Blumen in PyTorch

Kauf mir einen Kaffee☕

*Mein Beitrag erklärt Oxford 102 Flower.

Flowers102() kann den Oxford 102 Flower-Datensatz wie unten gezeigt verwenden:

*Memos:

• Das 1. Argument ist root(Required-Type:str oder pathlib.Path). *Ein absoluter oder relativer Pfad ist möglich.
• Das 2. Argument ist geteilt (Optional-Default:"train"-Type:str). *Es können „train“ (1.020 Bilder), „val“ (1.020 Bilder) oder „test“ (6.149 Bilder) eingestellt werden.
• Das dritte Argument ist transform(Optional-Default:None-Type:callable).
• Das 4. Argument ist target_transform(Optional-Default:None-Type:callable).
• Das 5. Argument ist download(Optional-Default:False-Type:bool): *Memos:
  • Wenn es wahr ist, wird der Datensatz aus dem Internet heruntergeladen und in das Stammverzeichnis extrahiert (entpackt).
  • Wenn es „True“ ist und der Datensatz bereits heruntergeladen wurde, wird er extrahiert.
  • Wenn es „True“ ist und der Datensatz bereits heruntergeladen und extrahiert wurde, passiert nichts.
  • Es sollte False sein, wenn der Datensatz bereits heruntergeladen und extrahiert wurde, da es schneller ist.
  • Sie können den Datensatz (102flowers.tgz mit imagelabels.mat und setid.matff) manuell herunterladen und von hier nach data/flowers-102/ extrahieren.
• Über die Beschriftung der Kategorien (Klassen) für die Zug- und Validierungsbildindizes: 0 ist 0–9, 1 ist 10–19, 2 ist 20–29, 3 ist 30–39, 4 ist 40–49, 5 ist 50~59, 6 ist 60~69, 7 ist 70~79, 8 ist 80~89, 9 ist 90~99 usw.
• Über die Bezeichnung der Kategorien (Klassen) für die Testbildindizes: 0 ist 0–19, 1 ist 20–59, 2 ist 60–79, 3 ist 80–115, 4 ist 116–160, 5 ist 161~185, 6 ist 186~205, 7 ist 206~270, 8 ist 271~296, 9 ist 297~321 usw.

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 of datapoints: 1020
#     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")

Das obige ist der detaillierte Inhalt vonBlumen in PyTorch. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!