равна min_size
+            if original_width <= original_height:
+                new_width = min_size
+                new_height = int(min_size * original_height / original_width)
+            else:
+                new_height = min_size
+                new_width = int(min_size * original_width / original_height)
+
+        # 2. Проверка: если одна из сторон превышает max_size, готовимся к обрезке
+        crop_width = min(max_size, (new_width // step) * step)
+        crop_height = min(max_size, (new_height // step) * step)
+
+        # Убеждаемся, что размеры обрезки не меньше min_size
+        crop_width = max(min_size, crop_width)
+        crop_height = max(min_size, crop_height)
+        
+        # Если запрошен только предварительный расчёт размеров
+        if dry_run:
+            return crop_width, crop_height
+        
+        # Конвертация в RGB и ресайз
+        img_resized = img.convert("RGB").resize((new_width, new_height), Image.LANCZOS)
+        
+        # Определение координат обрезки (обрезаем с учетом вотермарок - треть сверху)
+        top = (new_height - crop_height) // 3
+        left = 0
+        
+        # Обрезка изображения
+        img_cropped = img_resized.crop((left, top, left + crop_width, top + crop_height))
+        
+        # Сохраняем итоговые размеры после всех преобразований
+        final_width, final_height = img_cropped.size
+        
+        # тензор
+        img_tensor = ToTensor()(img_cropped)
+        img_tensor = Normalize(mean=[0.5, 0.5, 0.5], std=[0.5, 0.5, 0.5])(img_tensor)
+        return img_tensor, img_cropped, final_width, final_height
+
+    return transform
+
+# ---------------- 4️⃣ Функции обработки ----------------
+def clean_label(label):
+    label = label.replace("Image 1", "").replace("Image 2", "").replace("Image 3", "").replace("Image 4", "").replace("The image depicts ","").replace("The image presents ","").replace("The image features ","").replace("The image portrays ","").replace("The image is ","").strip()
+    if label.startswith("."):
+        label = label[1:].lstrip()
+    return label
+
+def process_labels_for_guidance(original_labels, prob_to_make_empty=0.01):
+    """
+    Обрабатывает список меток для classifier-free guidance.
+
+    С вероятностью prob_to_make_empty:
+    - Метка в первом списке заменяется на пустую строку.
+    - К метке во втором списке добавляется префикс "zero:".
+
+    В противном случае метки в обоих списках остаются оригинальными.
+
+    """
+    labels_for_model = []
+    labels_for_logging = []
+
+    for label in original_labels:
+        if random.random() < prob_to_make_empty:
+            labels_for_model.append("")  # Заменяем на пустую строку для модели
+            labels_for_logging.append(f"zero: {label}") # Добавляем префикс для логгирования
+        else:
+            labels_for_model.append(label) # Оставляем оригинальную метку для модели
+            labels_for_logging.append(label) # Оставляем оригинальную метку для логгирования
+
+    return labels_for_model, labels_for_logging
+
+
+def encode_to_latents(images, texts):
+    transform = get_image_transform(min_size, max_size, step)
+    
+    try:
+        # Обработка изображений (все одинакового размера)
+        transformed_tensors = []
+        pil_images = []
+        widths, heights = [], []
+        
+        # Применяем трансформацию ко всем изображениям
+        for img in images:
+            try:
+                t_img, pil_img, w, h = transform(img)
+                transformed_tensors.append(t_img)
+                pil_images.append(pil_img)
+                widths.append(w)
+                heights.append(h)
+            except Exception as e:
+                print(f"Ошибка трансформации: {e}")
+                continue
+
+        if not transformed_tensors:
+            return None
+
+        # Создаём батч
+        batch_tensor = torch.stack(transformed_tensors).to(device, dtype)
+        if batch_tensor.ndim==5:
+            batch_tensor = batch_tensor.unsqueeze(2)  # [B, C, 1, H, W]
+        
+        # Кодируем батч
+        with torch.no_grad():
+            posteriors = vae.encode(batch_tensor).latent_dist.mode()
