PyTorch 中的 OxfordIIITPet-Python教學-PHP中文網

首頁

後端開發

Python教學

PyTorch 中的 OxfordIIITPet

DDD

Dec 22, 2024 pm 06:42 PM

請我喝杯咖啡☕

*我的貼文解釋了 Oxford-IIIT Pet。

OxfordIIITPet()可以使用Oxford-IIIT Pet資料集，如下所示：

*備忘錄：

第一個參數是 root（必要類型：str 或 pathlib.Path）。 *絕對或相對路徑都是可能的。
第二個參數是 split(可選-預設:"train"-類型:str)。 *可以設定「trainval」（3,680張圖片）或「test」（3,669張圖片）。
第三個參數是 target_types（可選-預設：「attr」-類型：str 或 str 清單）： *備註：
- 可以為其設定「category」、「binary-category」和/或「segmentation」： *備註：
- 「category」是 37 個類別的標籤。
- 「binary-category」用於cat(0)或dog(1)的標籤。
- “segmentation”用於分割三圖影像。
- 也可以為其設定空元組或清單。
- 可以設定多個相同的值。
- 如果值的順序不同，則其元素的順序也會不同。
第四個參數是transform(Optional-Default:None-Type:callable)。
第 5 個參數是 target_transform(Optional-Default:None-Type:callable)。
第 6 個參數是 download(可選-預設:False-類型:bool): *備註：
- 如果為 True，則從網路下載資料集並解壓縮（解壓縮）到根目錄。
- 如果為 True 並且資料集已下載，則將其提取。
- 如果為 True 並且資料集已下載並提取，則不會發生任何事情。
- 如果資料集已經下載並提取，則應該為 False，因為它速度更快。
- 您可以從此處手動下載並提取資料集（images.tar.gz 和annotations.tar.gz）到 data/oxford-iiit-pet/。
關於訓練影像索引的類別（類）標籤，阿比西尼亞（0）為0~49，美國鬥牛犬（1）為50~99， 美國比特鬥牛犬(2)是100~149, 巴吉度獵犬(3)為150~199，小獵犬(4)為200~249，孟加拉虎(5)為250~299， 伯曼貓(6)為300~349，孟買(7)為350~398、拳師犬(8)為399~448、英國短毛貓(9)為449~498等
關於測試影像索引的類別（類別）標籤，阿比西尼亞（0）為0~97，美國鬥牛犬（1）為98~197， 美國比特鬥牛犬(2)是198~297, 巴吉度獵犬(3)為298~397，小獵犬(4)為398~497，孟加拉虎(5)為498~597， 伯曼貓(6)為598~697，孟買(7)為698~785，拳師犬(8)為786~884，英國短毛貓(9)為885~984等。

from torchvision.datasets import OxfordIIITPet

trainval_cate_data = OxfordIIITPet(
    root="data"
)

trainval_cate_data = OxfordIIITPet(
    root="data",
    split="trainval",
    target_types="category",
    transform=None,
    target_transform=None,
    download=False
)

trainval_bincate_data = OxfordIIITPet(
    root="data",
    split="trainval",
    target_types="binary-category"
)

test_seg_data = OxfordIIITPet(
    root="data",
    split="test",
    target_types="segmentation"
)

test_empty_data = OxfordIIITPet(
    root="data",
    split="test",
    target_types=[]
)

test_all_data = OxfordIIITPet(
    root="data",
    split="test",
    target_types=["category", "binary-category", "segmentation"]
)

len(trainval_cate_data), len(trainval_bincate_data)
# (3680, 3680)

len(test_seg_data), len(test_empty_data), len(test_all_data)
# (3669, 3669, 3669)

trainval_cate_data
# Dataset OxfordIIITPet
#     Number of datapoints: 3680
#     Root location: data

trainval_cate_data.root
# 'data'

trainval_cate_data._split
# 'trainval'

trainval_cate_data._target_types
# ['category']

print(trainval_cate_data.transform)
# None

print(trainval_cate_data.target_transform)
# None

trainval_cate_data._download
# <bound method oxfordiiitpet._download of dataset oxfordiiitpet number datapoints: root location: data>

