训练数据shards和huggingface数据集在线预览
[2025年12月更新：添加了Zenodo数据在线预览功能]
最近从WebDataset切换到LitData，LitData是PyTorch Lightning同公司开发的，刚发布的时候我就尝试过，当时bug比较多就放弃了。经过一年多的迭代，已经非常强大。而且它和PyTorch Lightning框架解耦，可以单独在任意训练/推理pipeline中使用。支持读取多种shards：LitData格式、HF Parquet格式、MosaicML格式，还可以通过StreamingRawDataset直接在原始数据上实现流式。
相对WebDataset的tar分片文件，LitData的缺点是打包生成的bin分片（有时还是 zstd 压缩）可读性差，无法像tar文件那样直接读取内容。这些.bin内部有完整结构，但没有任何文件名和目录概念，也没有现成的CLI用眼睛检查一下数据。在调试数据预处理、排查label错误或查看某个样本的实际图片/音频时，这种看不见摸不着的感觉非常影响效率。
我开源了一个工具Dataset Inspector，一个专门用来查看训练数据shards的桌面工具。
LitData 的分片结构
下面介绍 LitData 的数据分片格式，以及 Inspector 是如何读取这些数据的。
index.json 文件
index.json 是 LitData 的核心配置文件，它包含：
数据配置信息 (config)
- compression：压缩方式，通常是null或zstd
- chunk_size：每个分片文件包含多少条数据
- chunk_bytes：每个分片文件的目标大小
- data_format：数组，说明每条数据有哪些字段
- data_spec：字段的含义说明
分片列表 (chunks)，每个分片包含：
- filename：文件名（如
0.bin） - chunk_bytes：文件大小
- chunk_size：包含多少条数据
- dim：tensor 的维度信息（部分场景使用）
- filename：文件名（如
.bin 文件的内部结构
一个未压缩的 LitData 分片文件结构是这样的：
u32 num_items // 数据条数 N
u32 offsets[num_items + 1] // N+1 个位置信息
// 每条数据 i (0 到 N-1)：
u32 field_sizes[字段数量] // 每个字段的大小
u8 字段_0[field_sizes[0]]
u8 字段_1[field_sizes[1]]
...
u8 字段_k[field_sizes[k-1]]如果文件是用 zstd 压缩的，文件后缀是 .bin.zst，整个文件都是压缩的。无法直接跳到某个位置，所以 Inspector 的做法是：第一次打开文件时，把整个文件解压到内存，保存在缓存里。之后的所有操作都在内存中进行，如果文件没有压缩，可以直接跳到任意位置读取，不需要全部加载到内存。
判断文件类型和打开方式
为了能够让 Inspector 直接打开.bin文件中的数据，比如用Adobe Audition打开某个.wav文件。我添加了自动文件类型识别，并根据识别的文件类型，使用系统默认的程序打开。
文件类型识别
首先，根据 data_format 确定每条数据包含几个字段，再推断文件扩展名：
常见类型直接映射：
png → .png、jpeg/jpg → .jpg、str/string → .txt等复杂格式解析：
some.custom.ext取最后一段检查文件内容特征：当 data_format 为
bytes或bin时，通过检测文件头特征（如 RIFF、WAVE、ID3、fLaC）或文本解析来判断实际类型
通过默认程序打开
选中字段后，可以在预览区查看内容，双击字段会自动生成临时文件保存在 /tmp 目录下，并使用系统默认的应用程序打开这个字段的数据。