+            if latents_mean is not None and latents_std is not None:
+                posteriors = (posteriors - latents_mean) / latents_std
+            posteriors = (posteriors - shift_factor) / scaling_factor
+        
+        latents_np = posteriors.to(dtype).cpu().numpy()
+
+        # Обрабатываем тексты
+        text_labels = [clean_label(text) for text in texts]
+
+        model_prompts, text_labels = process_labels_for_guidance(text_labels, empty_share)                
+
+        return {
+            "vae": latents_np,
+            "text": text_labels,
+            "width": widths,
+            "height": heights
+        }
+        
+    except Exception as e:
+        print(f"Критическая ошибка в encode_to_latents: {e}")
+        raise
+        
+
+# ---------------- 5️⃣ Обработка папки с изображениями и текстами ----------------
+def process_folder(folder_path, limit=None):
+    """
+    Рекурсивно обходит указанную директорию и все вложенные директории,
+    собирая пути к изображениям и соответствующим текстовым файлам.
+    """
+    image_paths = []
+    text_paths = []
+    width = []
+    height = []
+    transform = get_image_transform(min_size, max_size, step)
+    
+    # Используем os.walk для рекурсивного обхода директорий
+    for root, dirs, files in os.walk(folder_path):
+        for filename in files:
+            # Проверяем, является ли файл изображением
+            if filename.lower().endswith((".jpg", ".jpeg", ".png")):
+                image_path = os.path.join(root, filename)
+                try:
+                    img = Image.open(image_path)
+                except Exception as e:
+                    print(f"Ошибка при открытии {image_path}: {e}")
+                    os.remove(image_path)
+                    text_path = os.path.splitext(image_path)[0] + ".txt"
+                    if os.path.exists(text_path):
+                        os.remove(text_path)
+                    continue
+                # Применяем трансформацию только для получения размеров
+                w, h = transform(img, dry_run=True)
+                # Формируем путь к текстовому файлу
+                text_path = os.path.splitext(image_path)[0] + ".txt"
+                
+                # Добавляем пути, если текстовый файл существует
+                if os.path.exists(text_path) and min(w, h)>0:
+                    image_paths.append(image_path)
+                    text_paths.append(text_path)
+                    width.append(w)  # Добавляем в список
+                    height.append(h)  # Добавляем в список
+                    
+                    # Проверяем ограничение на количество
+                    if limit and limit>0 and len(image_paths) >= limit:
+                        print(f"Достигнут лимит в {limit} изображений")
+                        return image_paths, text_paths, width, height
+    
+    print(f"Найдено {len(image_paths)} изображений с текстовыми описаниями")
+    return image_paths, text_paths, width, height
+    
+def process_in_chunks(image_paths, text_paths, width, height, chunk_size=10000, batch_size=1):
+    total_files = len(image_paths)
+    start_time = time.time()
+    chunks = range(0, total_files, chunk_size)
+    
+    for chunk_idx, start in enumerate(chunks, 1):
+        end = min(start + chunk_size, total_files)
+        chunk_image_paths = image_paths[start:end]
+        chunk_text_paths = text_paths[start:end]
+        chunk_widths = width[start:end] if isinstance(width, list) else [width] * len(chunk_image_paths)
+        chunk_heights = height[start:end] if isinstance(height, list) else [height] * len(chunk_image_paths)
+        
+        # Чтение текстов
+        chunk_texts = []
+        for text_path in chunk_text_paths:
+            try:
+                with open(text_path, 'r', encoding='utf-8') as f:
+                    text = f.read().strip()
+                chunk_texts.append(text)
+            except Exception as e:
+                print(f"Ошибка чтения {text_path}: {e}")
+                chunk_texts.append("")
+        
+        # Группируем изображения по размерам
