Hello! 欢迎来到小浪资源网！

PyTorch 中的位置

小浪博主 2024-12-21 3

请我喝杯咖啡☕

*我的帖子解释了 places365。

places365() 可以使用 places365 数据集，如下所示：

*备忘录：

第一个参数是 root（必需类型：str 或 path lib.path）。 *绝对或相对路径都是可能的。
第二个参数是 split（可选-默认：“train-standard”-类型：str）。 *可以设置“train-standard”（1,803,460张图像）、“train-challenge”（8,026,628张图像）或“val”（36,500张图像）。不支持“test”（328,500 张图像），因此我在 github 上请求了该功能。
第三个参数很小（可选-默认：false-类型：bool）。
第四个参数是 download(可选-默认:false-类型:bool): *备注：
- 如果为 true，则从互联网下载数据集并解压（解压）到根目录。
- 如果为 true 并且数据集已下载，则将其提取。
- 如果为 true 并且数据集已下载并提取，则会发生错误，因为提取的文件夹存在。 *删除解压的文件夹不会出错。
- 如果数据集已经下载并提取，则应该为 false，以免出现错误。
- 从这里开始：
  - 对于split=”train-standard”和small=false，您可以手动下载并提取数据集filelist_places365-standard.tar和train_large_places365standard.tar分别到data/和data/data_large_standard/
  - 对于split=”train-standard”和small=true，您可以手动下载并提取数据集filelist_places365-standard.tar和train_256_places365standard.tar分别到data/和data/data_256_standard/
  - 对于split=”train-challenge”和small=false，您可以手动下载并提取数据集filelist_places365-challenge.tar和train_large_places365challenge.tar分别到data/和data/data_large/
  - 对于split=”train-challenge”和small=true，您可以手动下载并提取数据集filelist_places365-challenge.tar和train_256_places365challenge.tar分别到data/和data/data_256_challenge/。
  - 对于split=”val” 和small=false，您可以手动下载数据集filelist_places365-standard.tar 和val_large.tar 并分别解压到data/ 和data/val_large/。
  - 对于split=”val” 和small=true，您可以手动下载数据集filelist_places365-standard.tar 和val_large.tar 并分别解压到data/ 和data/val_256/
第五个参数是transform(optional-default:none-type:callable)。
第 6 个参数是 target_transform(optional-default:none-type:callable)。
第 7 个参数是 loader（可选-默认：torchvision.datasets.folder.default_loader-type:callable）。
关于“火车标准”图像索引类的标签，airfield(0) 为 0~4999，airplane_cabin(1) 为 5000~9999，airport_terminal(2) 为 10000~14999, 壁龛(3)为15000~19999，小巷(4)为20000~24999，露天剧场(5)为25000~29999，amusement_arcade(6) 是30000~34999，游乐园(7)为35000~39999，公寓/户外(8)为40000~44999，水族馆(9)为45000~49999 ,等等
关于“火车挑战”图像索引类的标签，airfield(0) 为 0~38566，airplane_cabin(1) 为 38567~47890，airport_terminal(2) 是47891~74901，壁龛(3)为74902~98482，小巷(4)为98483~137662，露天剧场(5)为137663~150034， 游乐园(6) 为 150035~161051，游乐园(7) 为 161052~201051，公寓楼/户外(8) 为 201052~227872， 水族馆(9)是227873~267872等

