Heim Backend-Entwicklung Python-Tutorial OxfordIIITPet in PyTorch

OxfordIIITPet in PyTorch

Dec 22, 2024 pm 06:42 PM

Kauf mir einen Kaffee☕

*Mein Beitrag erklärt Oxford-IIIT Pet.

OxfordIIITPet() kann den Oxford-IIIT Pet-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). *„trainval“ (3.680 Bilder) oder „test“ (3.669 Bilder) können darauf eingestellt werden.
  • Das dritte Argument ist target_types(Optional-Default:"attr"-Type:str oder list of str): *Memos:
    • Darauf können „category“, „binary-category“ und/oder „segmentation“ gesetzt werden: *Memos:
    • „Kategorie“ steht für die Bezeichnung aus 37 Kategorien (Klassen).
    • „Binärkategorie“ steht für die Bezeichnung von Katze(0) oder Hund(1).
    • „Segmentierung“ steht für ein Segmentierungs-Trimap-Bild.
    • Es kann auch ein leeres Tupel oder eine leere Liste darauf gesetzt werden.
    • Es können mehrere gleiche Werte eingestellt werden.
    • Wenn die Reihenfolge der Werte unterschiedlich ist, ist auch die Reihenfolge ihrer Elemente unterschiedlich.
  • Das 4. Argument ist transform(Optional-Default:None-Type:callable).
  • Das 5. Argument ist target_transform(Optional-Default:None-Type:callable).
  • Das 6. 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 (images.tar.gz und annotations.tar.gz) manuell herunterladen und von hier nach data/oxford-iiit-pet/ extrahieren.
  • Über die Bezeichnung aus den Kategorien (Klassen) für die Zugbildindizes: Abessinier(0) ist 0~49, Amerikanische Bulldogge(1) ist 50~99, American Pit Bull Terrier(2) ist 100~149, Basset Jagdhund(3) ist 150~199, Beagle(4) ist 200~249, Bengal(5) ist 250~299, Birma( 6) ist 300~349, Bombay(7) ist 350~398, Boxer(8) ist 399~448, Britisch Kurzhaar(9) ist 449~498 usw.
  • Über die Bezeichnung aus den Kategorien (Klassen) für die Testbildindizes: Abessinier(0) ist 0~97, Amerikanische Bulldogge(1) ist 98~197, American Pit Bull Terrier(2) ist 198~297, Basset Hound(3) ist 298~397, Beagle(4) ist 398~497, Bengal(5) ist 498~597, Birma (6) ist 598~697, Bombay(7) ist 698~785, Boxer(8) ist 786~884, Britisch Kurzhaar(9) ist 885~984 usw.

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19

20

21

22

23

24

25

26

27

28

29

30

31

32

33

34

35

36

37

38

39

40

41

42

43

44

45

46

47

48

49

50

51

52

53

54

55

56

57

58

59

60

61

62

63

64

65

66

67

68

69

70

71

72

73

74

75

76

77

78

79

80

81

82

83

84

85

86

87

88

89

90

91

92

93

94

95

96

97

98

99

100

101

102

103

104

105

106

107

108

109

110

111

112

113

114

115

116

117

118

119

120

121

122

123

124

125

126

127

128

129

130

131

132

133

134

135

136

137

138

139

140

141

142

143

144

145

146

147

148

149

150

151

152

153

154

155

156

157

158

159

160

161

162

163

164

165

166

167

168

169

170

171

172

173

174

175

176

177

178

179

180

181

182

183

184

185

186

187

188

189

190

191

192

193

194

195

196

197

198

199

200

201

202

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 of datapoints: 3680

#     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 <= i and i <= 5:

                    plt.subplot(4, 5, i)

                    plt.imshow(X=im)

                    plt.subplot(4, 5, i+5)

                    plt.imshow(X=seg)

                if 6 <= i and i <= 10:

                    plt.subplot(4, 5, i+5)

                    plt.imshow(X=im)

                    plt.subplot(4, 5, i+10)

                    plt.imshow(X=seg)

    elif len(data._target_types) == 3:

        plt.figure(figsize=(12, 12))

        plt.suptitle(t=main_title, y=1.0, fontsize=14)

        for i, j in enumerate(ims, start=1):

            im, (cate, bincate, seg) = data[j]

            if 1 <= i and i <= 5:

                plt.subplot(4, 5, i)

                plt.title(label=f"{cate}, {bincate}")

                plt.imshow(X=im)

                plt.subplot(4, 5, i+5)

                plt.imshow(X=seg)

            if 6 <= i and i <= 10:

                plt.subplot(4, 5, i+5)

                plt.title(label=f"{cate}, {bincate}")

                plt.imshow(X=im)

                plt.subplot(4, 5, i+10)

                plt.imshow(X=seg)

    plt.tight_layout(h_pad=3.0)

    plt.show()

