pytorch學習：準備本身的圖片數據

圖片數據通常有兩種狀況：

一、全部圖片放在一個文件夾內，另外有一個txt文件顯示標籤。

二、不一樣類別的圖片放在不一樣的文件夾內，文件夾就是圖片的類別。

針對這兩種不一樣的狀況，數據集的準備也不相同，第一種狀況能夠自定義一個Dataset，第二種狀況直接調用torchvision.datasets.ImageFolder來處理。下面分別進行說明：

1、全部圖片放在一個文件夾內

這裏以mnist數據集的10000個test爲例, 我先把test集的10000個圖片保存出來，並生着對應的txt標籤文件。

先在當前目錄建立一個空文件夾mnist_test, 用於保存10000張圖片，接着運行代碼：

import torch
import torchvision
import matplotlib.pyplot as plt
from skimage import io
mnist_test= torchvision.datasets.MNIST(
    './mnist', train=False, download=True
)
print('test set:', len(mnist_test))

f=open('mnist_test.txt','w')
for i,(img,label) in enumerate(mnist_test):
    img_path="./mnist_test/"+str(i)+".jpg"
    io.imsave(img_path,img)
    f.write(img_path+' '+str(label)+'\n')
f.close()

通過上面的操做，10000張圖片就保存在mnist_test文件夾裏了，並在當前目錄下生成了一個mnist_test.txt的文件，大體以下：

前期工做就裝備好了，接着就進入正題了：

from torchvision import transforms, utils
from torch.utils.data import Dataset, DataLoader
import matplotlib.pyplot as plt
from PIL import Image


def default_loader(path):
    return Image.open(path).convert('RGB')


class MyDataset(Dataset):
    def __init__(self, txt, transform=None, target_transform=None, loader=default_loader):
        fh = open(txt, 'r')
        imgs = []
        for line in fh:
            line = line.strip('\n')
            line = line.rstrip()
            words = line.split()
            imgs.append((words[0],int(words[1])))
        self.imgs = imgs
        self.transform = transform
        self.target_transform = target_transform
        self.loader = loader

    def __getitem__(self, index):
        fn, label = self.imgs[index]
        img = self.loader(fn)
        if self.transform is not None:
            img = self.transform(img)
        return img,label

    def __len__(self):
        return len(self.imgs)

train_data=MyDataset(txt='mnist_test.txt', transform=transforms.ToTensor())
data_loader = DataLoader(train_data, batch_size=100,shuffle=True)
print(len(data_loader))


def show_batch(imgs):
    grid = utils.make_grid(imgs)
    plt.imshow(grid.numpy().transpose((1, 2, 0)))
    plt.title('Batch from dataloader')


for i, (batch_x, batch_y) in enumerate(data_loader):
    if(i<4):
        print(i, batch_x.size(),batch_y.size())
        show_batch(batch_x)
        plt.axis('off')
        plt.show()

自定義了一個MyDataset, 繼承自torch.utils.data.Dataset。而後利用torch.utils.data.DataLoader將整個數據集分紅多個批次。

 

2、不一樣類別的圖片放在不一樣的文件夾內

一樣先準備數據，這裏以flowers數據集爲例，下載：

http://download.tensorflow.org/example_images/flower_photos.tgz

花總共有五類，分別放在5個文件夾下。大體以下圖：

個人路徑是d:/flowers/.

數據準備好了，就開始準備Dataset吧，這裏直接調用torchvision裏面的ImageFolder

import torch
import torchvision
from torchvision import transforms, utils
import matplotlib.pyplot as plt

img_data = torchvision.datasets.ImageFolder('D:/bnu/database/flower',
                                            transform=transforms.Compose([
                                                transforms.Scale(256),
                                                transforms.CenterCrop(224),
                                                transforms.ToTensor()])
                                            )

print(len(img_data))
data_loader = torch.utils.data.DataLoader(img_data, batch_size=20,shuffle=True)
print(len(data_loader))


def show_batch(imgs):
    grid = utils.make_grid(imgs,nrow=5)
    plt.imshow(grid.numpy().transpose((1, 2, 0)))
    plt.title('Batch from dataloader')


for i, (batch_x, batch_y) in enumerate(data_loader):
    if(i<4):
        print(i, batch_x.size(), batch_y.size())

        show_batch(batch_x)
        plt.axis('off')
        plt.show()

就是這樣。