淄博知名的做网站推广,wordpress 路由设计,湖北建设厅网站怎么打不开,做网站什么类型好ImageFolder详解 1、数据准备2、ImageFolder类的定义transforms.ToTensor()解析 3、ImageFolder返回对象 1、数据准备
创建一个文件夹#xff0c;比如叫dataset#xff0c;将cat和dog文件夹都放在dataset文件夹路径下#xff1a;
2、ImageFolder类的定义
class ImageFol… ImageFolder详解 1、数据准备2、ImageFolder类的定义transforms.ToTensor()解析 3、ImageFolder返回对象 1、数据准备
创建一个文件夹比如叫dataset将cat和dog文件夹都放在dataset文件夹路径下
2、ImageFolder类的定义
class ImageFolder(DatasetFolder):def __init__(self,root: str,transform: Optional[Callable] None,target_transform: Optional[Callable] None,loader: Callable[[str], Any] default_loader,is_valid_file: Optional[Callable[[str], bool]] None,):可以看到ImageFolder类有这几个参数 root:图片存储的根目录即存放不同类别图片文件夹的前一个路径。 transform:即对加载的这些图片进行的前处理的方式这里可以传入一个实例化的torchvision.Compose()对象里面包含了各种预处理的操作。 target_transform:对图片类别进行预处理通常来说不会用到这一步因此可以直接不传入参数默认图像标签没有变换如果需要进行标签的处理同样可以传入一个实例化的torchvision.Compose()对象。 loader:表示图像数据加载的方式通常采用默认的加载方式ImageFolder加载图像的方式为调用PIL库因此图像的通道顺序是RGB而非opencv的BGR。 is_valid_file:获取图像文件路径的函数并且可以检查是否有损坏的文件。 示例代码
ROOT_TEST dataset #dataset/cat, dataset/dog
normalize transforms.Normalize([0.5, 0.5, 0.5], [0.5, 0.5, 0.5])
val_transform transforms.Compose([transforms.Resize((224, 224)),transforms.ToTensor(),normalize
])# 加载训练数据集
val_dataset ImageFolder(ROOT_TEST, transformval_transform)transforms.ToTensor()解析
这里需要特别说一下ToTensor()这个函数的作用刚接触深度学习的我那时以为只是单纯的将图像的ndarray和PIL格式转成Tensor格式后来查看了一下源码之后发现事情并没有这么简答 Convert a PIL Image or ndarray to tensor and scale the values accordingly.This transform does not support torchscript.Converts a PIL Image or numpy.ndarray (H x W x C) in the range[0, 255] to a torch.FloatTensor of shape (C x H x W) in the range [0.0, 1.0]if the PIL Image belongs to one of the modes (L, LA, P, I, F, RGB, YCbCr, RGBA, CMYK, 1)or if the numpy.ndarray has dtype np.uint8In the other cases, tensors are returned without scaling... note::Because the input image is scaled to [0.0, 1.0], this transformation should not be used whentransforming target image masks. See the references_ for implementing the transforms for image masks... _references: https://github.com/pytorch/vision/tree/main/references/segmentation这是关于ToTensor()函数的注解这里明确指出了ToTensor()可以将PIL和ndarray格式的图像数据转成Tensor并缩放它们的值这里的缩放他们的值的意思在下面也指出了即将[0 255]的像素值域归一化[0, 1.0]并且图像转换成Tensor格式之后维度的顺序也会发生一点变化从一开始的HWC变成了CHW的排列方式。
3、ImageFolder返回对象
以第一部分为例我们用一个val_dataset接收了ImageFolder的返回值那么这个Val_dataset对象里面包含了什么呢 val_dataset.classes:存放着根目录下的子文件夹的名称类别名称的列表。 val_dataset.class_to_idx:存放着类别名称和各自的索引字典类型。 val_dataset.extensions:存放着ImageFolder可以读取的图像格式名称元组类型。 val_dataset.targets:存放着根目录下每一张图的类别索引。 val_dataset.transform:我们提供的transform的方式。 val_dataset.imgs:存放着根目录下每一张图的路径和类别索引。元组列表类型。 以上是关于这个ImageFolder返回的对象的属性的解析。
此外我们可以通过一个for循环来遍历整个val_dataset的所有图像数据其中val_dataset[i]是一个元组类型的数据val_dataset[i][0]代表了前处理后的图像数据类型为tensor以AlexNet为例此时的tensor应该是3 * 224 * 224的维度。val_dataset[i][1]代表了图像的类别索引。 完整示例代码
import torch
from AlexNet import AlexNet
from torch.autograd import Variable
from torchvision import transforms
from torchvision.transforms import ToPILImage
from torchvision.datasets import ImageFolder
from torch.utils.data import DataLoader# ROOT_TRAIN D:/pycharm/AlexNet/data/train
ROOT_TEST dataset# 将图像的像素值归一化到[-1,1]之间
normalize transforms.Normalize([0.5, 0.5, 0.5], [0.5, 0.5, 0.5])val_transform transforms.Compose([transforms.Resize((224, 224)),transforms.ToTensor(),normalize
])# 加载训练数据集
val_dataset ImageFolder(ROOT_TEST, transformval_transform)# 如果有NVIDA显卡转到GPU训练否则用CPU
device cuda if torch.cuda.is_available() else cpu# 模型实例化将模型转到device
model AlexNet().to(device)# 加载train.py里训练好的模型
model.load_state_dict(torch.load(rsave_model/model_best.pth))# 结果类型
classes [cat,dog
]# 把Tensor转化为图片方便可视化
show ToPILImage()# 进入验证阶段
model.eval()
for i in range(10):x, y val_dataset[i][0], val_dataset[i][1]# show()显示图片# show(x).show()# torch.unsqueeze(input, dim)input(Tensor)输入张量dim (int)插入维度的索引最终扩展张量维度为4维x Variable(torch.unsqueeze(x, dim0).float(), requires_gradFalse).to(device)with torch.no_grad():pred model(x)# argmax(input)返回指定维度最大值的序号# 得到预测类别中最高的那一类再把最高的这一类对应classes中的那一类predicted, actual classes[torch.argmax(pred[0])], classes[y]# 输出预测值与真实值print(fpredicted:{predicted}, actual:{actual})