 

train_ims = (0, 1, 2, 50, 100, 150, 200, 250, 300, 350)

test_ims = (0, 1, 2, 98, 198, 298, 398, 498, 598, 698)

 

show_images(data=trainval_cate_data, ims=train_ims,

            main_title="trainval_cate_data")

show_images(data=trainval_bincate_data, ims=train_ims,

            main_title="trainval_bincate_data")

show_images(data=test_seg_data, ims=test_ims,

            main_title="test_seg_data")

show_images(data=test_empty_data, ims=test_ims,

            main_title="test_empty_data")

show_images(data=test_all_data, ims=test_ims,

            main_title="test_all_data")

Nach dem Login kopieren

OxfordIIITPet in PyTorch

OxfordIIITPet in PyTorch

OxfordIIITPet in PyTorch

OxfordIIITPet in PyTorch

OxfordIIITPet in PyTorch

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

Erklärung dieser Website
Der Inhalt dieses Artikels wird freiwillig von Internetnutzern beigesteuert und das Urheberrecht liegt beim ursprünglichen Autor. Diese Website übernimmt keine entsprechende rechtliche Verantwortung. Wenn Sie Inhalte finden, bei denen der Verdacht eines Plagiats oder einer Rechtsverletzung besteht, wenden Sie sich bitte an admin@php.cn

Heiße KI -Werkzeuge

Undresser.AI Undress

Undresser.AI Undress

KI-gestützte App zum Erstellen realistischer Aktfotos

AI Clothes Remover

AI Clothes Remover

Online-KI-Tool zum Entfernen von Kleidung aus Fotos.

Undress AI Tool

Undress AI Tool

Ausziehbilder kostenlos

Clothoff.io

Clothoff.io

KI-Kleiderentferner

Video Face Swap

Video Face Swap

Tauschen Sie Gesichter in jedem Video mühelos mit unserem völlig kostenlosen KI-Gesichtstausch-Tool aus!

Heißer Artikel

<🎜>: Bubble Gum Simulator Infinity - So erhalten und verwenden Sie Royal Keys
1 Monate vor By 尊渡假赌尊渡假赌尊渡假赌
Nordhold: Fusionssystem, erklärt
1 Monate vor By 尊渡假赌尊渡假赌尊渡假赌
Mandragora: Flüstern des Hexenbaum
4 Wochen vor By 尊渡假赌尊渡假赌尊渡假赌

Heiße Werkzeuge

Notepad++7.3.1

Notepad++7.3.1

Einfach zu bedienender und kostenloser Code-Editor

SublimeText3 chinesische Version

SublimeText3 chinesische Version

Chinesische Version, sehr einfach zu bedienen

Senden Sie Studio 13.0.1

Senden Sie Studio 13.0.1

Leistungsstarke integrierte PHP-Entwicklungsumgebung

Dreamweaver CS6

Dreamweaver CS6

Visuelle Webentwicklungstools

SublimeText3 Mac-Version

SublimeText3 Mac-Version

Codebearbeitungssoftware auf Gottesniveau (SublimeText3)

Heiße Themen

Java-Tutorial
1677
14
PHP-Tutorial
1280
29
C#-Tutorial
1257
24
Python vs. C: Lernkurven und Benutzerfreundlichkeit Python vs. C: Lernkurven und Benutzerfreundlichkeit Apr 19, 2025 am 12:20 AM

Python ist leichter zu lernen und zu verwenden, während C leistungsfähiger, aber komplexer ist. 1. Python -Syntax ist prägnant und für Anfänger geeignet. Durch die dynamische Tippen und die automatische Speicherverwaltung können Sie die Verwendung einfach zu verwenden, kann jedoch zur Laufzeitfehler führen. 2.C bietet Steuerung und erweiterte Funktionen auf niedrigem Niveau, geeignet für Hochleistungsanwendungen, hat jedoch einen hohen Lernschwellenwert und erfordert manuellem Speicher und Typensicherheitsmanagement.

Python lernen: Ist 2 Stunden tägliches Studium ausreichend? Python lernen: Ist 2 Stunden tägliches Studium ausreichend? Apr 18, 2025 am 12:22 AM

Ist es genug, um Python für zwei Stunden am Tag zu lernen? Es hängt von Ihren Zielen und Lernmethoden ab. 1) Entwickeln Sie einen klaren Lernplan, 2) Wählen Sie geeignete Lernressourcen und -methoden aus, 3) praktizieren und prüfen und konsolidieren Sie praktische Praxis und Überprüfung und konsolidieren Sie und Sie können die Grundkenntnisse und die erweiterten Funktionen von Python während dieser Zeit nach und nach beherrschen.