+        size_groups = {}
+        for i in range(len(chunk_image_paths)):
+            size_key = (chunk_widths[i], chunk_heights[i])
+            if size_key not in size_groups:
+                size_groups[size_key] = {"image_paths": [], "texts": []}
+            size_groups[size_key]["image_paths"].append(chunk_image_paths[i])
+            size_groups[size_key]["texts"].append(chunk_texts[i])
+        
+        # Обрабатываем каждую группу размеров отдельно
+        for size_key, group_data in size_groups.items():
+            print(f"Обработка группы с размером {size_key[0]}x{size_key[1]} - {len(group_data['image_paths'])} изображений")
+            
+            group_dataset = Dataset.from_dict({
+                "image_path": group_data["image_paths"],
+                "text": group_data["texts"]
+            })
+            
+            # Теперь можно использовать указанный batch_size, т.к. все изображения одного размера
+            processed_group = group_dataset.map(
+                lambda examples: encode_to_latents(
+                    [Image.open(path) for path in examples["image_path"]],
+                    examples["text"]
+                ),
+                batched=True,
+                batch_size=batch_size,
+                #remove_columns=["image_path"],
+                desc=f"Обработка группы размера {size_key[0]}x{size_key[1]}"
+            )
+            
+            # Сохраняем результаты группы
+            group_save_path = f"{save_path}_temp/chunk_{chunk_idx}_size_{size_key[0]}x{size_key[1]}"
+            processed_group.save_to_disk(group_save_path)
+            clear_cuda_memory()
+            elapsed = time.time() - start_time
+            processed = (chunk_idx - 1) * chunk_size + sum([len(sg["image_paths"]) for sg in list(size_groups.values())[:list(size_groups.values()).index(group_data) + 1]])
+            if processed > 0:
+                remaining = (elapsed / processed) * (total_files - processed)
+                elapsed_str = str(timedelta(seconds=int(elapsed)))
+                remaining_str = str(timedelta(seconds=int(remaining)))
+                print(f"ETA: Прошло {elapsed_str}, О��талось {remaining_str}, Прогресс {processed}/{total_files} ({processed/total_files:.1%})")
+
+# ---------------- 7️⃣ Объединение чанков ----------------
+def combine_chunks(temp_path, final_path):
+    """Объединение обработанных чанков в финальный датасет"""
+    chunks = sorted([
+        os.path.join(temp_path, d) 
+        for d in os.listdir(temp_path) 
+        if d.startswith("chunk_")
+    ])
+    
+    datasets = [load_from_disk(chunk) for chunk in chunks]
+    combined = concatenate_datasets(datasets)
+    combined.save_to_disk(final_path)
+    
+    print(f"✅ Датасет успешно сохранен в: {final_path}")
+
+    
+
+# Создаем временную папку для чанков
+temp_path = f"{save_path}_temp"
+os.makedirs(temp_path, exist_ok=True)
+
+# Получаем список файлов
+image_paths, text_paths, width, height = process_folder(folder_path,limit)
+print(f"Всего найдено {len(image_paths)} изображений")
+
+# --- ВСТАВЛЯЕМ ЗДЕСЬ: Сортируем пути и размеры по ширине и высоте ---
+# Создаем список индексов, отсортированных по (width, height)
+#sorted_indices = sorted(range(len(width)), key=lambda i: (width[i], height[i]))
+# Применяем сортировку ко всем спискам
+#image_paths = [image_paths[i] for i in sorted_indices]
+#text_paths = [text_paths[i] for i in sorted_indices]
+#width = [width[i] for i in sorted_indices]
+#height = [height[i] for i in sorted_indices]
+# --- КОНЕЦ ВСТАВКИ ---
+
+# Обработка с чанкованием
+process_in_chunks(image_paths, text_paths, width, height, chunk_size=20000, batch_size=batch_size)
+
+# Удаление  папки
+try:
+    shutil.rmtree(folder_path)
+    print(f"✅ Папка {folder_path} успешно удалена")
+except Exception as e:
+    print(f"⚠️ Ошибка при удалении папки: {e}")
+    
+# Объединение чанков в финальный датасет
+combine_chunks(temp_path, save_path)
+
+# Удаление временной папки
+try:
+    shutil.rmtree(temp_path)
+    print(f"✅ Временная папка {temp_path} успешно удалена")
+except Exception as e:
+    print(f"⚠️ Ошибка при удалении временной папки: {e}")

