image-text-similarity-filter

name	image_text_similarity_filter
description	图像文本相似度过滤器。过滤器将图像和文本之间的相似性保持在特定范围内。 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相似度过滤、图片文字相似度、文图相似度检测、图文相关性过滤等需求时使用此skill。
name_zh	图像文本相似度过滤器算子
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_clip","type":"string","required":false,"default":"openai/clip-vit-base-patch32","description":"HuggingFace上的CLIP模型"},{"name":"min_score","type":"float","required":false,"default":0.1,"description":"最小相似度分数"},{"name":"max_score","type":"float","required":false,"default":1,"description":"最大相似度分数"},{"name":"horizontal_flip","type":"bool","required":false,"default":false,"description":"是否水平翻转图像"},{"name":"vertical_flip","type":"bool","required":false,"default":false,"description":"是否垂直翻转图像"},{"name":"reduce_mode","type":"string","required":false,"default":"avg","description":"多图聚合模式（avg/max/min）"},{"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，包含图像文本相似度在指定范围内的样本"}]
tag	数据筛选
publisher	COMMUNITY

功能概述

该算子使用CLIP模型计算图像与文本之间的相似度，过滤相似度在指定范围内的样本。支持多种过滤策略：

• any: 任意一个相似度符合条件即保留
• all: 所有相似度都符合条件才保留

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_clip	string	否	'openai/clip-vit-base-patch32'	HuggingFace上的CLIP模型
min_score	float	否	0.1	最小相似度分数
max_score	float	否	1.0	最大相似度分数
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>a photo of a cat", "images": ["/path/to/cat.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_similarity_filter.py \
  --input_path /path/to/input.jsonl \
  --output_path /path/to/output.jsonl \
  --min_score 0.2 \
  --max_score 0.9 \
  --reduce_mode avg \
  --any_or_all any