커피 한잔 사주세요😄
*제 포스팅은 MS COCO에 대한 설명입니다.
CocoDetection()은 아래와 같이 MS COCO 데이터 세트를 사용할 수 있습니다.
*메모:
- 첫 번째 인수는 루트(필수 유형:str 또는 pathlib.Path)입니다.
*메모:
- 이미지로 가는 길입니다.
- 절대경로, 상대경로 모두 가능합니다.
- 두 번째 인수는 annFile(Required-Type:str 또는 pathlib.Path)입니다.
*메모:
- 주석으로 가는 길입니다.
- 절대경로, 상대경로 모두 가능합니다.
- 세 번째 인수는 변환(Optional-Default:None-Type:callable)입니다.
- 네 번째 인수는 target_transform(Optional-Default:None-Type:callable)입니다.
- 5번째 인수는 변환(Optional-Default:None-Type:callable)입니다.
from torchvision.datasets import CocoDetection
cap_train2014_data = CocoDetection(
root="data/coco/imgs/train2014",
annFile="data/coco/anns/trainval2014/captions_train2014.json"
)
cap_train2014_data = CocoDetection(
root="data/coco/imgs/train2014",
annFile="data/coco/anns/trainval2014/captions_train2014.json",
transform=None,
target_transform=None,
transforms=None
)
ins_train2014_data = CocoDetection(
root="data/coco/imgs/train2014",
annFile="data/coco/anns/trainval2014/instances_train2014.json"
)
pk_train2014_data = CocoDetection(
root="data/coco/imgs/train2014",
annFile="data/coco/anns/trainval2014/person_keypoints_train2014.json"
)
len(cap_train2014_data), len(ins_train2014_data), len(pk_train2014_data)
# (82783, 82783, 82783)
cap_val2014_data = CocoDetection(
root="data/coco/imgs/val2014",
annFile="data/coco/anns/trainval2014/captions_val2014.json"
)
ins_val2014_data = CocoDetection(
root="data/coco/imgs/val2014",
annFile="data/coco/anns/trainval2014/instances_val2014.json"
)
pk_val2014_data = CocoDetection(
root="data/coco/imgs/val2014",
annFile="data/coco/anns/trainval2014/person_keypoints_val2014.json"
)
len(cap_val2014_data), len(ins_val2014_data), len(pk_val2014_data)
# (40504, 40504, 40504)
test2014_data = CocoDetection(
root="data/coco/imgs/test2014",
annFile="data/coco/anns/test2014/test2014.json"
)
test2015_data = CocoDetection(
root="data/coco/imgs/test2015",
annFile="data/coco/anns/test2015/test2015.json"
)
testdev2015_data = CocoDetection(
root="data/coco/imgs/test2015",
annFile="data/coco/anns/test2015/test-dev2015.json"
)
len(test2014_data), len(test2015_data), len(testdev2015_data)
# (40775, 81434, 20288)
cap_train2014_data
# Dataset CocoDetection
# Number of datapoints: 82783
# Root location: data/coco/imgs/train2014
cap_train2014_data.root
# 'data/coco/imgs/train2014'
print(cap_train2014_data.transform)
# None
print(cap_train2014_data.target_transform)
# None
print(cap_train2014_data.transforms)
# None
cap_train2014_data[0]
# (<pil.image.image image mode="RGB" size="640x480">,
# [{'image_id': 9, 'id': 661611,
# 'caption': 'Closeup of bins of food that include broccoli and bread.'},
# {'image_id': 9, 'id': 661977,
# 'caption': 'A meal is presented in brightly colored plastic trays.'},
# {'image_id': 9, 'id': 663627,
# 'caption': 'there are containers filled with different kinds of foods'},
# {'image_id': 9, 'id': 666765,
# 'caption': 'Colorful dishes holding meat, vegetables, fruit, and bread.'},
# {'image_id': 9, 'id': 667602,
# 'caption': 'A bunch of trays that have different food.'}])
cap_train2014_data[1]
# (<pil.image.image image mode="RGB" size="640x426">,
# [{'image_id': 25, 'id': 122312,
# 'caption': 'A giraffe eating food from the top of the tree.'},
# {'image_id': 25, 'id': 127076,
# 'caption': 'A giraffe standing up nearby a tree '},
# {'image_id': 25, 'id': 127238,
# 'caption': 'A giraffe mother with its baby in the forest.'},
# {'image_id': 25, 'id': 133058,
# 'caption': 'Two giraffes standing in a tree filled area.'},
# {'image_id': 25, 'id': 133676,
# 'caption': 'A giraffe standing next to a forest filled with trees.'}])
cap_train2014_data[2]