len(trainval_cate_data.classes), trainval_cate_data.classes
# (37,
#  ['Abyssinian', 'American Bulldog', 'American Pit Bull Terrier',
#   'Basset Hound', 'Beagle', 'Bengal', 'Birman', 'Bombay', 'Boxer',
#   'British Shorthair', ..., 'Wheaten Terrier', 'Yorkshire Terrier'])

trainval_cate_data[0]
# (<pil.image.image image mode="RGB" size="394x500">, 0)

trainval_cate_data[1]
# (<pil.image.image image mode="RGB" size="450x313">, 0)

trainval_cate_data[2]
# (<pil.image.image image mode="RGB" size="500x465">, 0)

trainval_bincate_data[0]
# (<pil.image.image image mode="RGB" size="394x500">, 0)

trainval_bincate_data[1]
# (<pil.image.image image mode="RGB" size="450x313">, 0)

trainval_bincate_data[2]
# (<pil.image.image image mode="RGB" size="500x465">, 0)

test_seg_data[0]
# (<pil.image.image image mode="RGB" size="300x225">,
#  <pil.pngimageplugin.pngimagefile image mode="L" size="300x225">)

test_seg_data[1]
# (<pil.image.image image mode="RGB" size="300x225">,
#  <pil.pngimageplugin.pngimagefile image mode="L" size="300x225">)

test_seg_data[2]
# (<pil.image.image image mode="RGB" size="229x300">,
#  <pil.pngimageplugin.pngimagefile image mode="L" size="229x300">)

test_empty_data[0]
# (<pil.image.image image mode="RGB" size="300x225">, None)

test_empty_data[1]
# (<pil.image.image image mode="RGB" size="300x225">, None)

test_empty_data[2]
# (<pil.image.image image mode="RGB" size="229x300">, None)

test_all_data[0]
# (<pil.image.image image mode="RGB" size="300x225">,
#  (0, 0, <pil.pngimageplugin.pngimagefile image mode="L" size="300x225">))

test_all_data[1]
# (<pil.image.image image mode="RGB" size="300x225">,
#  (0, 0, <pil.pngimageplugin.pngimagefile image mode="L" size="300x225">))

test_all_data[2]
# (<pil.image.image image mode="RGB" size="229x300">,
#  (0, 0, <pil.pngimageplugin.pngimagefile image mode="L" size="229x300">))

import matplotlib.pyplot as plt

def show_images(data, ims, main_title=None):
    if len(data._target_types) == 0:      
        plt.figure(figsize=(12, 6))
        plt.suptitle(t=main_title, y=1.0, fontsize=14)
        for i, j in enumerate(ims, start=1):
            plt.subplot(2, 5, i)
            im, _ = data[j]
            plt.imshow(X=im)
    elif len(data._target_types) == 1:
        if data._target_types[0] == "category":
            plt.figure(figsize=(12, 6))
            plt.suptitle(t=main_title, y=1.0, fontsize=14)
            for i, j in enumerate(ims, start=1):
                plt.subplot(2, 5, i)
                im, cate = data[j]
                plt.title(label=cate)
                plt.imshow(X=im)
        elif data._target_types[0] == "binary-category":
            plt.figure(figsize=(12, 6))
            plt.suptitle(t=main_title, y=1.0, fontsize=14)
            for i, j in enumerate(ims, start=1):
                plt.subplot(2, 5, i)
                im, bincate = data[j]
                plt.title(label=bincate)
                plt.imshow(X=im)
        elif data._target_types[0] == "segmentation":
            plt.figure(figsize=(12, 12))
            plt.suptitle(t=main_title, y=1.0, fontsize=14)
            for i, j in enumerate(ims, start=1):
                im, seg = data[j]
                if 1 



<p><img src="/static/imghwm/default1.png" data-src="https://img.php.cn/upload/article/000/000/000/173486413998858.jpg?x-oss-process=image/resize,p_40" class="lazy" alt="OxfordIIITPet in PyTorch"></p><p><img src="/static/imghwm/default1.png" data-src="https://img.php.cn/upload/article/000/000/000/173486414377932.jpg?x-oss-process=image/resize,p_40" class="lazy" alt="OxfordIIITPet in PyTorch"></p>

