image-size-filter

name	image_size_filter
description	图像文件大小过滤器。保留图像大小 (以字节/KB/MB/... 为单位) 在特定范围内的数据样本。 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 当用户提到图像文件大小过滤、图片大小筛选、图像尺寸KB/MB过滤、按文件大小过滤等需求时使用此skill。
name_zh	图像文件大小过滤器算子
input_params	[{"name":"input_path","type":"string","required":true,"description":"输入数据文件路径（JSON/JSONL格式）"},{"name":"output_path","type":"string","required":true,"description":"输出数据文件路径（JSONL格式）"},{"name":"min_size","type":"string","required":false,"default":"0","description":"最小文件大小，支持120kb、1MB、1GB等格式"},{"name":"max_size","type":"string","required":false,"default":"1TB","description":"最大文件大小，支持180KB、1MB等格式"},{"name":"any_or_all","type":"string","required":false,"default":"any","description":"过滤策略（any/all）"},{"name":"num_proc","type":"int","required":false,"default":1,"description":"并行处理的进程数"}]
output_params	[{"name":"output_path","type":"jsonl_file","description":"过滤后的JSONL文件，包含文件大小在指定范围内的样本"}]
tag	数据筛选
publisher	COMMUNITY

功能概述

该算子用于过滤图像文件大小在指定范围内的样本。注意这里是文件大小（字节数），不是图像分辨率。支持多种过滤策略：

• any: 任意一张图像符合条件即保留
• all: 所有图像都符合条件才保留

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)
min_size	string	否	'0'	最小文件大小，支持 120kb, 1MB, 1GB 等格式
max_size	string	否	'1TB'	最大文件大小，支持 180KB, 1MB 等格式
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 images 字段：

{"images": ["/path/to/image1.jpg", "/path/to/image2.jpg"]}

输出数据格式

输出为 JSONL 格式，每行一个符合条件的样本。

使用示例

命令行调用

python scripts/run_image_size_filter.py \
  --input_path /path/to/input.jsonl \
  --output_path /path/to/output.jsonl \
  --min_size 120kb \
  --max_size 180KB \
  --any_or_all any

参数说明

• --input_path: 输入文件路径
• --output_path: 输出文件路径
• --min_size: 最小文件大小，支持 kb, KB, mb, MB, gb, GB 等单位（默认0，无限制）
• --max_size: 最大文件大小（默认1TB，无限制）
• --any_or_all: 过滤策略，默认any
• --num_proc: 并行进程数，默认1

注意事项

1. 输入文件中的图像路径应为有效且可访问的文件路径
2. 该算子直接读取文件大小，不加载图像到内存，效率较高