from torchvision.datasets import Places365 from torchvision.datasets.folder import default_loader  trainstd_large_data = Places365(     root="data" )  trainstd_large_data = Places365(     root="data",     split="train-standard",     small=False,     download=False,     transform=None,     target_transform=None,     loader=default_loader )  trainstd_small_data = Places365(     root="data",     split="train-standard",     small=True )  trainchal_large_data = Places365(     root="data",     split="train-challenge",     small=False )  trainchal_small_data = Places365(     root="data",     split="train-challenge",     small=True )  val_large_data = Places365(     root="data",     split="val",     small=False )  val_small_data = Places365(     root="data",     split="val",     small=True )  len(trainstd_large_data), len(trainstd_small_data) # (1803460, 1803460)  len(trainchal_large_data), len(trainchal_small_data) # (8026628, 8026628)  len(val_large_data), len(val_small_data) # (36500, 36500)  trainstd_large_data # Dataset Places365 #     Number of datapoints: 1803460 #     Root location: data #     Split: train-standard #     Small: False  trainstd_large_data.root # 'data'  trainstd_large_data.split # 'train-standard'  trainstd_large_data.small # False  trainstd_large_data.download_devkit trainstd_large_data.download_images # <bound method Places365.download_devkit of Dataset Places365 #     Number of datapoints: 1803460 #     Root location: data #     Split: train-standard #     Small: False>  print(trainstd_large_data.transform) # None  print(trainstd_large_data.target_transform) # None  trainstd_large_data.loader # <function torchvision.datasets.folder.default_loader(path: str) -> Any>  len(trainstd_large_data.classes), trainstd_large_data.classes # (365, #  ['/a/airfield', '/a/airplane_cabin', '/a/airport_terminal', #   '/a/alcove', '/a/alley', '/a/amphitheater', '/a/amusement_arcade', #   '/a/amusement_park', '/a/apartment_building/outdoor', #   '/a/aquarium', '/a/aqueduct', '/a/arcade', '/a/arch', #   '/a/archaelogical_excavation', ..., '/y/youth_hostel', '/z/zen_garden'])  trainstd_large_data[0] # (<PIL.Image.Image image mode=RGB size=683x512>, 0)  trainstd_large_data[1] # (<PIL.Image.Image image mode=RGB size=768x512>, 0)  trainstd_large_data[2] # (<PIL.Image.Image image mode=RGB size=718x512>, 0)  trainstd_large_data[5000] # (<PIL.Image.Image image mode=RGB size=512x683 at 0x1E7834F4770>, 1)  trainstd_large_data[10000] # (<PIL.Image.Image image mode=RGB size=683x512 at 0x1E7834A8110>, 2)  trainstd_small_data[0] # (<PIL.Image.Image image mode=RGB size=256x256>, 0)  trainstd_small_data[1] # (<PIL.Image.Image image mode=RGB size=256x256>, 0)  trainstd_small_data[2] # (<PIL.Image.Image image mode=RGB size=256x256>, 0)  trainstd_small_data[5000] # (<PIL.Image.Image image mode=RGB size=256x256>, 1)  trainstd_small_data[10000] # (<PIL.Image.Image image mode=RGB size=256x256>, 2)  trainchal_large_data[0] # (<PIL.Image.Image image mode=RGB size=683x512 at 0x156E22BB680>, 0)  trainchal_large_data[1] # (<PIL.Image.Image image mode=RGB size=768x512 at 0x156DF8213D0>, 0)  trainchal_large_data[2] # (<PIL.Image.Image image mode=RGB size=718x512 at 0x156DF8213D0>, 0)  trainchal_large_data[38567] # (<PIL.Image.Image image mode=RGB size=512x683 at 0x156DF8213D0>, 1)  trainchal_large_data[47891] # (<PIL.Image.Image image mode=RGB size=683x512 at 0x156DF8213D0>, 2)  trainchal_small_data[0] # (<PIL.Image.Image image mode=RGB size=256x256 at 0x2955B625CA0>, 0)  trainchal_small_data[1] # (<PIL.Image.Image image mode=RGB size=256x256 at 0x2950D2A8350>, 0)  trainchal_small_data[2] # (<PIL.Image.Image image mode=RGB size=256x256 at 0x2950D2A82C0>, 0)  trainchal_small_data[38567] # (<PIL.Image.Image image mode=RGB size=256x256 at 0x2955B3BF6B0>, 1)  trainchal_small_data[47891] # (<PIL.Image.Image image mode=RGB size=256x256 at 0x2955B3DD4F0>, 2)  val_large_data[0] # (<PIL.Image.Image image mode=RGB size=512x772 at 0x295408DA750>, 165)  val_large_data[1] # (<PIL.Image.Image image mode=RGB size=600x493 at 0x29561D468D0>, 358)  val_large_data[2] # (<PIL.Image.Image image mode=RGB size=763x512 at 0x2955E09DD60>, 93)  val_large_data[3] # (<PIL.Image.Image image mode=RGB size=827x512 at 0x29540938A70>, 164)  val_large_data[4] # (<PIL.Image.Image image mode=RGB size=772x512 at 0x29562600650>, 289)  val_small_data[0] # (<PIL.Image.Image image mode=RGB size=256x256 at 0x2950D34C500>, 165)  val_small_data[1] # (<PIL.Image.Image image mode=RGB size=256x256 at 0x29540892870>, 358)  val_small_data[2] # (<PIL.Image.Image image mode=RGB size=256x256 at 0x2954085DBB0>, 93)  val_small_data[3] # (<PIL.Image.Image image mode=RGB size=256x256 at 0x29561E348C0>, 164)  val_small_data[4] # (<PIL.Image.Image image mode=RGB size=256x256 at 0x29560A415B0>, 289)  import matplotlib.pyplot as plt  def show_images(data, ims, main_title=None):     plt.figure(figsize=(12, 6))     plt.suptitle(t=main_title, y=1.0, fontsize=14)     for i, j in enumerate(iterable=ims, start=1):         plt.subplot(2, 5, i)         im, lab = data[j]         plt.imshow(X=im)         plt.title(label=lab)     plt.tight_layout(h_pad=3.0)     plt.show()  trainstd_ims = (0, 1, 2, 5000, 10000, 15000, 20000, 25000, 30000, 35000) trainchal_ims = (0, 1, 2, 38567, 47891, 74902, 98483, 137663, 150035, 161052) val_ims = (0, 1, 2, 3, 4, 5, 6, 7, 8, 9)  show_images(data=trainstd_large_data, ims=trainstd_ims,             main_title="trainstd_large_data") show_images(data=trainstd_small_data, ims=trainstd_ims,             main_title="trainstd_small_data") show_images(data=trainchal_large_data, ims=trainchal_ims,             main_title="trainchal_large_data") show_images(data=trainchal_small_data, ims=trainchal_ims,             main_title="trainchal_small_data") show_images(data=val_large_data, ims=val_ims,             main_title="val_large_data") show_images(data=val_small_data, ims=val_ims,             main_title="val_small_data")

PyTorch 中的位置