pytorch深度神经网络入门准备自己的图片数据

图片数据一般有两种情况：

1、所有图片放在一个文件夹内，另外有一个txt文件显示标签。

2、不同类别的图片放在不同的文件夹内，文件夹就是图片的类别。

针对这两种不同的情况，数据集的准备也不相同，第一种情况可以自定义一个Dataset，第二种情况直接调用torchvision.datasets.ImageFolder来处理。下面分别进行说明：

一、所有图片放在一个文件夹内

这里以mnist数据集的10000个test为例, 我先把test集的10000个图片保存出来，并生着对应的txt标签文件。

先在当前目录创建一个空文件夹mnist_test, 用于保存10000张图片，接着运行代码：

import torch
import torchvision
import matplotlib.pyplot as plt
from skimage import io
mnist_test= torchvision.datasets.MNIST(
   './mnist', train=False, download=True
)
print('test set:', len(mnist_test))
f=open('mnist_test.txt','w')
for i,(img,label) in enumerate(mnist_test):
   img_path="./mnist_test/"+str(i)+".jpg"
   io.imsave(img_path,img)
   f.write(img_path+' '+str(label)+'\n')
f.close()

经过上面的操作，10000张图片就保存在mnist_test文件夹里了，并在当前目录下生成了一个mnist_test.txt的文件，大致如下：

前期工作就装备好了，接着就进入正题了：

from torchvision import transforms, utils
from torch.utils.data import Dataset, DataLoader
import matplotlib.pyplot as plt
from PIL import Image
def default_loader(path):
   return Image.open(path).convert('RGB')
class MyDataset(Dataset):
   def __init__(self, txt, transform=None, target_transform=None, loader=default_loader):
       fh = open(txt, 'r')
       imgs = []
       for line in fh:
           line = line.strip('\n')
           line = line.rstrip()
           words = line.split()
           imgs.append((words[0],int(words[1])))
       self.imgs = imgs
       self.transform = transform
       self.target_transform = target_transform
       self.loader = loader
   def __getitem__(self, index):
       fn, label = self.imgs[index]
       img = self.loader(fn)
       if self.transform is not None:
           img = self.transform(img)
       return img,label
   def __len__(self):
       return len(self.imgs)
train_data=MyDataset(txt='mnist_test.txt', transform=transforms.ToTensor())
data_loader = DataLoader(train_data, batch_size=100,shuffle=True)
print(len(data_loader))
def show_batch(imgs):
   grid = utils.make_grid(imgs)
   plt.imshow(grid.numpy().transpose((1, 2, 0)))
   plt.title('Batch from dataloader')
for i, (batch_x, batch_y) in enumerate(data_loader):
   if(i<4):
       print(i, batch_x.size(),batch_y.size())
       show_batch(batch_x)
       plt.axis('off')
       plt.show()

自定义了一个MyDataset, 继承自torch.utils.data.Dataset。然后利用torch.utils.data.DataLoader将整个数据集分成多个批次。

二、不同类别的图片放在不同的文件夹内

同样先准备数据，这里以flowers数据集为例

提取 链接: https://pan.baidu.com/s/1dcAsOOZpUfWNYR77JGXPHA?pwd=mwg6 

花总共有五类，分别放在5个文件夹下。大致如下图：

我的路径是d:/flowers/.

数据准备好了，就开始准备Dataset吧，这里直接调用torchvision里面的ImageFolder

import torch
import torchvision
from torchvision import transforms, utils
import matplotlib.pyplot as plt
img_data = torchvision.datasets.ImageFolder('D:/bnu/database/flower',
                                           transform=transforms.Compose([
                                               transforms.Scale(256),
                                               transforms.CenterCrop(224),
                                               transforms.ToTensor()])
                                           )
print(len(img_data))
data_loader = torch.utils.data.DataLoader(img_data, batch_size=20,shuffle=True)
print(len(data_loader))
def show_batch(imgs):
   grid = utils.make_grid(imgs,nrow=5)
   plt.imshow(grid.numpy().transpose((1, 2, 0)))
   plt.title('Batch from dataloader')
for i, (batch_x, batch_y) in enumerate(data_loader):
   if(i<4):
       print(i, batch_x.size(), batch_y.size())
       show_batch(batch_x)
       plt.axis('off')
       plt.show()

来源：https://www.cnblogs.com/denny402/p/7512516.html