<p><img src="/static/imghwm/default1.png" data-src="https://img.php.cn/upload/article/000/000/000/173486414647181.jpg?x-oss-process=image/resize,p_40" class="lazy" alt="OxfordIIITPet in PyTorch"></p>

<p><img src="/static/imghwm/default1.png" data-src="https://img.php.cn/upload/article/000/000/000/173486415046391.jpg?x-oss-process=image/resize,p_40" class="lazy" alt="OxfordIIITPet in PyTorch"></p>

<p><img src="/static/imghwm/default1.png" data-src="https://img.php.cn/upload/article/000/000/000/173486415371337.jpg?x-oss-process=image/resize,p_40" class="lazy" alt="OxfordIIITPet in PyTorch"></p>


          

            
        </pil.pngimageplugin.pngimagefile></pil.image.image></pil.pngimageplugin.pngimagefile></pil.image.image></pil.pngimageplugin.pngimagefile></pil.image.image></pil.image.image></pil.image.image></pil.image.image></pil.pngimageplugin.pngimagefile></pil.image.image></pil.pngimageplugin.pngimagefile></pil.image.image></pil.pngimageplugin.pngimagefile></pil.image.image></pil.image.image></pil.image.image></pil.image.image></pil.image.image></pil.image.image></pil.image.image></bound>

以上是PyTorch 中的 OxfordIIITPet的詳細內容。更多資訊請關注PHP中文網其他相關文章！

陳述

本文內容由網友自願投稿，版權歸原作者所有。本站不承擔相應的法律責任。如發現涉嫌抄襲或侵權的內容，請聯絡admin@php.cn

如何解決Linux終端中查看Python版本時遇到的權限問題？Apr 01, 2025 pm 05:09 PM

Linux終端中查看Python版本時遇到權限問題的解決方法當你在Linux終端中嘗試查看Python的版本時，輸入python...

我如何使用美麗的湯來解析HTML？Mar 10, 2025 pm 06:54 PM

本文解釋瞭如何使用美麗的湯庫來解析html。它詳細介紹了常見方法，例如find（），find_all（），select（）和get_text（），以用於數據提取，處理不同的HTML結構和錯誤以及替代方案（SEL）

python對象的序列化和避難所化：第1部分Mar 08, 2025 am 09:39 AM

Python 對象的序列化和反序列化是任何非平凡程序的關鍵方面。如果您將某些內容保存到 Python 文件中，如果您讀取配置文件，或者如果您響應 HTTP 請求，您都會進行對象序列化和反序列化。從某種意義上說，序列化和反序列化是世界上最無聊的事情。誰會在乎所有這些格式和協議？您想持久化或流式傳輸一些 Python 對象，並在以後完整地取回它們。這是一種在概念層面上看待世界的好方法。但是，在實際層面上，您選擇的序列化方案、格式或協議可能會決定程序運行的速度、安全性、維護狀態的自由度以及與其他系

如何使用TensorFlow或Pytorch進行深度學習？Mar 10, 2025 pm 06:52 PM

本文比較了Tensorflow和Pytorch的深度學習。它詳細介紹了所涉及的步驟：數據準備，模型構建，培訓，評估和部署。框架之間的關鍵差異，特別是關於計算刻度的

Python中的數學模塊：統計Mar 09, 2025 am 11:40 AM

Python的statistics模塊提供強大的數據統計分析功能，幫助我們快速理解數據整體特徵，例如生物統計學和商業分析等領域。無需逐個查看數據點，只需查看均值或方差等統計量，即可發現原始數據中可能被忽略的趨勢和特徵，並更輕鬆、有效地比較大型數據集。本教程將介紹如何計算平均值和衡量數據集的離散程度。除非另有說明，本模塊中的所有函數都支持使用mean()函數計算平均值，而非簡單的求和平均。也可使用浮點數。 import random import statistics from fracti