Lieux dans PyTorch

Achetez-moi un café☕

*Mon message explique Places365.

Places365() peut utiliser l'ensemble de données Places365 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-standard"-Type:str). *"train-standard" (1 803 460 images), "train-challenge" (8 026 628 images) ou "val" (36 500 images) peuvent y être définis. "test" (328 500 images) n'est pas pris en charge, j'ai donc demandé la fonctionnalité sur GitHub.
• Le 3ème argument est petit (Optional-Default:False-Type:bool).
• Le 4ème argument est download(Optional-Default:False-Type:bool) : *Mémos :
  • Si c'est vrai, l'ensemble de données est téléchargé depuis Internet et extrait (décompressé) vers root.
  • Si c'est True et que l'ensemble de données est déjà téléchargé, il est extrait.
  • Si c'est vrai et que l'ensemble de données est déjà téléchargé et extrait, une erreur se produit car les dossiers extraits existent. *La suppression des dossiers extraits ne génère pas d'erreur.
  • Il doit être faux si l'ensemble de données est déjà téléchargé et extrait pour ne pas obtenir d'erreur.
  • D'ici :
    • pour split="train-standard" et small=False, vous pouvez télécharger et extraire manuellement l'ensemble de données filelist_places365-standard.tar et train_large_places365standard.tar vers data/ et data/data_large_standard/ respectivement.
    • pour split="train-standard" et small=True, vous pouvez télécharger et extraire manuellement l'ensemble de données filelist_places365-standard.tar et train_256_places365standard.tar vers data/ et data/data_256_standard/ respectivement.
    • pour split="train-challenge" et small=False, vous pouvez télécharger et extraire manuellement l'ensemble de données filelist_places365-challenge.tar et train_large_places365challenge.tar vers data/ et data/data_large/ respectivement.
    • pour split="train-challenge" et small=True, vous pouvez télécharger et extraire manuellement l'ensemble de données filelist_places365-challenge.tar et train_256_places365challenge.tar vers data/ et data/data_256_challenge/ respectivement.
    • pour split="val" et small=False, vous pouvez télécharger et extraire manuellement l'ensemble de données filelist_places365-standard.tar et val_large.tar respectivement dans data/ et data/val_large/.
    • pour split="val" et small=True, vous pouvez télécharger et extraire manuellement l'ensemble de données filelist_places365-standard.tar et val_large.tar vers data/ et data/val_256/ respectivement.
• Le 5ème argument est transform(Optional-Default:None-Type:callable).
• Le 6ème argument est target_transform(Optional-Default:None-Type:callable).
• Le 7ème argument est loader(Optional-Default:torchvision.datasets.folder.default_loader-Type:callable).
• À propos de l'étiquette des classes pour les indices d'image "train-standard", aérodrome(0) est 0~4999, airplane_cabin(1) est 5000~9999, airport_terminal(2) est 10000~14999, alcôve(3) vaut 15000~19999, allée(4) vaut 20000~24999, amphithéâtre(5) vaut 25000~29999, amusement_arcade(6) est 30000~34999, amusement_park(7) vaut 35000~39999, apartment_building/outdoor(8) vaut 40000~44999, aquarium(9) vaut 45000~49999. , etc.
• À propos de l'étiquette des classes pour les indices d'image "train-challenge", aérodrome(0) est 0~38566, airplane_cabin(1) est 38567~47890, airport_terminal(2) est 47891~74901, alcôve(3) est 74902~98482, allée(4) est 98483~137662, amphithéâtre(5) est 137663~150034, amusement_arcade(6) est 150035~161051, amusement_park(7) est 161052~201051, apartment_building/outdoor(8) est 201052~227872, aquarium(9) est 227873~267872, etc.

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")

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!