PyTorch の花

コーヒー買ってきて☕

*私の投稿ではオックスフォード 102 フラワーについて説明しています。

Fflowers102() は、以下に示すように Oxford 102 Flower データセットを使用できます。

*メモ:

• 最初の引数は root(Required-Type:str または pathlib.Path) です。 *絶対パスまたは相対パスが可能です。
• 2番目の引数はsplit(Optional-Default:"train"-Type:str)です。 ※「train」(1,020枚)、「val」(1,020枚)、「test」(6,149枚)が設定可能です。
• 3 番目の引数は、transform(Optional-Default:None-Type:callable) です。
• 4 番目の引数は target_transform(Optional-Default:None-Type:callable) です。
• 5 番目の引数は download(Optional-Default:False-Type:bool) です。 *メモ:
  • True の場合、データセットはインターネットからダウンロードされ、ルートに抽出 (解凍) されます。
  • これが True で、データセットが既にダウンロードされている場合、データセットは抽出されます。
  • これが True で、データセットがすでにダウンロードされ抽出されている場合は、何も起こりません。
  • データセットがすでにダウンロードされ抽出されている場合は、その方が高速であるため、False にする必要があります。
  • ここから data/flowers-102/ にデータセット (imagelabels.mat と setid.matff を含む 102flowers.tgz) を手動でダウンロードして抽出できます。
• 電車と検証画像のインデックスのカテゴリ(クラス)のラベルについて、0は0～9、1は10～19、2は20～29、3は30～39、4は40～49、 5は50～59、6は60～69、7は70～79、8は80～89、9は90~99など
• テスト画像のインデックスのカテゴリ(クラス)のラベルについて、0は0~19、1は20~59、2は60~79、3は80~115、4は116~160、5は161～185、6は186～205、7は206～270、8は271～296、9は297～321など。

from torchvision.datasets import Flowers102

train_data = Flowers102(
    root="data"
)

train_data = Flowers102(
    root="data",
    split="train",
    transform=None,
    target_transform=None,
    download=False
)

val_data = Flowers102(
    root="data",
    split="val"
)

test_data = Flowers102(
    root="data",
    split="test"
)

len(train_data), len(val_data), len(test_data)
# (1020, 1020, 6149)

train_data
# Dataset Flowers102
#     Number of datapoints: 1020
#     Root location: data
#     split=train

train_data.root
# 'data'

train_data._split
# 'train'

print(train_data.transform)
# None

print(train_data.target_transform)
# None

train_data.download
# <bound method flowers102.download of dataset flowers102 number datapoints: root location: data split="train">

len(set(train_data._labels)), train_data._labels
# (102,
#  [0, 0, 0, ..., 1, ..., 2, ..., 3, ..., 4, ..., 5, ..., 6, ..., 101])

train_data[0]
# (<pil.image.image image mode="RGB" size="754x500">, 0)

train_data[1]
# (<pil.image.image image mode="RGB" size="624x500">, 0)

train_data[2]
# (<pil.image.image image mode="RGB" size="667x500">, 0)

train_data[10]
# (<pil.image.image image mode="RGB" size="500x682">, 1)

train_data[20]
# (<pil.image.image image mode="RGB" size="667x500">, 2)

val_data[0]
# (<pil.image.image image mode="RGB" size="606x500">, 0)

val_data[1]
# (<pil.image.image image mode="RGB" size="667x500">, 0)

val_data[2]
# (<pil.image.image image mode="RGB" size="500x628">, 0)

val_data[10]
# (<pil.image.image image mode="RGB" size="500x766">, 1)

val_data[20]
# (<pil.image.image image mode="RGB" size="624x500">, 2)

test_data[0]
# (<pil.image.image image mode="RGB" size="523x500">, 0)

test_data[1]
# (<pil.image.image image mode="RGB" size="666x500">, 0)

test_data[2]
# (<pil.image.image image mode="RGB" size="595x500">, 0)

test_data[20]
# (<pil.image.image image mode="RGB" size="500x578">, 1)

test_data[60]
# (<pil.image.image image mode="RGB" size="500x625">, 2)

import matplotlib.pyplot as plt

def show_images(data, ims, main_title=None):
    plt.figure(figsize=(10, 5))
    plt.suptitle(t=main_title, y=1.0, fontsize=14)
    for i, j in enumerate(ims, start=1):
        plt.subplot(2, 5, i)
        im, lab = data[j]
        plt.imshow(X=im)
        plt.title(label=lab)
    plt.tight_layout()
    plt.show()

train_ims = (0, 1, 2, 10, 20, 30, 40, 50, 60, 70)
val_ims = (0, 1, 2, 10, 20, 30, 40, 50, 60, 70)
test_ims = (0, 1, 2, 20, 60, 80, 116, 161, 186, 206)

show_images(data=train_data, ims=train_ims, main_title="train_data")
show_images(data=train_data, ims=val_ims, main_title="val_data")
show_images(data=test_data, ims=test_ims, main_title="test_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></pil.image.image></pil.image.image></pil.image.image></pil.image.image></pil.image.image></bound>

以上がPyTorch の花の詳細内容です。詳細については、PHP 中国語 Web サイトの他の関連記事を参照してください。