image-watermark-filter

name	image_watermark_filter
description	图像水印过滤器。过滤器以保持其图像没有水印的样本具有高概率。 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 当用户提到图像水印检测、图片无水印过滤、水印去除、检测图片水印等需求时使用此skill。
name_zh	图像水印过滤器算子
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":"hf_watermark_model","type":"string","required":false,"default":"amrul-hzz/watermark_detector","description":"HuggingFace上的水印检测模型"},{"name":"prob_threshold","type":"float","required":false,"default":0.8,"description":"水印概率阈值（0-1之间，低于此值保留）"},{"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，包含无水印或水印概率低于阈值的样本"}]
tag	数据筛选
publisher	COMMUNITY

功能概述

该算子使用水印检测模型判断图像是否包含水印，过滤掉水印概率超过阈值的图像，保留无水印的样本。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)
hf_watermark_model	string	否	'amrul-hzz/watermark_detector'	HuggingFace上的水印检测模型
prob_threshold	float	否	0.8	水印概率阈值（0-1之间，低于此值保留）
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_watermark_filter.py \
  --input_path /path/to/input.jsonl \
  --output_path /path/to/output.jsonl \
  --prob_threshold 0.8 \
  --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_watermark_model: 水印检测模型（默认：amrul-hzz/watermark_detector）
• --prob_threshold: 水印概率阈值（默认0.8，值越低越严格）
• --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