Pytorch数据加载和处理 Python Pytorch深度学习之数据加载和处理
柚子味的羊 人气:0想了解Python Pytorch深度学习之数据加载和处理的相关内容吗，柚子味的羊在本文为您仔细讲解Pytorch数据加载和处理的相关知识和一些Code实例，欢迎阅读和指正，我们先划重点：Pytorch数据加载,Pytorch数据处理，下面大家一起来学习吧。
一、下载安装包
packages:
scikit-image:用于图像测IO和变换pandas:方便进行csv解析
二、下载数据集
数据集说明：该数据集（我在这）是imagenet数据集标注为face的图片当中在dlib面部检测表现良好的图片——处理的是一个面部姿态的数据集，也就是按照入戏方式标注人脸
数据集展示
三、读取数据集
#%%读取数据集
landmarks_frame=pd.read_csv('D:/Python/Pytorch/data/faces/face_landmarks.csv')
n=65
img_name=landmarks_frame.iloc[n,0]
landmarks=landmarks_frame.iloc[n,1:].values
landmarks=landmarks.astype('float').reshape(-1,2)
print('Image name :{}'.format(img_name))
print('Landmarks shape :{}'.format(landmarks.shape))
print('First 4 Landmarks:{}'.format(landmarks[:4]))
运行结果
四、编写一个函数看看图像和landmark
#%%编写显示人脸函数
def show_landmarks(image,landmarks):
plt.imshow(image)
plt.scatter(landmarks[:,0],landmarks[:,1],s=10,marker=".",c='r')
plt.pause(0.001)
plt.figure()
show_landmarks(io.imread(os.path.join('D:/Python/Pytorch/data/faces/',img_name)),landmarks)
plt.show()
运行结果
五、数据集类
torch.utils.data.Dataset是表示数据集的抽象类，自定义数据类应继承Dataset并覆盖__len__实现len（dataset）返还数据集的尺寸。__getitem__用来获取一些索引数据：
#%%数据集类——将数据集封装成一个类
class FaceLandmarksDataset(Dataset):
def __init__(self,csv_file,root_dir,transform=None):
# csv_file(string):待注释的csv文件的路径
# root_dir(string):包含所有图像的目录
# transform（callabele,optional）:一个样本上的可用的可选变换
self.landmarks_frame=pd.read_csv(csv_file)
self.root_dir=root_dir
self.transform=transform
def __len__(self):
return len(self.landmarks_frame)
def __getitem__(self, idx):
img_name=os.path.join(self.root_dir,self.landmarks_frame.iloc[idx,0])
image=io.imread(img_name)
landmarks=self.landmarks_frame.iloc[idx,1:]
landmarks=np.array([landmarks])
landmarks=landmarks.astype('float').reshape(-1,2)
sample={'image':image,'landmarks':landmarks}
if self.transform:
sample=self.transform(sample)
return sample
六、数据可视化
#%%数据可视化
# 将上面定义的类进行实例化并便利整个数据集
face_dataset=FaceLandmarksDataset(csv_file='D:/Python/Pytorch/data/faces/face_landmarks.csv',
root_dir='D:/Python/Pytorch/data/faces/')
fig=plt.figure()
for i in range(len(face_dataset)) :
sample=face_dataset[i]
print(i,sample['image'].shape,sample['landmarks'].shape)
ax=plt.subplot(1,4,i+1)
plt.tight_layout()
ax.set_title('Sample #{}'.format(i))
ax.axis('off')
show_landmarks(**sample)
if i==3:
plt.show()
break
运行结果
七、数据变换
由上图可以发现每张图像的尺寸大小是不同的。绝大多数神经网路都嘉定图像的尺寸相同。所以需要对图像先进行预处理。创建三个转换：
Rescale：缩放图片
RandomCrop:对图片进行随机裁剪
ToTensor:把numpy格式图片转成torch格式图片（交换坐标轴）和上面同样的方式，将其写成一个类，这样就不需要在每次调用的时候川第一此参数，只需要实现__call__的方法，必要的时候使用__init__方法
1、Function_Rescale
# 将样本中的图像重新缩放到给定的大小
class Rescale(object):
def __init__(self,output_size):
assert isinstance(output_size,(int,tuple))
self.output_size=output_size
#output_size 为int或tuple，如果是元组输出与output_size匹配，
#如果是int，匹配较小的图像边缘到output_size保持纵横比相同
def __call__(self,sample):
image,landmarks=sample['image'],sample['landmarks']
