PyTorch 创建数据集

本文主要是介绍PyTorch 创建数据集，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

图片数据和标签数据准备

1.本文所用图片数据在同级文件夹中 ,文件路径为'train/’

在这里插入图片描述

2.标签数据在同级文件，文件路径为'train.csv'

在这里插入图片描述

3。将标签数据提取

train_csv=pd.read_csv('train.csv')

创建继承类

第一步，首先创建数据类对象此时可以想象为单个数据单元的创建 { 图像，标签}

在这里插入图片描述

继承的是Dataset类（数据集类）

from torch.utils.data import Dataset
from PIL import Image          //从文件路径中提取图片所需要的函数class Imagedata(Dataset):        //继承Dataset类def __init__(self,df,dir,transform=None):     //往类里传输需要的数据必须在这定义，后面初始化函数才能使用传入的数据，//df表示传入的标签数据，dir表示图像数据文件地址，transform是图像增强的处理操作super().__init__()                      //声明后面操作需要用的数据self.df=df                           self.dir=dirself.transform=transformdef __len__(self):                     //模板函数，没什么卵用return len(self.df)def __getitem__(self, idex):           //将单个数据和标签整合到一块的初始化函数img_id=self.df.iloc[idex,0]        //图片的名称在df文件中，标签也在df的文件中，如下图，为的就是提出图像数据文件中的图片，否则从图片数据文件中一张一张提取出来很难，名称太长img=Image.open(self.dir+img_id)   //拿到了图片的整个完整地址  img=np.array(img)                //Image提取出来的为image类型，需要转换为numpy数组，才能存储到数据集中//上面两行也可以换为cv2.imread(dir),直接读取的数据就可以往里面存，避免了数据转换label=self.df.iloc[idex,1]       //从df中提取对应的标签，就是同一张图像的标签，由idex固定return img,label                 //返回整理好的单个数据单元（图像+标签）

在这里插入图片描述

第二步，创造好了单个数据单元对象，那么需要将多个数据单元整合起来构成一个完整的数据集

先将单个数据单元实现，因为上面的代码为类对象代码，并没有实现

train_dataset=ImageDataset(df=train_csv,dir='train/')  //df为标签文件，dir表示你图像存储的文件地址

得到了单个数据单元，那么开始将数据整合，先调用数据整合函数：

from torch.utils.data import DataLoader

通过数据流来整合

train_data=DataLoader(train_dataset,batch_size=32)    //train_dataset 为单个对象     batch_size为设置几个为一小组，为后面的分组训练做准备

那么最后得到的train_data就是带有图像和标签的数据集，可以验证一下：

for img,label in train_data:print(img,label)

在这里插入图片描述

图像增强技术(降噪，标准化)

上面没有加入图像增强代码，创建数据集时候，可以先将图像增强后再存入数据集，增强的主要目的就是提高训练准确率，标准化可以使图像在神经网络训练的更快，因为图像的数据明显变小，举个例子，由像素[233,221,222]可以直接变为[2.33,2.21,2.22]

如下使图像增强代码，用的使torchvision,每行代码都有注释

from torchvision import transformstransform_train = transforms.Compose([transforms.ToTensor(),        //将图像变为Tensor张量，并将图像像素由255-0变为1-0，压缩，并将图像的维度从 (H x W x C) 转换为 (C x H x W)transforms.Pad(32, padding_mode='symmetric')   //表示在图像的四周各填充 32 个像素。transforms.RandomHorizontalFlip(),    //以一定的概率对图像进行随机水平翻转。这有助于增加数据的多样性，提高模型的泛化能力。防止拟合transforms.RandomVerticalFlip(),      //以一定的概率对图像进行随机垂直翻转。同样是为了增加数据多样性transforms.RandomRotation(10),       //以一定的概率对图像进行随机旋转，旋转角度在 -10 到 10 度之间。增加数据的多样性transforms.Normalize((0.485, 0.456, 0.406),     //指定每个通道的均值。通常是在 ImageNet 数据集上计算得到的均值。(0.229, 0.224, 0.225))])   //指定每个通道的标准差。也是在 ImageNet 数据集上计算得到的标准差。

那么在数据单元创建的时候加入，以下是完整代码：

from torch.utils.data import Datasetclass ImageDataset(Dataset):def __init__(self, df, dir, transform=None): super().__init__()self.df = dfself.dir = dirself.transform = transformdef __len__(self):return len(self.df)def __getitem__(self, idx):img_id = self.df.iloc[idx,0]img_path = self.dir + img_idimage = cv2.imread(img_path)            //这里用了cv2直接读取图片，避免了转换numpyimage = cv2.cvtColor(image, cv2.COLOR_BGR2RGB)   //opencv里的数据增强label = self.df.iloc[idx,1]if self.transform is not None:image = self.transform(image)return image, label-----------------------图像增强技术------------------------
from torchvision import transforms
transform_train = transforms.Compose([transforms.ToTensor(),transforms.Pad(32, padding_mode='symmetric'),transforms.RandomHorizontalFlip(),transforms.RandomVerticalFlip(),transforms.RandomRotation(10),transforms.Normalize((0.485, 0.456, 0.406),(0.229, 0.224, 0.225))])
transform_test = transforms.Compose([transforms.ToTensor(),transforms.Pad(32, padding_mode='symmetric'),transforms.Normalize((0.485, 0.456, 0.406),(0.229, 0.224, 0.225))])from torch.utils.data import DataLoader
dataset_train = ImageDataset(df=train_df, img_dir='train/',transform=transform_train)
loader_train = DataLoader(dataset=dataset_train, batch_size=32, shuffle=True)