Caltech dalam PyTorch
Beli Saya Kopi☕
*Siaran saya menerangkan Caltech 101.
Caltech101() boleh menggunakan dataset Caltech 101 seperti yang ditunjukkan di bawah:
*Memo:
- Argumen pertama ialah root(Required-Type:str or pathlib.Path). *Laluan mutlak atau relatif boleh dilakukan.
- Argumen ke-2 ialah target_type(Optional-Default:"category"-Type:str or tuple or list of str). *"kategori" dan/atau "anotasi" boleh ditetapkan padanya.
- Argumen ke-3 ialah transform(Optional-Default:None-Type:callable).
- Argumen ke-4 ialah target_transform(Optional-Default:None-Type:callable).
- Argumen ke-5 ialah muat turun(Optional-Default:False-Type:bool):
*Memo:
- Jika Benar, set data dimuat turun dari internet dan diekstrak (dibuka zip) ke akar.
- Jika ia Benar dan set data sudah dimuat turun, ia akan diekstrak.
- Jika ia Benar dan set data sudah dimuat turun dan diekstrak, tiada apa yang berlaku.
- Ia sepatutnya Palsu jika set data sudah dimuat turun dan diekstrak kerana ia lebih pantas.
- Anda boleh memuat turun dan mengekstrak set data secara manual (101_ObjectCategories.tar.gz dan Anotasi.tar) dari sini ke data/caltech101/.
- Mengenai kategori indeks imej, Muka(0) ialah 0~434, Mudah_Muka(1) ialah 435~869, Leopards(2 ) ialah 870~1069, Motosikal(3) ialah 1070~1867, akordion(4) ialah 1868~1922, kapal terbang(5) ialah 1923~2722, 🎜>(6) ialah 2723~2764, semut(7) ialah 2765~2806, tong(8) ialah 2807~2853, bass(9) ialah 2854~2907, dll .
from torchvision.datasets import Caltech101 category_data = Caltech101( root="data" ) category_data = Caltech101( root="data", target_type="category", transform=None, target_transform=None, download=False ) annotation_data = Caltech101( root="data", target_type="annotation" ) all_data = Caltech101( root="data", target_type=["category", "annotation"] ) len(category_data), len(annotation_data), len(all_data) # (8677, 8677, 8677) category_data # Dataset Caltech101 # Number of datapoints: 8677 # Root location: data\caltech101 # Target type: ['category'] category_data.root # 'data/caltech101' category_data.target_type # ['category'] print(category_data.transform) # None print(category_data.target_transform) # None category_data.download # <bound method Caltech101.download of Dataset Caltech101 # Number of datapoints: 8677 # Root location: data\caltech101 # Target type: ['category']> len(category_data.categories) # 101 category_data.categories # ['Faces', 'Faces_easy', 'Leopards', 'Motorbikes', 'accordion', # 'airplanes', 'anchor', 'ant', 'barrel', 'bass', 'beaver', # 'binocular', 'bonsai', 'brain', 'brontosaurus', 'buddha', # 'butterfly', 'camera', 'cannon', 'car_side', 'ceiling_fan', # 'cellphone', 'chair', 'chandelier', 'cougar_body', 'cougar_face', ...] len(category_data.annotation_categories) # 101 category_data.annotation_categories # ['Faces_2', 'Faces_3', 'Leopards', 'Motorbikes_16', 'accordion', # 'Airplanes_Side_2', 'anchor', 'ant', 'barrel', 'bass', # 'beaver', 'binocular', 'bonsai', 'brain', 'brontosaurus', # 'buddha', 'butterfly', 'camera', 'cannon', 'car_side', # 'ceiling_fan', 'cellphone', 'chair', 'chandelier', 'cougar_body', ...] category_data[0] # (<PIL.JpegImagePlugin.JpegImageFile image mode=RGB size=510x337>, 0) category_data[1] # (<PIL.JpegImagePlugin.JpegImageFile image mode=RGB size=519x343>, 0) category_data[2] # (<PIL.JpegImagePlugin.JpegImageFile image mode=RGB size=492x325>, 0) category_data[435] # (<PIL.JpegImagePlugin.JpegImageFile image mode=RGB size=290x334>, 1) category_data[870] # (<PIL.JpegImagePlugin.JpegImageFile image mode=RGB size=192x128>, 2) annotation_data[0] # (<PIL.JpegImagePlugin.JpegImageFile image mode=RGB size=510x337>, # array([[10.00958466, 8.18210863, 8.18210863, 10.92332268, ...], # [132.30670927, 120.42811502, 103.52396166, 90.73162939, ...]])) annotation_data[1] # (<PIL.JpegImagePlugin.JpegImageFile image mode=RGB size=519x343>, # array([[15.19298246, 13.71929825, 15.19298246, 19.61403509, ...], # [121.5877193, 103.90350877, 80.81578947, 64.11403509, ...]])) annotation_data[2] # (<PIL.JpegImagePlugin.JpegImageFile image mode=RGB size=492x325>, # array([[10.40789474, 7.17807018, 5.79385965, 9.02368421, ...], # [131.30789474, 120.69561404, 102.23947368, 86.09035088, ...]])) annotation_data[435] # (<PIL.JpegImagePlugin.JpegImageFile image mode=RGB size=290x334>, # array([[64.52631579, 95.31578947, 123.26315789, 149.31578947, ...], # [15.42105263, 8.31578947, 10.21052632, 28.21052632, ...]])) annotation_data[870] # (<PIL.JpegImagePlugin.JpegImageFile image mode=RGB size=192x128>, # array([[2.96536524, 7.55604534, 19.45780856, 33.73992443, ...], # [23.63413098, 32.13539043, 33.83564232, 8.84193955, ...]])) all_data[0] # (<PIL.JpegImagePlugin.JpegImageFile image mode=RGB size=510x337>, # (0, array([[10.00958466, 8.18210863, 8.18210863, 10.92332268, ...], # [132.30670927, 120.42811502, 103.52396166, 90.73162939, ...]])) all_data[1] # (<PIL.JpegImagePlugin.JpegImageFile image mode=RGB size=519x343>, # (0, array([[15.19298246, 13.71929825, 15.19298246, 19.61403509, ...], # [121.5877193, 103.90350877, 80.81578947, 64.11403509, ...]])) all_data[2] # (<PIL.JpegImagePlugin.JpegImageFile image mode=RGB size=492x325>, # (0, array([[10.40789474, 7.17807018, 5.79385965, 9.02368421, ...], # [131.30789474, 120.69561404, 102.23947368, 86.09035088, ...]])) all_data[3] # (<PIL.JpegImagePlugin.JpegImageFile image mode=RGB size=538x355>, # (0, array([[19.54035088, 18.57894737, 26.27017544, 38.2877193, ...], # [131.49122807, 100.24561404, 74.2877193, 49.29122807, ...]])) all_data[4] # (<PIL.JpegImagePlugin.JpegImageFile image mode=RGB size=528x349>, # (0, array([[11.87982456, 11.87982456, 13.86578947, 15.35526316, ...], # [128.34649123, 105.50789474, 91.60614035, 76.71140351, ...]])) import matplotlib.pyplot as plt def show_images(data, main_title=None): plt.figure(figsize=(10, 5)) plt.suptitle(t=main_title, y=1.0, fontsize=14) ims = (0, 1, 2, 435, 870, 1070, 1868, 1923, 2723, 2765, 2807, 2854) for i, j in enumerate(ims, start=1): plt.subplot(2, 5, i) if len(data.target_type) == 1: if data.target_type[0] == "category": im, lab = data[j] plt.title(label=lab) elif data.target_type[0] == "annotation": im, (px, py) = data[j] plt.scatter(x=px, y=py) plt.imshow(X=im) elif len(data.target_type) == 2: if data.target_type[0] == "category": im, (lab, (px, py)) = data[j] elif data.target_type[0] == "annotation": im, ((px, py), lab) = data[j] plt.title(label=lab) plt.imshow(X=im) plt.scatter(x=px, y=py) if i == 10: break plt.tight_layout() plt.show() show_images(data=category_data, main_title="category_data") show_images(data=annotation_data, main_title="annotation_data") show_images(data=all_data, main_title="all_data")
Atas ialah kandungan terperinci Caltech dalam PyTorch. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!