dataset.py

@@ -17,58 +17,57 @@ from PIL import Image
 from tqdm import tqdm
 from datetime import timedelta
 
+# --- NEW: accelerate ---
+from accelerate import Accelerator
+accelerator = Accelerator()
+device = accelerator.device
+is_main_process = accelerator.is_main_process
+process_index = accelerator.process_index
+num_processes = accelerator.num_processes
+# --- END NEW ---
+
 # ---------------- 1️⃣ Настройки ----------------
 dtype = torch.float16
-device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
 batch_size = 5
-min_size = 640 #320 #384 #320 #192 #256 #192
-max_size = 1280 #640 #768 #640 #384 #256 #384
+min_size = 640
+max_size = 1280
 step = 64
 empty_share = 0.0
 limit = 0
-# Основная процедура обработки
-folder_path = "/workspace/ds" #alchemist"
-save_path = "/workspace/ds1234_flux32" #"alchemist"
+
+folder_path = "/workspace/ds"
+save_path = "/workspace/ds1234_flux32"
 os.makedirs(save_path, exist_ok=True)
 
-# Функция для очистки CUDA памяти
 def clear_cuda_memory():
     if torch.cuda.is_available():
         used_gb = torch.cuda.max_memory_allocated() / 1024**3
-        print(f"used_gb: {used_gb:.2f} GB")
+        print(f"[GPU {process_index}] used_gb: {used_gb:.2f} GB")
         torch.cuda.empty_cache()
         gc.collect()
 
 # ---------------- 2️⃣ Загрузка моделей ----------------
 def load_models():
-    print("Загрузка моделей...")
-    #vae = AsymmetricAutoencoderKL.from_pretrained("AiArtLab/sdxs-1b",subfolder="vae",torch_dtype=dtype).to(device).eval()
+    print(f"[GPU {process_index}] Загрузка моделей...")
     vae = AutoencoderKL.from_pretrained("vae", torch_dtype=dtype).to(device).eval()
     return vae
 
 vae = load_models()
 
-shift_factor = getattr(vae.config, "shift_factor", 0.0)
-if shift_factor is None:
-    shift_factor = 0.0
+shift_factor = getattr(vae.config, "shift_factor", 0.0) or 0.0
+scaling_factor = getattr(vae.config, "scaling_factor", 1.0) or 1.0
 
-scaling_factor = getattr(vae.config, "scaling_factor", 1.0)
-if scaling_factor is None:
-    scaling_factor = 1.0
-    
 mean = getattr(vae.config, "latents_mean", None)
 std = getattr(vae.config, "latents_std", None)
 if mean is not None and std is not None:
     latents_std = torch.tensor(std, device=device, dtype=dtype).view(1, len(std), 1, 1)
     latents_mean = torch.tensor(mean, device=device, dtype=dtype).view(1, len(mean), 1, 1)
-    
+
 # ---------------- 3️⃣ Трансформации ----------------
 def get_image_transform(min_size=256, max_size=512, step=64):
     def transform(img, dry_run=False):
-        # Сохраняем исходные размеры изображения
         original_width, original_height = img.size
 
-        # 0. Ресайз: масштабируем изображение, чтобы максимальная сторона была равна max_size
         if original_width >= original_height:
             new_width = max_size
             new_height = int(max_size * original_height / original_width)
@@ -77,7 +76,6 @@ def get_image_transform(min_size=256, max_size=512, step=64):
             new_width = int(max_size * original_width / original_height)
 
         if new_height < min_size or new_width < min_size:
-            # 1. Ресайз: масштабируем изображение, чтобы минимальная сторона была равна min_size
             if original_width <= original_height:
                 new_width = min_size
                 new_height = int(min_size * original_height / original_width)
@@ -85,288 +83,222 @@ def get_image_transform(min_size=256, max_size=512, step=64):
                 new_height = min_size
                 new_width = int(min_size * original_width / original_height)
 
-        # 2. Проверка: если одна из сторон превышает max_size, готовимся к обрезке
         crop_width = min(max_size, (new_width // step) * step)
         crop_height = min(max_size, (new_height // step) * step)
 