# (<pil.image.image image mode="RGB" size="640x428">,
# [{'image_id': 30, 'id': 695774,
# 'caption': 'A flower vase is sitting on a porch stand.'},
# {'image_id': 30, 'id': 696557,
# 'caption': 'White vase with different colored flowers sitting inside of it. '},
# {'image_id': 30, 'id': 699041,
# 'caption': 'a white vase with many flowers on a stage'},
# {'image_id': 30, 'id': 701216,
# 'caption': 'A white vase filled with different colored flowers.'},
# {'image_id': 30, 'id': 702428,
# 'caption': 'A vase with red and white flowers outside on a sunny day.'}])
ins_train2014_data[0]
# (<pil.image.image image mode="RGB" size="640x480">,
# [{'segmentation': [[500.49, 473.53, 599.73, ..., 20.49, 473.53]],
# 'area': 120057.13925, 'iscrowd': 0, 'image_id': 9,
# 'bbox': [1.08, 187.69, 611.59, 285.84], 'category_id': 51,
# 'id': 1038967},
# {'segmentation': ..., 'category_id': 51, 'id': 1039564},
# ...,
# {'segmentation': ..., 'category_id': 55, 'id': 1914001}])
ins_train2014_data[1]
# (<pil.image.image image mode="RGB" size="640x426">,
# [{'segmentation': [[437.52, 353.33, 437.87, ..., 437.87, 357.19]],
# 'area': 19686.597949999996, 'iscrowd': 0, 'image_id': 25,
# 'bbox': [385.53, 60.03, 214.97, 297.16], 'category_id': 25,
# 'id': 598548},
# {'segmentation': [[99.26, 405.72, 133.57, ..., 97.77, 406.46]],
# 'area': 2785.8475500000004, 'iscrowd': 0, 'image_id': 25,
# 'bbox': [53.01, 356.49, 132.03, 55.19], 'category_id': 25,
# 'id': 599491}])
ins_train2014_data[2]
# (<pil.image.image image mode="RGB" size="640x428">,
# [{'segmentation': [[267.38, 330.14, 281.81, ..., 269.3, 329.18]],
# 'area': 47675.66289999999, 'iscrowd': 0, 'image_id': 30,
# 'bbox': [204.86, 31.02, 254.88, 324.12], 'category_id': 64,
# 'id': 291613},
# {'segmentation': [[394.34, 155.81, 403.96, ..., 393.38, 157.73]],
# 'area': 16202.798250000003, 'iscrowd': 0, 'image_id': 30,
# 'bbox': [237.56, 155.81, 166.4, 195.25], 'category_id': 86,
# 'id': 1155486}])
pk_train2014_data[0]
# (<pil.image.image image mode="RGB" size="640x480">, [])
pk_train2014_data[1]
# (<pil.image.image image mode="RGB" size="640x426">, [])
pk_train2014_data[2]
# (<pil.image.image image mode="RGB" size="640x428">, [])
cap_val2014_data[0]
# (<pil.image.image image mode="RGB" size="640x478">,
# [{'image_id': 42, 'id': 641613,
# 'caption': 'This wire metal rack holds several pairs of shoes and sandals'},
# {'image_id': 42, 'id': 645309,
# 'caption': 'A dog sleeping on a show rack in the shoes.'},
# {'image_id': 42, 'id': 650217,
# 'caption': 'Various slides and other footwear rest in a metal basket outdoors.'},
# {'image_id': 42,
# 'id': 650868,
# 'caption': 'A small dog is curled up on top of the shoes'},
# {'image_id': 42,
# 'id': 652383,
# 'caption': 'a shoe rack with some shoes and a dog sleeping on them'}])
cap_val2014_data[1]
# (<pil.image.image image mode="RGB" size="565x640">,
# [{'image_id': 73, 'id': 593422,
# 'caption': 'A motorcycle parked in a parking space next to another motorcycle.'},
# {'image_id': 73, 'id': 746071,
# 'caption': 'An old motorcycle parked beside other motorcycles with a brown leather seat.'},
# {'image_id': 73, 'id': 746170,
# 'caption': 'Motorcycle parked in the parking lot of asphalt.'},
# {'image_id': 73, 'id': 746914,
# 'caption': 'A close up view of a motorized bicycle, sitting in a rack. '},
# {'image_id': 73, 'id': 748185,
# 'caption': 'The back tire of an old style motorcycle is resting in a metal stand. '}])
cap_val2014_data[2]
