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!

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...

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

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

該教程建立在先前對美麗湯的介紹基礎上,重點是簡單的樹導航之外的DOM操縱。 我們將探索有效的搜索方法和技術,以修改HTML結構。 一種常見的DOM搜索方法是EX

本文討論了諸如Numpy,Pandas,Matplotlib,Scikit-Learn,Tensorflow,Tensorflow,Django,Blask和請求等流行的Python庫,並詳細介紹了它們在科學計算,數據分析,可視化,機器學習,網絡開發和H中的用途

本文指導Python開發人員構建命令行界面(CLIS)。 它使用Typer,Click和ArgParse等庫詳細介紹,強調輸入/輸出處理,並促進用戶友好的設計模式,以提高CLI可用性。


熱AI工具

Undresser.AI Undress
人工智慧驅動的應用程序,用於創建逼真的裸體照片

AI Clothes Remover
用於從照片中去除衣服的線上人工智慧工具。

Undress AI Tool
免費脫衣圖片

Clothoff.io
AI脫衣器

AI Hentai Generator
免費產生 AI 無盡。

熱門文章

熱工具

SublimeText3 英文版
推薦:為Win版本,支援程式碼提示!

mPDF
mPDF是一個PHP庫,可以從UTF-8編碼的HTML產生PDF檔案。原作者Ian Back編寫mPDF以從他的網站上「即時」輸出PDF文件,並處理不同的語言。與原始腳本如HTML2FPDF相比,它的速度較慢,並且在使用Unicode字體時產生的檔案較大,但支援CSS樣式等,並進行了大量增強。支援幾乎所有語言,包括RTL(阿拉伯語和希伯來語)和CJK(中日韓)。支援嵌套的區塊級元素(如P、DIV),

SAP NetWeaver Server Adapter for Eclipse
將Eclipse與SAP NetWeaver應用伺服器整合。

SublimeText3 Mac版
神級程式碼編輯軟體(SublimeText3)

MantisBT
Mantis是一個易於部署的基於Web的缺陷追蹤工具,用於幫助產品缺陷追蹤。它需要PHP、MySQL和一個Web伺服器。請查看我們的演示和託管服務。