-        # Убеждаемся, что размеры обрезки не меньше min_size
         crop_width = max(min_size, crop_width)
         crop_height = max(min_size, crop_height)
-        
-        # Если запрошен только предварительный расчёт размеров
+
         if dry_run:
             return crop_width, crop_height
-        
-        # Конвертация в RGB и ресайз
+
         img_resized = img.convert("RGB").resize((new_width, new_height), Image.LANCZOS)
-        
-        # Определение координат обрезки (обрезаем с учетом вотермарок - треть сверху)
+
         top = (new_height - crop_height) // 3
         left = 0
-        
-        # Обрезка изображения
+
         img_cropped = img_resized.crop((left, top, left + crop_width, top + crop_height))
-        
-        # Сохраняем итоговые разме��ы после всех преобразований
+
         final_width, final_height = img_cropped.size
-        
-        # тензор
+
         img_tensor = ToTensor()(img_cropped)
-        img_tensor = Normalize(mean=[0.5, 0.5, 0.5], std=[0.5, 0.5, 0.5])(img_tensor)
+        img_tensor = Normalize(mean=[0.5]*3, std=[0.5]*3)(img_tensor)
         return img_tensor, img_cropped, final_width, final_height
 
     return transform
 
 # ---------------- 4️⃣ Функции обработки ----------------
 def clean_label(label):
-    label = label.replace("Image 1", "").replace("Image 2", "").replace("Image 3", "").replace("Image 4", "").replace("The image depicts ","").replace("The image presents ","").replace("The image features ","").replace("The image portrays ","").replace("The image is ","").strip()
+    label = label.replace("Image 1","").replace("Image 2","").replace("Image 3","").replace("Image 4","")
+    label = label.replace("The image depicts ","").replace("The image presents ","")
+    label = label.replace("The image features ","").replace("The image portrays ","").replace("The image is ","").strip()
     if label.startswith("."):
         label = label[1:].lstrip()
     return label
 
 def process_labels_for_guidance(original_labels, prob_to_make_empty=0.01):
-    """
-    Обрабатывает список меток для classifier-free guidance.
-
-    С вероятностью prob_to_make_empty:
-    - Метка в первом списке заменяется на пустую строку.
-    - К метке во втором списке добавляется префикс "zero:".
-
-    В противном случае метки в обоих списках остаются оригинальными.
-
-    """
     labels_for_model = []
     labels_for_logging = []
 
     for label in original_labels:
         if random.random() < prob_to_make_empty:
-            labels_for_model.append("")  # Заменяем на пустую строку для модели
-            labels_for_logging.append(f"zero: {label}") # Добавляем префикс для логгирования
+            labels_for_model.append("")
+            labels_for_logging.append(f"zero: {label}")
         else:
-            labels_for_model.append(label) # Оставляем оригинальную метку для модели
-            labels_for_logging.append(label) # Оставляем оригинальную метку для логгирования
+            labels_for_model.append(label)
+            labels_for_logging.append(label)
 
     return labels_for_model, labels_for_logging
 
-
 def encode_to_latents(images, texts):
     transform = get_image_transform(min_size, max_size, step)
     