# (<pil.image.image image mode="RGB" size="640x426">,
# [{'image_id': 74, 'id': 145996,
# 'caption': 'A picture of a dog laying on the ground.'},
# {'image_id': 74, 'id': 146710,
# 'caption': 'Dog snoozing by a bike on the edge of a cobblestone street'},
# {'image_id': 74, 'id': 149398,
# 'caption': 'The white dog lays next to the bicycle on the sidewalk.'},
# {'image_id': 74, 'id': 149638,
# 'caption': 'a white dog is sleeping on a street and a bicycle'},
# {'image_id': 74, 'id': 150181,
# 'caption': 'A puppy rests on the street next to a bicycle.'}])
ins_val2014_data[0]
# (<pil.image.image image mode="RGB" size="640x478">,
# [{'segmentation': [[382.48, 268.63, 330.24, ..., 394.09, 264.76]],
# 'area': 53481.5118, 'iscrowd': 0, 'image_id': 42,
# 'bbox': [214.15, 41.29, 348.26, 243.78], 'category_id': 18,
# 'id': 1817255}])
ins_val2014_data[1]
# (<pil.image.image image mode="RGB" size="565x640">,
# [{'segmentation': [[134.36, 145.55, 117.02, ..., 138.69, 141.22]],
# 'area': 172022.43864999997, 'iscrowd': 0, 'image_id': 73,
# 'bbox': [13.0, 22.75, 535.98, 609.67], 'category_id': 4,
# 'id': 246920},
# {'segmentation': [[202.28, 4.97, 210.57, 26.53, ..., 192.33, 3.32]],
# 'area': 52666.3402, 'iscrowd': 0, 'image_id': 73,
# 'bbox': [1.66, 3.32, 268.6, 271.91], 'category_id': 4,
# 'id': 2047387}])
ins_val2014_data[2]
# (<pil.image.image image mode="RGB" size="640x426">,
# [{'segmentation': [[321.02, 321.0, 314.25, ..., 320.57, 322.86]],
# 'area': 18234.62355, 'iscrowd': 0, 'image_id': 74,
# 'bbox': [61.87, 276.25, 296.42, 103.18], 'category_id': 18,
# 'id': 1774},
# {'segmentation': ..., 'category_id': 2, 'id': 128367},
# ...
# {'segmentation': ..., 'category_id': 1, 'id': 1751664}])
pk_val2014_data[0]
# (<pil.image.image image mode="RGB" size="640x478">, [])
pk_val2014_data[1]
# (<pil.image.image image mode="RGB" size="565x640">, [])
pk_val2014_data[2]
# (<pil.image.image image mode="RGB" size="640x426">,
# [{'segmentation': [[301.32, 93.96, 305.72, ..., 299.67, 94.51]],
# 'num_keypoints': 0, 'area': 638.7158, 'iscrowd': 0,
# 'keypoints': [0, 0, 0, 0, ..., 0, 0], 'image_id': 74,
# 'bbox': [295.55, 93.96, 18.42, 58.83], 'category_id': 1,
# 'id': 195946},
# {'segmentation': ..., 'category_id': 1, 'id': 253933},
# ...
# {'segmentation': ..., 'category_id': 1, 'id': 1751664}])
test2014_data[0]
# (<pil.image.image image mode="RGB" size="640x480">, [])
test2014_data[1]
# (<pil.image.image image mode="RGB" size="480x640">, [])
test2014_data[2]
# (<pil.image.image image mode="RGB" size="480x640">, [])
test2015_data[0]
# (<pil.image.image image mode="RGB" size="640x480">, [])
test2015_data[1]
# (<pil.image.image image mode="RGB" size="480x640">, [])
test2015_data[2]
# (<pil.image.image image mode="RGB" size="480x640">, [])
testdev2015_data[0]
# (<pil.image.image image mode="RGB" size="640x480">, [])
testdev2015_data[1]
# (<pil.image.image image mode="RGB" size="480x640">, [])
testdev2015_data[2]
# (<pil.image.image image mode="RGB" size="640x427">, [])
import matplotlib.pyplot as plt
from matplotlib.patches import Polygon, Rectangle
import torch
def show_images(data, main_title=None):
file = data.root.split('/')[-1]
if data[0][1] and "caption" in data[0][1][0]:
if file == "train2014":
plt.figure(figsize=(14, 5))
plt.suptitle(t=main_title, y=0.9, fontsize=14)
x_axis = 0.02
x_axis_incr = 0.325
fs = 10.5
elif file == "val2014":
plt.figure(figsize=(14, 6.5))
plt.suptitle(t=main_title, y=0.94, fontsize=14)
x_axis = 0.01
x_axis_incr = 0.32
fs = 9.4
for i, (im, ann) in zip(range(1, 4), data):
plt.subplot(1, 3, i)
plt.imshow(X=im)
plt.title(label=ann[0]["image_id"])
y_axis = 0.0
for j in range(0, 5):
plt.figtext(x=x_axis, y=y_axis, fontsize=fs,
s=f'{ann[j]["id"]}:\n{ann[j]["caption"]}')
if file == "train2014":
y_axis -= 0.1
elif file == "val2014":
y_axis -= 0.07
x_axis += x_axis_incr
if i == 2 and file == "val2014":
x_axis += 0.06
plt.tight_layout()
plt.show()
elif data[0][1] and "segmentation" in data[0][1][0]:
if file == "train2014":
fig, axes = plt.subplots(nrows=1, ncols=3, figsize=(14, 4))
elif file == "val2014":
fig, axes = plt.subplots(nrows=1, ncols=3, figsize=(14, 5))
fig.suptitle(t=main_title, y=1.0, fontsize=14)
for (im, anns), axis in zip(data, axes.ravel()):
for ann in anns:
for seg in ann['segmentation']:
seg_tsors = torch.tensor(seg).split(2)
seg_lists = [seg_tsor.tolist() for seg_tsor in seg_tsors]
poly = Polygon(xy=seg_lists,
facecolor="lightgreen", alpha=0.7)
axis.add_patch(p=poly)
px = []
py = []
for j, v in enumerate(seg):
if j%2 == 0:
px.append(v)
else:
py.append(v)
axis.plot(px, py, color='yellow')
x, y, w, h = ann['bbox']
rect = Rectangle(xy=(x, y), width=w, height=h,
linewidth=3, edgecolor='r',
facecolor='none', zorder=2)
axis.add_patch(p=rect)
axis.imshow(X=im)
axis.set_title(label=anns[0]["image_id"])
fig.tight_layout()
plt.show()
elif not data[0][1]:
if file == "train2014":
plt.figure(figsize=(14, 5))
plt.suptitle(t=main_title, y=0.9, fontsize=14)
elif file == "val2014":
plt.figure(figsize=(14, 5))
plt.suptitle(t=main_title, y=1.05, fontsize=14)
elif file == "test2014" or "test2015":
plt.figure(figsize=(14, 8))
plt.suptitle(t=main_title, y=0.9, fontsize=14)
for i, (im, _) in zip(range(1, 4), data):
plt.subplot(1, 3, i)
plt.imshow(X=im)
plt.tight_layout()
plt.show()
show_images(data=cap_train2014_data, main_title="cap_train2014_data")
show_images(data=ins_train2014_data, main_title="ins_train2014_data")
show_images(data=pk_train2014_data, main_title="pk_train2014_data")
show_images(data=cap_val2014_data, main_title="cap_val2014_data")
show_images(data=ins_val2014_data, main_title="ins_val2014_data")
show_images(data=pk_val2014_data, main_title="pk_val2014_data")
show_images(data=test2014_data, main_title="test2014_data")
show_images(data=test2015_data, main_title="test2015_data")
show_images(data=testdev2015_data, main_title="testdev2015_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></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>
위 내용은 PyTorch의 CocoDetection (1)의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!
성명
본 글의 내용은 네티즌들의 자발적인 기여로 작성되었으며, 저작권은 원저작자에게 있습니다. 본 사이트는 이에 상응하는 법적 책임을 지지 않습니다. 표절이나 침해가 의심되는 콘텐츠를 발견한 경우 admin@php.cn으로 문의하세요.
Python의 병합 목록 : 올바른 메소드 선택May 14, 2025 am 12:11 AMTomergelistsinpython, youcanusethe operator, extendmethod, listcomprehension, oritertools.chain, 각각은 각각의 지위를 불러 일으킨다
Python 3에서 두 목록을 연결하는 방법은 무엇입니까?May 14, 2025 am 12:09 AMPython 3에서는 다양한 방법을 통해 두 개의 목록을 연결할 수 있습니다. 1) 작은 목록에 적합하지만 큰 목록에는 비효율적입니다. 2) 메모리 효율이 높지만 원래 목록을 수정하는 큰 목록에 적합한 확장 방법을 사용합니다. 3) 원래 목록을 수정하지 않고 여러 목록을 병합하는 데 적합한 * 운영자 사용; 4) 메모리 효율이 높은 대형 데이터 세트에 적합한 itertools.chain을 사용하십시오.
