ImageNet in PyTorch

Kauf mir einen Kaffee☕

*Mein Beitrag erklärt ImageNet.

ImageNet() kann den ImageNet-Datensatz wie unten gezeigt verwenden:

*Memos:

• Das 1. Argument ist root(Required-Type:str oder pathlib.Path). *Ein absoluter oder relativer Pfad ist möglich.
• Das 2. Argument ist geteilt(Optional-Default:"train"-Type:str): *Memos:
  • Es kann „train“ (1.281.167 Bilder) oder „val“ (50.000 Bilder) eingestellt werden.
  • „test“ (100.000 Bilder) wird nicht unterstützt, daher habe ich die Funktion auf GitHub angefordert.
• Es gibt ein Transformationsargument (Optional-Default:None-Type:callable). *transform= muss verwendet werden.
• Es gibt das Argument target_transform (Optional-Default:None-Type:callable). – Es gibt ein Transformationsargument (Optional-Default:None-Type:callable). *target_transform= muss verwendet werden.
• Es gibt ein Loader-Argument (Optional-Default:torchvision.datasets.folder.default_loader-Type:callable). *loader= muss verwendet werden.
• Sie müssen den Datensatz (ILSVRC2012_devkit_t12.tar.gz, ILSVRC2012_img_train.tar und ILSVRC2012_img_val.tar) manuell nach data/ herunterladen und dann ImageNet() ausführen, um den Datensatz zu extrahieren und zu laden.
• Über die Beschriftung der Klassen für den Zug- bzw. Validierungsbildindex, Schleie&Tinca tinca(0) sind 0~1299 und 0~49, Goldfisch &Carassius auratus(1) sind 1300~2599 und 50~99, Großer Weißer Hai&Weißer Hai&Menschenfresser&Menschenfressender Hai&Carcharodon carcharias(2) sind 2600~3899 und 100~149, Tigerhai&Galeocerdo cuvieri(3) sind 3900~5199 und 150~199, Hammerhai&Hammerhai (4) sind 5200~6499 und 200~249, Zitterrochen&Kampffisch&Taubfisch&Torpedo(5) sind 6500~7799 und 250~299, Stachelrochen(6) ist 7800~9099 und 250~299, Hahn(7) ist 9100~10399 und 300~349, Henne(8) ist 10400~11699 und 350~399, Strauß&Struthio camelus(9) sind 11700~12999 und 400~449 usw.

from torchvision.datasets import ImageNet
from torchvision.datasets.folder import default_loader

train_data = ImageNet(
    root="data"
)

train_data = ImageNet(
    root="data",
    split="train",
    transform=None,
    target_transform=None,
    loader=default_loader
)

val_data = ImageNet(
    root="data",
    split="val"
)

len(train_data), len(val_data)
# (1281167, 50000)

train_data
# Dataset ImageNet
#     Number of datapoints: 1281167
#     Root location: D:/data
#     Split: train

train_data.root
# 'data'

train_data.split
# 'train'

print(train_data.transform)
# None

print(train_data.target_transform)
# None

train_data.loader
# <function torchvision.datasets.folder.default_loader str> Any>

len(train_data.classes), train_data.classes
# (1000,
#  [('tench', 'Tinca tinca'), ('goldfish', 'Carassius auratus'),
#   ('great white shark', 'white shark', 'man-eater', 'man-eating shark',
#    'Carcharodon carcharias'), ('tiger shark', 'Galeocerdo cuvieri'),
#   ('hammerhead', 'hammerhead shark'), ('electric ray', 'crampfish',
#    'numbfish', 'torpedo'), ('stingray',), ('cock',), ('hen',),
#   ('ostrich', 'Struthio camelus'), ..., ('bolete',), ('ear', 'spike',
#    'capitulum'), ('toilet tissue', 'toilet paper', 'bathroom tissue')])

train_data[0]
# (<pil.image.image image mode="RGB" size="250x250">, 0)

train_data[1]
# (<pil.image.image image mode="RGB" size="200x150">, 0)

train_data[2]
# (<pil.image.image image mode="RGB" size="500x375">, 0)

train_data[1300]
# (<pil.image.image image mode="RGB" size="640x480">, 1)

train_data[2600]
# (<pil.image.image image mode="RGB" size="500x375">, 2)

val_data[0]
# (<pil.image.image image mode="RGB" size="500x375">, 0)

val_data[1]
# (<pil.image.image image mode="RGB" size="500x375">, 0)

val_data[2]
# (<pil.image.image image mode="RGB" size="500x375">, 0)

val_data[50]
# (<pil.image.image image mode="RGB" size="500x500">, 1)

val_data[100]
# (<pil.image.image image mode="RGB" size="679x444">, 2)

import matplotlib.pyplot as plt

def show_images(data, ims, main_title=None):
    plt.figure(figsize=[12, 6])
    plt.suptitle(t=main_title, y=1.0, fontsize=14)
    for i, j in enumerate(iterable=ims, start=1):
        plt.subplot(2, 5, i)
        im, lab = data[j]
        plt.imshow(X=im)
        plt.title(label=lab)
    plt.tight_layout(h_pad=3.0)
    plt.show()

train_ims = [0, 1, 2, 1300, 2600, 3900, 5200, 6500, 7800, 9100]
val_ims = [0, 1, 2, 50, 100, 150, 200, 250, 300, 350]

show_images(data=train_data, ims=train_ims, main_title="train_data")
show_images(data=val_data, ims=val_ims, main_title="val_data")
</pil.image.image></pil.image.image></pil.image.image></pil.image.image></pil.image.image></pil.image.image></pil.image.image></pil.image.image></pil.image.image></pil.image.image></function>

Das obige ist der detaillierte Inhalt vonImageNet in PyTorch. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!