-    try:
-        # Обработка изображений (все одинакового размера)
-        transformed_tensors = []
-        pil_images = []
-        widths, heights = [], []
-        
-        # Применяем трансформацию ко всем изображениям
-        for img in images:
-            try:
-                t_img, pil_img, w, h = transform(img)
-                transformed_tensors.append(t_img)
-                pil_images.append(pil_img)
-                widths.append(w)
-                heights.append(h)
-            except Exception as e:
-                print(f"Ошибка трансформации: {e}")
-                continue
-
-        if not transformed_tensors:
-            return None
-
-        # Создаём батч
-        batch_tensor = torch.stack(transformed_tensors).to(device, dtype)
-        if batch_tensor.ndim==5:
-            batch_tensor = batch_tensor.unsqueeze(2)  # [B, C, 1, H, W]
-        
-        # Кодируем батч
-        with torch.no_grad():
-            posteriors = vae.encode(batch_tensor).latent_dist.mode()
-            if latents_mean is not None and latents_std is not None:
-                posteriors = (posteriors - latents_mean) / latents_std
-            posteriors = (posteriors - shift_factor) / scaling_factor
-        
-        latents_np = posteriors.to(dtype).cpu().numpy()
-
-        # Обрабатываем тексты
-        text_labels = [clean_label(text) for text in texts]
-
-        model_prompts, text_labels = process_labels_for_guidance(text_labels, empty_share)                
-
-        return {
-            "vae": latents_np,
-            "text": text_labels,
-            "width": widths,
-            "height": heights
-        }
-        
-    except Exception as e:
-        print(f"Критическая ошибка в encode_to_latents: {e}")
-        raise
-        
-
-# ---------------- 5️⃣ Обработка папки с изображениями и текстами ----------------
+    transformed_tensors = []
+    widths, heights = [], []
+
+    for img in images:
+        try:
+            t_img, _, w, h = transform(img)
+            transformed_tensors.append(t_img)
+            widths.append(w)
+            heights.append(h)
+        except Exception as e:
+            print(f"Ошибка трансформации: {e}")
+
+    if not transformed_tensors:
+        return None
+
+    batch_tensor = torch.stack(transformed_tensors).to(device, dtype)
+
+    if batch_tensor.ndim==5:
+        batch_tensor = batch_tensor.unsqueeze(2)
+
+    with torch.no_grad():
+        posteriors = vae.encode(batch_tensor).latent_dist.mode()
+        if mean is not None and std is not None:
+            posteriors = (posteriors - latents_mean) / latents_std
+        posteriors = (posteriors - shift_factor) / scaling_factor
+
+    latents_np = posteriors.cpu().numpy()
+
+    text_labels = [clean_label(text) for text in texts]
+    _, text_labels = process_labels_for_guidance(text_labels, empty_share)
+
+    return {
+        "vae": latents_np,
+        "text": text_labels,
+        "width": widths,
+        "height": heights
+    }
+
+# ---------------- 5️⃣ Обработка папки ----------------
 def process_folder(folder_path, limit=None):
-    """
-    Рекурсивно обходит указанную директорию и все вложенные директории,
-    собирая пути к изображениям и соответствующим текстовым файлам.
-    """
-    image_paths = []
-    text_paths = []
-    width = []
-    height = []
+    image_paths, text_paths, width, height = [], [], [], []
     transform = get_image_transform(min_size, max_size, step)
-    
-    # Используем os.walk для рекурсивного обхода директорий
-    for root, dirs, files in os.walk(folder_path):
+
+    for root, _, files in os.walk(folder_path):
         for filename in files:
-            # Проверяем, является ли файл изображением
-            if filename.lower().endswith((".jpg", ".jpeg", ".png")):
+            if filename.lower().endswith((".jpg",".jpeg",".png")):
                 image_path = os.path.join(root, filename)
                 try:
                     img = Image.open(image_path)
-                except Exception as e:
-                    print(f"Ошибка при открытии {image_path}: {e}")
-                    os.remove(image_path)
-                    text_path = os.path.splitext(image_path)[0] + ".txt"
-                    if os.path.exists(text_path):
-                        os.remove(text_path)
+                except:
                     continue
-                # Применяем трансформацию только для получения размеров
-                w, h = transform(img, dry_run=True)
-                # Формируем путь к текстовому файлу
-                text_path = os.path.splitext(image_path)[0] + ".txt"
-                
-                # Добавляем пути, если текстовый файл существует
-                if os.path.exists(text_path) and min(w, h)>0:
+
+                w,h = transform(img, dry_run=True)
+                text_path = os.path.splitext(image_path)[0]+".txt"
+
+                if os.path.exists(text_path):
                     image_paths.append(image_path)
                     text_paths.append(text_path)
-                    width.append(w)  # Добавляем в список
-                    height.append(h)  # Добавляем в список
-                    
-                    # Проверяем ограничение на количество
-                    if limit and limit>0 and len(image_paths) >= limit:
-                        print(f"Достигнут лимит в {limit} изображений")
-                        return image_paths, text_paths, width, height