Python은 문자열을 연결합니다May 14, 2025 am 12:08 AMjoin () 메소드를 사용하는 것은 Python의 목록에서 문자열을 연결하는 가장 효율적인 방법입니다. 1) join () 메소드를 사용하여 효율적이고 읽기 쉽습니다. 2)주기는 큰 목록에 비효율적으로 운영자를 사용합니다. 3) List Comprehension과 Join ()의 조합은 변환이 필요한 시나리오에 적합합니다. 4) READE () 방법은 다른 유형의 감소에 적합하지만 문자열 연결에 비효율적입니다. 완전한 문장은 끝납니다.
파이썬 실행, 그게 뭐야?May 14, 2025 am 12:06 AMpythonexecutionissprocessoftransformingpythoncodeintoExecutableInstructions.1) the -interreadsTheCode, ConvertingItintoByTecode, thethepythonVirtualMachine (pvm)을 실행합니다
파이썬 : 주요 기능은 무엇입니까?May 14, 2025 am 12:02 AMPython의 주요 특징은 다음과 같습니다. 1. 구문은 간결하고 이해하기 쉽고 초보자에게 적합합니다. 2. 개발 속도 향상, 동적 유형 시스템; 3. 여러 작업을 지원하는 풍부한 표준 라이브러리; 4. 광범위한 지원을 제공하는 강력한 지역 사회와 생태계; 5. 스크립팅 및 빠른 프로토 타이핑에 적합한 해석; 6. 다양한 프로그래밍 스타일에 적합한 다중-파라 디그 지원.
파이썬 : 컴파일러 또는 통역사?May 13, 2025 am 12:10 AMPython은 해석 된 언어이지만 편집 프로세스도 포함됩니다. 1) 파이썬 코드는 먼저 바이트 코드로 컴파일됩니다. 2) 바이트 코드는 Python Virtual Machine에 의해 해석되고 실행됩니다. 3)이 하이브리드 메커니즘은 파이썬이 유연하고 효율적이지만 완전히 편집 된 언어만큼 빠르지는 않습니다.
루프 대 루프를위한 파이썬 : 루프시기는 언제 사용해야합니까?May 13, 2025 am 12:07 AMUSEAFORLOOPHENTERATINGOVERASERASERASPECIFICNUMBEROFTIMES; USEAWHILLOOPWHENTINUTIMONDITINISMET.FORLOOPSAREIDEALFORKNOWNSEDINGENCENCENS, WHILEWHILELOOPSSUITSITUATIONS WITHERMINGEDERITERATIONS.
파이썬 루프 : 가장 일반적인 오류May 13, 2025 am 12:07 AMPythonloopscanleadtoerrors likeinfiniteloops, modifyinglistsdizeration, off-by-by-byerrors, zero-indexingissues, andnestedloopineficiencies.toavoidthese : 1) aing'i
핫 AI 도구
Undresser.AI Undress
사실적인 누드 사진을 만들기 위한 AI 기반 앱
AI Clothes Remover
사진에서 옷을 제거하는 온라인 AI 도구입니다.
Undress AI Tool
무료로 이미지를 벗다
Clothoff.io
AI 옷 제거제
Video Face Swap
완전히 무료인 AI 얼굴 교환 도구를 사용하여 모든 비디오의 얼굴을 쉽게 바꾸세요!
인기 기사
KB5055612 수정 방법 Windows 10에 설치되지 않습니까?
4 몇 주 전ByDDD
<gum> : Bubble Gum Simulator Infinity- 로얄 키를 얻고 사용하는 방법
4 몇 주 전By尊渡假赌尊渡假赌尊渡假赌
<garden> : 정원 재배 - 완전한 돌연변이 가이드
3 몇 주 전ByDDD
Nordhold : Fusion System, 설명
4 몇 주 전By尊渡假赌尊渡假赌尊渡假赌
Mandragora : 마녀 트리의 속삭임 - Grappling Hook 잠금 해제 방법
3 몇 주 전By尊渡假赌尊渡假赌尊渡假赌
뜨거운 도구
Dreamweaver Mac版
시각적 웹 개발 도구
SublimeText3 중국어 버전
중국어 버전, 사용하기 매우 쉽습니다.
SublimeText3 Linux 새 버전
SublimeText3 Linux 최신 버전
SublimeText3 Mac 버전
신 수준의 코드 편집 소프트웨어(SublimeText3)
Eclipse용 SAP NetWeaver 서버 어댑터
Eclipse를 SAP NetWeaver 애플리케이션 서버와 통합합니다.
