ImageNet dans PyTorch

Achetez-moi un café☕

*Mon message explique ImageNet.

ImageNet() peut utiliser l'ensemble de données ImageNet comme indiqué ci-dessous :

*Mémos :

• Le 1er argument est root (Required-Type:str ou pathlib.Path). *Un chemin absolu ou relatif est possible.
• Le 2ème argument est split(Optional-Default:"train"-Type:str) : *Mémos :
  • "train" (1 281 167 images) ou "val" (50 000 images) peuvent y être définis.
  • "test" (100 000 images) n'est pas pris en charge, j'ai donc demandé la fonctionnalité sur GitHub.
• Il existe un argument de transformation (Optional-Default:None-Type:callable). *transform= doit être utilisé.
• Il existe un argument target_transform (Optional-Default:None-Type:callable). - Il existe un argument de transformation (Optional-Default:None-Type:callable). *target_transform= doit être utilisé.
• Il existe un argument de chargement (Optional-Default:torchvision.datasets.folder.default_loader-Type:callable). *loader= doit être utilisé.
• Vous devez télécharger manuellement l'ensemble de données (ILSVRC2012_devkit_t12.tar.gz, ILSVRC2012_img_train.tar et ILSVRC2012_img_val.tar dans data/, puis exécuter ImageNet() extrait et charge l'ensemble de données.
• À propos de l'étiquette des classes pour les indices du train et de l'image de validation respectivement, tanche&Tinca tinca(0) sont 0~1299 et 0~49, poisson rouge &Carassius auratus(1) sont 1300~2599 et 50~99, grand requin blanc&requin blanc&mangeur d'hommes&requin mangeur d'hommes&Carcharodon carcharias(2) sont 2600~3899 et 100~149, requin tigre&Galeocerdo cuvieri(3) sont 3900~5199 et 150~199, requin marteau&requin marteau (4) sont 5200~6499 et 200~249, raie électrique&crampfish&poisson engourdi&torpille(5) sont 6500~7799 et 250~ 299, raie pastenague(6) vaut 7800~9099 et 250~299, coq(7) vaut 9100~10399 et 300~349, poule(8) vaut 10400 ~11699 et 350~399, autruche&Struthio camelus(9) sont 11700~12999 et 400~449, etc.

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>

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!