h,w=image.shape[:2]
if isinstance(self.output_size, int):#输入参数是int
if h>w:
new_h,new_w=self.output_size*h/w,self.output_size
else:
new_h,new_w=self.output_size,self.output_size*w/h
else:#输入参数是元组
new_h,new_w=self.output_size
new_h,new_w=int(new_h),int(new_w)
img=transform.resize(image, (new_h,new_w))
landmarks=landmarks*[new_w/w,new_h/h]
return {'image':img,'landmarks':landmarks}
2、Function_RandomCrop
# 随机裁剪样本中的图像
class RandomCrop(object):
def __init__(self,output_size):
assert isinstance(output_size, (int,tuple))
if isinstance(output_size, int):
self.output_size=(output_size,output_size)
else:
assert len(output_size)==2
self.output_size=output_size
# 输入参数依旧表示想要裁剪后图像的尺寸，如果是元组其而包含两个元素直接复制长宽，如果是int，则裁剪为方形
def __call__(self,sample):
image,landmarks=sample['image'],sample['landmarks']
h,w=image.shape[:2]
new_h,new_w=self.output_size
#确定图片裁剪位置
top=np.random.randint(0,h-new_h)
left=np.random.randint(0,w-new_w)
image=image[top:top+new_h,left:left+new_w]
landmarks=landmarks-[left,top]
return {'image':image,'landmarks':landmarks}
3、Function_ToTensor
#%%
# 将样本中的npdarray转换为Tensor
class ToTensor(object):
def __call__(self,sample):
image,landmarks=sample['image'],sample['landmarks']
image=image.transpose((2,0,1))#交换颜色轴
#numpy的图片是：Height*Width*Color
#torch的图片是：Color*Height*Width
return {'image':torch.from_numpy(image),
'landmarks':torch.from_numpy(landmarks)}
八、组合转换
将上面编写的类应用到实例中
Req: 把图像的短边调整为256，随机裁剪（randomcrop）为224大小的正方形。即：组合一个Rescale和RandomCrop的变换。
#%%
scale=Rescale(256)
crop=RandomCrop(128)
composed=transforms.Compose([Rescale(256),RandomCrop(224)])
# 在样本上应用上述变换
fig=plt.figure()
sample=face_dataset[65]
for i,tsfrm in enumerate([scale,crop,composed]):
transformed_sample=tsfrm(sample)
ax=plt.subplot(1,3,i+1)
plt.tight_layout()
ax.set_title(type(tsfrm).__name__)
show_landmarks(**transformed_sample)
plt.show()
运行结果
九、迭代数据集
把这些整合起来以创建一个带有组合转换的数据集，总结一下没每次这个数据集被采样的时候：及时的从文件中读取图片，对读取的图片应用转换，由于其中一部是随机的randomcrop,数据被增强了。可以使用循环对创建的数据集执行同样的操作
transformed_dataset=FaceLandmarksDataset(csv_file='D:/Python/Pytorch/data/faces/face_landmarks.csv',
root_dir='D:/Python/Pytorch/data/faces/',
transform=transforms.Compose([
Rescale(256),
RandomCrop(224),
ToTensor()
]))
for i in range(len(transformed_dataset)):
sample=transformed_dataset[i]
print(i,sample['image'].size(),sample['landmarks'].size())
if i==3:
break
运行结果
对所有数据集简单使用for循环会牺牲很多功能——>麻烦，效率低！！改用多线程并行进行
torch.utils.data.DataLoader可以提供上述功能的迭代器。collate_fn参数可以决定如何对数据进行批处理，绝大多数情况下默认值就OK
transformed_dataset=FaceLandmarksDataset(csv_file='D:/Python/Pytorch/data/faces/face_landmarks.csv',
root_dir='D:/Python/Pytorch/data/faces/',
transform=transforms.Compose([
Rescale(256),
RandomCrop(224),
ToTensor()
]))
for i in range(len(transformed_dataset)):
sample=transformed_dataset[i]
print(i,sample['image'].size(),sample['landmarks'].size())
if i==3:
break
总结
本篇文章就到这里了，希望能够给你带来帮助，也希望您能够多多关注的更多内容！
加载全部内容