Python vs. C: Erforschung von Leistung und Effizienz erforschen Python vs. C: Erforschung von Leistung und Effizienz erforschen Apr 18, 2025 am 12:20 AM

Python ist in der Entwicklungseffizienz besser als C, aber C ist in der Ausführungsleistung höher. 1. Pythons prägnante Syntax und reiche Bibliotheken verbessern die Entwicklungseffizienz. 2. Die Kompilierungsmerkmale von Compilation und die Hardwarekontrolle verbessern die Ausführungsleistung. Bei einer Auswahl müssen Sie die Entwicklungsgeschwindigkeit und die Ausführungseffizienz basierend auf den Projektanforderungen abwägen.

Python vs. C: Verständnis der wichtigsten Unterschiede Python vs. C: Verständnis der wichtigsten Unterschiede Apr 21, 2025 am 12:18 AM

Python und C haben jeweils ihre eigenen Vorteile, und die Wahl sollte auf Projektanforderungen beruhen. 1) Python ist aufgrund seiner prägnanten Syntax und der dynamischen Typisierung für die schnelle Entwicklung und Datenverarbeitung geeignet. 2) C ist aufgrund seiner statischen Tipp- und manuellen Speicherverwaltung für hohe Leistung und Systemprogrammierung geeignet.

Welches ist Teil der Python Standard Library: Listen oder Arrays? Welches ist Teil der Python Standard Library: Listen oder Arrays? Apr 27, 2025 am 12:03 AM

PythonlistsarePartThestandardlibrary, whilearraysarenot.listarebuilt-in, vielseitig und UNDUSEDFORSPORINGECollections, während dieArrayRay-thearrayModulei und loses und loses und losesaluseduetolimitedFunctionality.

Python: Automatisierung, Skript- und Aufgabenverwaltung Python: Automatisierung, Skript- und Aufgabenverwaltung Apr 16, 2025 am 12:14 AM

Python zeichnet sich in Automatisierung, Skript und Aufgabenverwaltung aus. 1) Automatisierung: Die Sicherungssicherung wird durch Standardbibliotheken wie OS und Shutil realisiert. 2) Skriptschreiben: Verwenden Sie die PSUTIL -Bibliothek, um die Systemressourcen zu überwachen. 3) Aufgabenverwaltung: Verwenden Sie die Zeitplanbibliothek, um Aufgaben zu planen. Die Benutzerfreundlichkeit von Python und die Unterstützung der reichhaltigen Bibliothek machen es zum bevorzugten Werkzeug in diesen Bereichen.

Python für wissenschaftliches Computer: Ein detailliertes Aussehen Python für wissenschaftliches Computer: Ein detailliertes Aussehen Apr 19, 2025 am 12:15 AM

Zu den Anwendungen von Python im wissenschaftlichen Computer gehören Datenanalyse, maschinelles Lernen, numerische Simulation und Visualisierung. 1.Numpy bietet effiziente mehrdimensionale Arrays und mathematische Funktionen. 2. Scipy erweitert die Numpy -Funktionalität und bietet Optimierungs- und lineare Algebra -Tools. 3.. Pandas wird zur Datenverarbeitung und -analyse verwendet. 4.Matplotlib wird verwendet, um verschiedene Grafiken und visuelle Ergebnisse zu erzeugen.

Python für die Webentwicklung: Schlüsselanwendungen Python für die Webentwicklung: Schlüsselanwendungen Apr 18, 2025 am 12:20 AM

Zu den wichtigsten Anwendungen von Python in der Webentwicklung gehören die Verwendung von Django- und Flask -Frameworks, API -Entwicklung, Datenanalyse und Visualisierung, maschinelles Lernen und KI sowie Leistungsoptimierung. 1. Django und Flask Framework: Django eignet sich für die schnelle Entwicklung komplexer Anwendungen, und Flask eignet sich für kleine oder hochmobile Projekte. 2. API -Entwicklung: Verwenden Sie Flask oder Djangorestframework, um RESTFUFFUPI zu erstellen. 3. Datenanalyse und Visualisierung: Verwenden Sie Python, um Daten zu verarbeiten und über die Webschnittstelle anzuzeigen. 4. Maschinelles Lernen und KI: Python wird verwendet, um intelligente Webanwendungen zu erstellen. 5. Leistungsoptimierung: optimiert durch asynchrones Programmieren, Caching und Code

See all articles