pytorch之ImageFolder使用详解
pytorch之ImageFolder
torchvision已经预先实现了常用的Dataset，包括前面使用过的CIFAR-10，以及ImageNet、COCO、MNIST、LSUN等数据集，可通过诸如torchvision.datasets.CIFAR10来调用。在这里介绍一个会经常使用到的Dataset——ImageFolder。
ImageFolder假设所有的文件按文件夹保存，每个文件夹下存储同一个类别的图片，文件夹名为类名，其构造函数如下：
ImageFolder(root,transform=None,target_transform=None,loader=default_loader)
它主要有四个参数：
root：在root指定的路径下寻找图片
transform：对PILImage进行的转换操作，transform的输入是使用loader读取图片的返回对象
target_transform：对label的转换
loader：给定路径后如何读取图片，默认读取为RGB格式的PILImage对象
label是按照文件夹名顺序排序后存成字典，即{类名:类序号(从0开始)}，一般来说最好直接将文件夹命名为从0开始的数字，这样会和ImageFolder实际的label一致，如果不是这种命名规范，建议看看self.class_to_idx属性以了解label和文件夹名的映射关系。
图片结构如下所示：
fromtorchvisionimporttransformsasT
importmatplotlib.pyplotasplt
fromtorchvision.datasetsimportImageFolder
dataset=ImageFolder('data/dogcat_2/')
#cat文件夹的图片对应label0，dog对应1
print(dataset.class_to_idx)
#所有图片的路径和对应的label
print(dataset.imgs)
#没有任何的transform，所以返回的还是PILImage对象
#print(dataset[0][1])#第一维是第几张图，第二维为1返回label
#print(dataset[0][0])#为0返回图片数据
plt.imshow(dataset[0][0])
plt.axis('off')
plt.show()
加上transform
normalize=T.Normalize(mean=[0.4,0.4,0.4],std=[0.2,0.2,0.2])
transform=T.Compose([
T.RandomResizedCrop(224),
T.RandomHorizontalFlip(),
T.ToTensor(),
normalize,
])
dataset=ImageFolder('data1/dogcat_2/',transform=transform)
#深度学习中图片数据一般保存成CxHxW，即通道数x图片高x图片宽
#print(dataset[0][0].size())
to_img=T.ToPILImage()
#0.2和0.4是标准差和均值的近似
a=to_img(dataset[0][0]*0.2+0.4)
plt.imshow(a)
plt.axis('off')
plt.show()
以上这篇pytorch之ImageFolder使用详解就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持毛票票。
声明：本文内容来源于网络，版权归原作者所有，内容由互联网用户自发贡献自行上传，本网站不拥有所有权，未作人工编辑处理，也不承担相关法律责任。如果您发现有涉嫌版权的内容，欢迎发送邮件至：czq8825#qq.com（发邮件时，请将#更换为@）进行举报，并提供相关证据，一经查实，本站将立刻删除涉嫌侵权内容。