Orte in PyTorch

Kauf mir einen Kaffee☕

*Mein Beitrag erklärt Places365.

Places365() kann den Places365-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-standard"-Type:str). *"train-standard" (1.803.460 Bilder), "train-challenge" (8.026.628 Bilder) oder "val" (36.500 Bilder) können darauf eingestellt werden. „test“ (328.500 Bilder) wird nicht unterstützt, daher habe ich die Funktion auf GitHub angefordert.
• Das 3. Argument ist klein (Optional-Default:False-Type:bool).
• Das 4. 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, tritt ein Fehler auf, weil die extrahierten Ordner vorhanden sind. *Beim Löschen der extrahierten Ordner wird keine Fehlermeldung angezeigt.
  • Es sollte False sein, wenn der Datensatz bereits heruntergeladen und extrahiert wurde, um keine Fehlermeldung zu erhalten.
  • Von hier:
    • Für split="train-standard" und small=False können Sie den Datensatz filelist_places365-standard.tar und train_large_places365standard.tar manuell herunterladen und nach data/ bzw. data/data_large_standard/ extrahieren.
    • Für split="train-standard" und small=True können Sie den Datensatz filelist_places365-standard.tar und train_256_places365standard.tar manuell herunterladen und nach data/ bzw. data/data_256_standard/ extrahieren.
    • Für split="train-challenge" und small=False können Sie den Datensatz filelist_places365-challenge.tar und train_large_places365challenge.tar manuell herunterladen und nach data/ bzw. data/data_large/ extrahieren.
    • Für split="train-challenge" und small=True können Sie den Datensatz filelist_places365-challenge.tar und train_256_places365challenge.tar manuell herunterladen und nach data/ bzw. data/data_256_challenge/ extrahieren.
    • Für split="val" und small=False können Sie den Datensatz filelist_places365-standard.tar und val_large.tar manuell herunterladen und nach data/ bzw. data/val_large/ extrahieren.
    • Für split="val" und small=True können Sie den Datensatz filelist_places365-standard.tar und val_large.tar manuell herunterladen und in data/ bzw. data/val_256/ extrahieren.
• Das 5. Argument ist transform(Optional-Default:None-Type:callable).
• Das 6. Argument ist target_transform(Optional-Default:None-Type:callable).
• Das 7. Argument ist Loader (Optional-Default:torchvision.datasets.folder.default_loader-Type:callable).
• Über die Bezeichnung aus den Klassen für die „Train-Standard“-Bildindizes: airfield(0) ist 0~4999, airplane_cabin(1) ist 5000~9999, airport_terminal(2) ist 10000~14999, Alkoven(3) ist 15000~19999, Gasse(4) ist 20000~24999, Amphitheater(5) ist 25000~29999, Vergnügungshalle(6) ist 30000~34999, Vergnügungspark(7) ist 35000~39999, Wohnungsgebäude/Außenbereich(8) ist 40000~44999, Aquarium(9) ist 45000~49999 , usw.
• Über die Bezeichnung aus den Klassen für die „Train-Challenge“-Bildindizes: airfield(0) ist 0~38566, airplane_cabin(1) ist 38567~47890, airport_terminal(2) ist 47891~74901, Alkoven(3) ist 74902~98482, Gasse(4) ist 98483~137662, Amphitheater(5) ist 137663~150034, amusement_arcade(6) ist 150035~161051, amusement_park(7) ist 161052~201051, apartment_building/outdoor(8) ist 201052~227872, Aquarium(9) ist 227873~267872 usw.

from torchvision.datasets import Places365
from torchvision.datasets.folder import default_loader

trainstd_large_data = Places365(
    root="data"
)

trainstd_large_data = Places365(
    root="data",
    split="train-standard",
    small=False,
    download=False,
    transform=None,
    target_transform=None,
    loader=default_loader
)

trainstd_small_data = Places365(
    root="data",
    split="train-standard",
    small=True
)

trainchal_large_data = Places365(
    root="data",
    split="train-challenge",
    small=False
)

trainchal_small_data = Places365(
    root="data",
    split="train-challenge",
    small=True
)

val_large_data = Places365(
    root="data",
    split="val",
    small=False
)

val_small_data = Places365(
    root="data",
    split="val",
    small=True
)

len(trainstd_large_data), len(trainstd_small_data)
# (1803460, 1803460)

len(trainchal_large_data), len(trainchal_small_data)
# (8026628, 8026628)

len(val_large_data), len(val_small_data)
# (36500, 36500)

trainstd_large_data
# Dataset Places365
#     Number of datapoints: 1803460
#     Root location: data
#     Split: train-standard
#     Small: False

trainstd_large_data.root
# 'data'

trainstd_large_data.split
# 'train-standard'

trainstd_large_data.small
# False

trainstd_large_data.download_devkit
trainstd_large_data.download_images
# <bound method Places365.download_devkit of Dataset Places365
#     Number of datapoints: 1803460
#     Root location: data
#     Split: train-standard
#     Small: False>

print(trainstd_large_data.transform)
# None

print(trainstd_large_data.target_transform)
# None

trainstd_large_data.loader
# <function torchvision.datasets.folder.default_loader(path: str) -> Any>

