StanfordCars dans PyTorch
Achetez-moi un café☕
*Mon message explique Stanford Cars.
StanfordCars() peut utiliser l'ensemble de données Stanford Cars comme indiqué ci-dessous :
*Mémos :
- Le 1er argument est root (Required-Type:str ou pathlib.Path). *Un chemin absolu ou relatif est possible.
- Le 2ème argument est split(Optional-Default:"train"-Type:str). *"train" (8 144 images) ou "test" (8 041 images) peuvent y être définis.
- Le 3ème argument est transform(Optional-Default:None-Type:callable).
- Le 4ème argument est target_transform(Optional-Default:None-Type:callable).
- Le 5ème argument est download(Optional-Default:False-Type:bool) :
*Mémos :
- Gardez faux, car si c'est vrai, une erreur se produit car l'URL d'origine est cassée.
- Vous devez donc télécharger et extraire manuellement archive.zip à partir d'ici, archive.zip à partir d'ici et car_devkit.tgz vers data/stanford_cars/ comme indiqué ci-dessous :
*Mémos :
- cars_test_annos_withlabels (1).mat doit être renommé cars_test_annos_withlabels.mat.
- cars_annos.mat et cars_annos (2).mat ne sont pas nécessaires et il existe également des fichiers en double.
- Vous pouvez également voir les instructions.
data └-stanford_cars |-cars_test_annos_withlabels.mat |-cars_test | └-*.jpg |-cars_train | └-*.jpg └-devkit |-cars_meta.mat |-cars_test_annos.mat |-cars_train_annos.mat |-eval_train.m |-README.txt └-train_perfect_preds.txt
from torchvision.datasets import StanfordCars train_data = StanfordCars( root="data" ) train_data = StanfordCars( root="data", split="train", transform=None, target_transform=None, download=False ) test_data = StanfordCars( root="data", split="test" ) len(train_data), len(test_data) # (8144, 8041) train_data # Dataset StanfordCars # Number of datapoints: 8144 # Root location: data train_data.root # 'data' train_data._split # 'train' print(train_data.transform) # None print(train_data.target_transform) # None train_data.download # <bound method StanfordCars.download of Dataset StanfordCars # Number of datapoints: 8144 # Root location: data> len(train_data.classes), train_data.classes # (196, # ['AM General Hummer SUV 2000', 'Acura RL Sedan 2012', 'Acura TL Sedan 2012', # 'Acura TL Type-S 2008', ..., 'Volvo 240 Sedan 1993', # 'Volvo XC90 SUV 2007', 'smart fortwo Convertible 2012']) train_data[0] # (<PIL.Image.Image image mode=RGB size=600x400>, 13) train_data[1] # (<PIL.Image.Image image mode=RGB size=900x675>, 2) train_data[2] # (<PIL.Image.Image image mode=RGB size=640x480>, 90) train_data[3] # (<PIL.Image.Image image mode=RGB size=2100x1386>, 133) train_data[4] # (<PIL.Image.Image image mode=RGB size=144x108>, 105) import matplotlib.pyplot as plt def show_images(data, main_title=None): plt.figure(figsize=(12, 5)) plt.suptitle(t=main_title, y=1.0, fontsize=14) for i, (im, lab) in zip(range(1, 11), data): plt.subplot(2, 5, i) plt.imshow(X=im) plt.title(label=lab) plt.tight_layout() plt.show() show_images(data=train_data, main_title="train_data") show_images(data=test_data, main_title="test_data") 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")
Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!

Outils d'IA chauds

Undresser.AI Undress
Application basée sur l'IA pour créer des photos de nu réalistes

AI Clothes Remover
Outil d'IA en ligne pour supprimer les vêtements des photos.

Undress AI Tool
Images de déshabillage gratuites

Clothoff.io
Dissolvant de vêtements AI

Video Face Swap
Échangez les visages dans n'importe quelle vidéo sans effort grâce à notre outil d'échange de visage AI entièrement gratuit !

Article chaud

Outils chauds

Bloc-notes++7.3.1
Éditeur de code facile à utiliser et gratuit

SublimeText3 version chinoise
Version chinoise, très simple à utiliser

Envoyer Studio 13.0.1
Puissant environnement de développement intégré PHP

Dreamweaver CS6
Outils de développement Web visuel

SublimeText3 version Mac
Logiciel d'édition de code au niveau de Dieu (SublimeText3)

Sujets chauds

Python convient à la science des données, au développement Web et aux tâches d'automatisation, tandis que C convient à la programmation système, au développement de jeux et aux systèmes intégrés. Python est connu pour sa simplicité et son écosystème puissant, tandis que C est connu pour ses capacités de contrôle élevées et sous-jacentes.

Vous pouvez apprendre les bases de Python dans les deux heures. 1. Apprenez les variables et les types de données, 2. Structures de contrôle maître telles que si les instructions et les boucles, 3. Comprenez la définition et l'utilisation des fonctions. Ceux-ci vous aideront à commencer à écrire des programmes Python simples.

Python excelle dans les jeux et le développement de l'interface graphique. 1) Le développement de jeux utilise Pygame, fournissant des fonctions de dessin, audio et d'autres fonctions, qui conviennent à la création de jeux 2D. 2) Le développement de l'interface graphique peut choisir Tkinter ou Pyqt. Tkinter est simple et facile à utiliser, PYQT a des fonctions riches et convient au développement professionnel.

Vous pouvez apprendre les concepts de programmation de base et les compétences de Python dans les 2 heures. 1. Apprenez les variables et les types de données, 2. Flux de contrôle maître (instructions et boucles conditionnelles), 3. Comprenez la définition et l'utilisation des fonctions, 4. Démarrez rapidement avec la programmation Python via des exemples simples et des extraits de code.

Python est plus facile à apprendre et à utiliser, tandis que C est plus puissant mais complexe. 1. La syntaxe Python est concise et adaptée aux débutants. Le typage dynamique et la gestion automatique de la mémoire le rendent facile à utiliser, mais peuvent entraîner des erreurs d'exécution. 2.C fournit des fonctionnalités de contrôle de bas niveau et avancées, adaptées aux applications haute performance, mais a un seuil d'apprentissage élevé et nécessite une gestion manuelle de la mémoire et de la sécurité.

Python est largement utilisé dans les domaines du développement Web, de la science des données, de l'apprentissage automatique, de l'automatisation et des scripts. 1) Dans le développement Web, les cadres Django et Flask simplifient le processus de développement. 2) Dans les domaines de la science des données et de l'apprentissage automatique, les bibliothèques Numpy, Pandas, Scikit-Learn et Tensorflow fournissent un fort soutien. 3) En termes d'automatisation et de script, Python convient aux tâches telles que les tests automatisés et la gestion du système.

Pour maximiser l'efficacité de l'apprentissage de Python dans un temps limité, vous pouvez utiliser les modules DateTime, Time et Schedule de Python. 1. Le module DateTime est utilisé pour enregistrer et planifier le temps d'apprentissage. 2. Le module de temps aide à définir l'étude et le temps de repos. 3. Le module de planification organise automatiquement des tâches d'apprentissage hebdomadaires.

Python est très favorisé pour sa simplicité et son pouvoir, adaptés à tous les besoins des débutants aux développeurs avancés. Sa polyvalence se reflète dans: 1) Facile à apprendre et à utiliser, syntaxe simple; 2) Bibliothèques et cadres riches, tels que Numpy, Pandas, etc.; 3) Support multiplateforme, qui peut être exécuté sur une variété de systèmes d'exploitation; 4) Convient aux tâches de script et d'automatisation pour améliorer l'efficacité du travail.