-    
-    print(f"Найдено {len(image_paths)} изображений с текстовыми описаниями")
+                    width.append(w)
+                    height.append(h)
+
+    print(f"Найдено {len(image_paths)} изображений")
     return image_paths, text_paths, width, height
-    
+
 def process_in_chunks(image_paths, text_paths, width, height, chunk_size=10000, batch_size=1):
     total_files = len(image_paths)
     start_time = time.time()
-    chunks = range(0, total_files, chunk_size)
-    
-    for chunk_idx, start in enumerate(chunks, 1):
-        end = min(start + chunk_size, total_files)
+
+    for chunk_idx, start in enumerate(range(0,total_files,chunk_size),1):
+        end = min(start+chunk_size,total_files)
+
         chunk_image_paths = image_paths[start:end]
         chunk_text_paths = text_paths[start:end]
-        chunk_widths = width[start:end] if isinstance(width, list) else [width] * len(chunk_image_paths)
-        chunk_heights = height[start:end] if isinstance(height, list) else [height] * len(chunk_image_paths)
-        
-        # Чтение текстов
+        chunk_widths = width[start:end]
+        chunk_heights = height[start:end]
+
         chunk_texts = []
         for text_path in chunk_text_paths:
             try:
-                with open(text_path, 'r', encoding='utf-8') as f:
-                    text = f.read().strip()
-                chunk_texts.append(text)
-            except Exception as e:
-                print(f"Ошибка чтения {text_path}: {e}")
+                with open(text_path,'r',encoding='utf-8') as f:
+                    chunk_texts.append(f.read().strip())
+            except:
                 chunk_texts.append("")
-        
-        # Группируем изображения по размерам
+
         size_groups = {}
         for i in range(len(chunk_image_paths)):
-            size_key = (chunk_widths[i], chunk_heights[i])
-            if size_key not in size_groups:
-                size_groups[size_key] = {"image_paths": [], "texts": []}
-            size_groups[size_key]["image_paths"].append(chunk_image_paths[i])
-            size_groups[size_key]["texts"].append(chunk_texts[i])
-        
-        # Обрабатываем каждую группу размеров отдельно
-        for size_key, group_data in size_groups.items():
-            print(f"Обработка группы с размером {size_key[0]}x{size_key[1]} - {len(group_data['image_paths'])} изображений")
-            
-            group_dataset = Dataset.from_dict({
-                "image_path": group_data["image_paths"],
-                "text": group_data["texts"]
-            })
-            
-            # Теперь можно использовать указанный batch_size, т.к. все изображения одного размера
+            key=(chunk_widths[i],chunk_heights[i])
+            size_groups.setdefault(key,{"image_paths":[],"texts":[]})
+            size_groups[key]["image_paths"].append(chunk_image_paths[i])
+            size_groups[key]["texts"].append(chunk_texts[i])
+
+        for size_key,group_data in size_groups.items():
+            group_dataset = Dataset.from_dict(group_data)
+
             processed_group = group_dataset.map(
-                lambda examples: encode_to_latents(
-                    [Image.open(path) for path in examples["image_path"]],
-                    examples["text"]
+                lambda ex: encode_to_latents(
+                    [Image.open(p) for p in ex["image_paths"]],
+                    ex["texts"]
                 ),
                 batched=True,
                 batch_size=batch_size,
-                #remove_columns=["image_path"],
-                desc=f"Обработка группы размера {size_key[0]}x{size_key[1]}"
             )
-            
-            # Сохраняем результаты группы
-            group_save_path = f"{save_path}_temp/chunk_{chunk_idx}_size_{size_key[0]}x{size_key[1]}"
+
+            # --- NEW: уникальный путь ---
+            group_save_path = f"{save_path}_temp/proc_{process_index}_chunk_{chunk_idx}_{size_key[0]}x{size_key[1]}"
+            # --- END NEW ---
+
             processed_group.save_to_disk(group_save_path)
             clear_cuda_memory()
-            elapsed = time.time() - start_time
-            processed = (chunk_idx - 1) * chunk_size + sum([len(sg["image_paths"]) for sg in list(size_groups.values())[:list(size_groups.values()).index(group_data) + 1]])
-            if processed > 0:
-                remaining = (elapsed / processed) * (total_files - processed)
-                elapsed_str = str(timedelta(seconds=int(elapsed)))
-                remaining_str = str(timedelta(seconds=int(remaining)))
-                print(f"ETA: Прошло {elapsed_str}, Осталось {remaining_str}, Прогресс {processed}/{total_files} ({processed/total_files:.1%})")
-
-# ---------------- 7️⃣ Объединение чанков ----------------
+
+# ---------------- 7️⃣ Объединение ----------------
 def combine_chunks(temp_path, final_path):
-    """Объединение обработанных чанков в финальный датасет"""
     chunks = sorted([
-        os.path.join(temp_path, d) 
-        for d in os.listdir(temp_path) 
-        if d.startswith("chunk_")
+        os.path.join(temp_path,d)
+        for d in os.listdir(temp_path)
+        if "chunk_" in d
     ])
-    
-    datasets = [load_from_disk(chunk) for chunk in chunks]
+
+    datasets = [load_from_disk(c) for c in chunks]
     combined = concatenate_datasets(datasets)
     combined.save_to_disk(final_path)
-    
-    print(f"✅ Датасет успешно сохранен в: {final_path}")
 