len(trainstd_large_data.classes), trainstd_large_data.classes
# (365,
#  ['/a/airfield', '/a/airplane_cabin', '/a/airport_terminal',
#   '/a/alcove', '/a/alley', '/a/amphitheater', '/a/amusement_arcade',
#   '/a/amusement_park', '/a/apartment_building/outdoor',
#   '/a/aquarium', '/a/aqueduct', '/a/arcade', '/a/arch',
#   '/a/archaelogical_excavation', ..., '/y/youth_hostel', '/z/zen_garden'])

trainstd_large_data[0]
# (<PIL.Image.Image image mode=RGB size=683x512>, 0)

trainstd_large_data[1]
# (<PIL.Image.Image image mode=RGB size=768x512>, 0)

trainstd_large_data[2]
# (<PIL.Image.Image image mode=RGB size=718x512>, 0)

trainstd_large_data[5000]
# (<PIL.Image.Image image mode=RGB size=512x683 at 0x1E7834F4770>, 1)

trainstd_large_data[10000]
# (<PIL.Image.Image image mode=RGB size=683x512 at 0x1E7834A8110>, 2)

trainstd_small_data[0]
# (<PIL.Image.Image image mode=RGB size=256x256>, 0)

trainstd_small_data[1]
# (<PIL.Image.Image image mode=RGB size=256x256>, 0)

trainstd_small_data[2]
# (<PIL.Image.Image image mode=RGB size=256x256>, 0)

trainstd_small_data[5000]
# (<PIL.Image.Image image mode=RGB size=256x256>, 1)

trainstd_small_data[10000]
# (<PIL.Image.Image image mode=RGB size=256x256>, 2)

trainchal_large_data[0]
# (<PIL.Image.Image image mode=RGB size=683x512 at 0x156E22BB680>, 0)

trainchal_large_data[1]
# (<PIL.Image.Image image mode=RGB size=768x512 at 0x156DF8213D0>, 0)

trainchal_large_data[2]
# (<PIL.Image.Image image mode=RGB size=718x512 at 0x156DF8213D0>, 0)

trainchal_large_data[38567]
# (<PIL.Image.Image image mode=RGB size=512x683 at 0x156DF8213D0>, 1)

trainchal_large_data[47891]
# (<PIL.Image.Image image mode=RGB size=683x512 at 0x156DF8213D0>, 2)

trainchal_small_data[0]
# (<PIL.Image.Image image mode=RGB size=256x256 at 0x2955B625CA0>, 0)

trainchal_small_data[1]
# (<PIL.Image.Image image mode=RGB size=256x256 at 0x2950D2A8350>, 0)

trainchal_small_data[2]
# (<PIL.Image.Image image mode=RGB size=256x256 at 0x2950D2A82C0>, 0)

trainchal_small_data[38567]
# (<PIL.Image.Image image mode=RGB size=256x256 at 0x2955B3BF6B0>, 1)

trainchal_small_data[47891]
# (<PIL.Image.Image image mode=RGB size=256x256 at 0x2955B3DD4F0>, 2)

val_large_data[0]
# (<PIL.Image.Image image mode=RGB size=512x772 at 0x295408DA750>, 165)

val_large_data[1]
# (<PIL.Image.Image image mode=RGB size=600x493 at 0x29561D468D0>, 358)

val_large_data[2]
# (<PIL.Image.Image image mode=RGB size=763x512 at 0x2955E09DD60>, 93)

val_large_data[3]
# (<PIL.Image.Image image mode=RGB size=827x512 at 0x29540938A70>, 164)

val_large_data[4]
# (<PIL.Image.Image image mode=RGB size=772x512 at 0x29562600650>, 289)

val_small_data[0]
# (<PIL.Image.Image image mode=RGB size=256x256 at 0x2950D34C500>, 165)

val_small_data[1]
# (<PIL.Image.Image image mode=RGB size=256x256 at 0x29540892870>, 358)

val_small_data[2]
# (<PIL.Image.Image image mode=RGB size=256x256 at 0x2954085DBB0>, 93)

val_small_data[3]
# (<PIL.Image.Image image mode=RGB size=256x256 at 0x29561E348C0>, 164)

val_small_data[4]
# (<PIL.Image.Image image mode=RGB size=256x256 at 0x29560A415B0>, 289)

import matplotlib.pyplot as plt

def show_images(data, ims, main_title=None):
    plt.figure(figsize=(12, 6))
    plt.suptitle(t=main_title, y=1.0, fontsize=14)
    for i, j in enumerate(iterable=ims, start=1):
        plt.subplot(2, 5, i)
        im, lab = data[j]
        plt.imshow(X=im)
        plt.title(label=lab)
    plt.tight_layout(h_pad=3.0)
    plt.show()

trainstd_ims = (0, 1, 2, 5000, 10000, 15000, 20000, 25000, 30000, 35000)
trainchal_ims = (0, 1, 2, 38567, 47891, 74902, 98483, 137663, 150035, 161052)
val_ims = (0, 1, 2, 3, 4, 5, 6, 7, 8, 9)

show_images(data=trainstd_large_data, ims=trainstd_ims,
            main_title="trainstd_large_data")
show_images(data=trainstd_small_data, ims=trainstd_ims,
            main_title="trainstd_small_data")
show_images(data=trainchal_large_data, ims=trainchal_ims,
            main_title="trainchal_large_data")
show_images(data=trainchal_small_data, ims=trainchal_ims,
            main_title="trainchal_small_data")
show_images(data=val_large_data, ims=val_ims,
            main_title="val_large_data")
show_images(data=val_small_data, ims=val_ims,
            main_title="val_small_data")

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