Alat AI Hot

Undresser.AI Undress
Apl berkuasa AI untuk mencipta foto bogel yang realistik

AI Clothes Remover
Alat AI dalam talian untuk mengeluarkan pakaian daripada foto.

Undress AI Tool
Gambar buka pakaian secara percuma

Clothoff.io
Penyingkiran pakaian AI

Video Face Swap
Tukar muka dalam mana-mana video dengan mudah menggunakan alat tukar muka AI percuma kami!

Artikel Panas

Alat panas

Notepad++7.3.1
Editor kod yang mudah digunakan dan percuma

SublimeText3 versi Cina
Versi Cina, sangat mudah digunakan

Hantar Studio 13.0.1
Persekitaran pembangunan bersepadu PHP yang berkuasa

Dreamweaver CS6
Alat pembangunan web visual

SublimeText3 versi Mac
Perisian penyuntingan kod peringkat Tuhan (SublimeText3)

Topik panas

Penyelesaian kepada Isu Kebenaran Semasa Melihat Versi Python di Terminal Linux Apabila anda cuba melihat versi Python di Terminal Linux, masukkan Python ...

Cara mengelakkan dikesan semasa menggunakan fiddlerevery di mana untuk bacaan lelaki-dalam-pertengahan apabila anda menggunakan fiddlerevery di mana ...

Apabila menggunakan Perpustakaan Pandas Python, bagaimana untuk menyalin seluruh lajur antara dua data data dengan struktur yang berbeza adalah masalah biasa. Katakan kita mempunyai dua DAT ...

Bagaimanakah Uvicorn terus mendengar permintaan HTTP? Uvicorn adalah pelayan web ringan berdasarkan ASGI. Salah satu fungsi terasnya ialah mendengar permintaan HTTP dan teruskan ...

Fastapi ...

Menggunakan Python di Terminal Linux ...

Bagaimana Mengajar Asas Pengaturcaraan Pemula Komputer Dalam masa 10 jam? Sekiranya anda hanya mempunyai 10 jam untuk mengajar pemula komputer beberapa pengetahuan pengaturcaraan, apa yang akan anda pilih untuk mengajar ...

Memahami Strategi Anti-Crawling of Investing.com Ramai orang sering cuba merangkak data berita dari Investing.com (https://cn.investing.com/news/latest-news) ...