-    
+    print("✅ Сохранено")
 
-# Создаем временную папку для чанков
+# ---------------- MAIN ----------------
 temp_path = f"{save_path}_temp"
 os.makedirs(temp_path, exist_ok=True)
 
-# Получаем список файлов
 image_paths, text_paths, width, height = process_folder(folder_path,limit)
-print(f"Всего найдено {len(image_paths)} изображений")
-
-# --- ВСТАВЛЯЕМ ЗДЕСЬ: Сортируем пути и размеры по ширине и выс��те ---
-# Создаем список индексов, отсортированных по (width, height)
-#sorted_indices = sorted(range(len(width)), key=lambda i: (width[i], height[i]))
-# Применяем сортировку ко всем спискам
-#image_paths = [image_paths[i] for i in sorted_indices]
-#text_paths = [text_paths[i] for i in sorted_indices]
-#width = [width[i] for i in sorted_indices]
-#height = [height[i] for i in sorted_indices]
-# --- КОНЕЦ ВСТАВКИ ---
-
-# Обработка с чанкованием
+
+# сортировка
+sorted_indices = sorted(range(len(width)), key=lambda i:(width[i],height[i]))
+image_paths = [image_paths[i] for i in sorted_indices]
+text_paths = [text_paths[i] for i in sorted_indices]
+width = [width[i] for i in sorted_indices]
+height = [height[i] for i in sorted_indices]
+
+# --- NEW: shard по GPU ---
+indices = list(range(len(image_paths)))
+indices = indices[process_index::num_processes]
+
+image_paths = [image_paths[i] for i in indices]
+text_paths = [text_paths[i] for i in indices]
+width = [width[i] for i in indices]
+height = [height[i] for i in indices]
+
+print(f"[GPU {process_index}] обрабатывает {len(image_paths)} файлов")
+# --- END NEW ---
+
 process_in_chunks(image_paths, text_paths, width, height, chunk_size=20000, batch_size=batch_size)
 
-# Удаление  папки
-try:
-    shutil.rmtree(folder_path)
-    print(f"✅ Папка {folder_path} успешно удалена")
-except Exception as e:
-    print(f"⚠️ Ошибка при удалении папки: {e}")
-    
-# Объединение чанков в финальный датасет
-combine_chunks(temp_path, save_path)
-
-# Удаление временной папки
-try:
-    shutil.rmtree(temp_path)
-    print(f"✅ Временная папка {temp_path} успешно удалена")
-except Exception as e:
-    print(f"⚠️ Ошибка при удалении временной папки: {e}")
+# --- NEW: sync ---
+accelerator.wait_for_everyone()
+# --- END NEW ---
+
+# --- NEW: только главный процесс ---
+if is_main_process:
+    try:
+        shutil.rmtree(folder_path)
+    except:
+        pass
+
+    combine_chunks(temp_path, save_path)
+
+    try:
+        shutil.rmtree(temp_path)
+    except:
+        pass
+# --- END NEW ---

test.ipynb

@@ -1,3 +1,3 @@
 version https://git-lfs.github.com/spec/v1
-oid sha256:592f4c59a4461090985d36a73aa7a850e2beb68ec877082e485109ff6ba269e6
-size 6476106
+oid sha256:faf7be1e5cdebb1b6183b35157a275dff605c4a03ade67a19da702b683b658c7
+size 5815496

unet/diffusion_pytorch_model.safetensors

@@ -1,3 +1,3 @@
 version https://git-lfs.github.com/spec/v1
-oid sha256:b280a02aebcc8e79ad91a46da4a7d968041dadb89c3c8bf068d26a5432b4df9f
+oid sha256:de4e90a0bfd3a0448c78356a6e727f406e56f8517dbd2dc2d448a69b139fb9b3
 size 6318956752