Pytorch加载图像数据集的方法
作者：码农市民小刘
1. 简介
Pytorch深度学习框架，加载图像数据集（这里以分类为例），通常都需要经过以下两个步骤：
1、定义数据集：torch以及torchvision中提供了多种方法来简化数据集定义的过程。
2、创建Dataloader数据加载器：通过torch.utils.data.Dataloader实例化数据加载迭代器，传 入自定义的数据集，并配置相关参数。
其中，第一个步骤定义数据集又包含多种实现方式：
1、torchvision.datasets.ImageFolder：用于加载标准的开源数据集。
2、torchvision.datasets.ImageFolder：从文件夹结构加载图像数据，自动生成标签。
3、torchvision.datasets.DatasetFolder：更通用的工具，适用于自定义图像数据集，其中，图像和标签不一定按文件夹结构组织。
4、torch.utils.data.Dataset：一个抽象基类，用户通过重写__init__、__len__、和 __getitem__ 方法以提供数据和标签。
第二个步骤，实例化数据加载迭代器 torch.utils.data.Dataloader 类，涉及到的主要参数：
- dataset ：数据集（可迭代对象）
- batch_size ：批处理数量
- shuffle ：每完成一个epoch，是否需要重新打乱数据
- num_worker：采用多进程读取机制
- collate_fn：可自定义函数，用于将一批数据合并成一个批次，默认为
None - drop_last ：当样本数不能被batch_size整除时，是否舍弃最后一个batch的数据
在了解完数据集加载的两步骤后，其实主要变化的是第一步如何定义数据集。所以，接下来都是围绕不同的数据集定义方式，实现最终的数据加载。
2. torchvision.datasets.MNIST
目前，torchvision.datasets 库中已经收录了多种类型的数据集，一般都是各个图像处理领域内的开源标准数据集，如下列举了一些较为常见的数据集。
- 图像分类：MNIST，CIFAR10， CIFAR100，ImageNet
- 目标检测：COCO,VOC
- 图像分割：COCO,VOC
这种开源数据集的加载，还是非常简单的，因为大佬们都已经封装好方法了，直接调用API就实现了。这里以mnist手写数字识别数据集为例，代码如下。
from torchvision import datasets, transforms
from torch.utils.data import DataLoader
# 数据转换
transform = transforms.Compose([transforms.ToTensor()])
# 加载 MNIST 数据集，这里设置了下载数据集
train_dataset = datasets.MNIST(root='mnist_datasets', train=True, download=True,transform=transform)
test_dataset = datasets.MNIST(root='mnist_datasets', train=False, download=True,transform=transform)
#打印dataset
print(train_dataset[0])
# 创建数据加载迭代器，传入数据集
train_loader = DataLoader(dataset=train_dataset, batch_size=256, shuffle=True)
test_loader = DataLoader(dataset=test_dataset, batch_size=256, shuffle=False)
# 使用加载器迭代输出数据
for images, labels in train_loader:
print("images:",images.shape)
print("labels",labels.shape)代码执行后的结果，首先在定义的root目录下，下载了mnist数据集 。
终端打印了train_dataset数据集中的第1个元素，前面也讲过，定义的数据集必须是可迭代的结构，也就是使用索引，可检索出其中的内容，其中内容的格式如下：
（tensor，label_index），tensor是图片，label_index是该图片对应的数字标签（模型中用到的标签，与现实中定义的标签不同，后续会讲）。
另外，终端也迭代输出了每一批次数据的形状，每一批次喂入的数据量 batch_size = 256 ，每一张图像形状（1，28，28），单通道的灰色图像，大小为28*28。
解释下，前面提到的模型标签与现实中真是标签。debug模式下，调试上面代码，可以看到定义的数据集train_dataset中的属性，其中：
classes：真实的标签
class_to_index：影射了真实标签与模型标签的关系，可以看到模型标签以阿拉伯数字命名，从0开始依次递增+1。
总结：训练时喂入的分类标签，是以阿拉伯数字，从0开始依次递增+1，这样的命名规则。所以，在模型训练和推理阶段，模型输出的标签依然是阿拉伯，这时候定义的class_to_index就有作用了，将模型推理出的阿拉伯数字标签转化为真正的类名。
3. torchvision.datasets.ImageFolder
torchvision.datasets.ImageFolder 主要用于从文件夹中加载图像数据集，指定根目录下的每一个子文件夹表示一个类别。该方法通常用于图像分类任务，并且可以很方便地使用Dataloader来加载批量数据。
文件夹的目录结构如下，root表示根目录，class_0和class_1是以类名命名的文件夹，里面分别包含属于该类的图像。
root/
class_0/
images1.jpg
images2.jpg
....
class_1/
images1.jpg
images2:jpg
....
....我测试的根目录 root 是mnist数据集中的train目录，共有10类。其中第10类，类名为 ”九“，是我特意修改的，同样也是为了验证真实标签与模型标签之间的关系。
这是第一类 0 文件夹下的数据，均为手写数字0 的图片。
接下里可直接使用代码加载该数据集。
from torchvision import datasets, transforms
from torch.utils.data import DataLoader
# 定义数据预处理操作
transform = transforms.Compose([
transforms.ToTensor(), # 将图像转换为张量
transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5)) # 标准化
])
# 创建ImageFolder数据集，根目录用了绝对路径
dataset = datasets.ImageFolder(root='F:\Amode\datasets\mnist\train', transform=transform)
# 打印数据集中第一项
print(dataset[0])
# 创建DataLoader数据加载迭代器
data_loader = DataLoader(dataset, batch_size=32, shuffle=True)
#按照常例，迭代遍历数据
for images,labels in data_loader:
print("images:",images.shape)
print("lables",labels)执行代码，终端打印信息，首先还是数据集中的第一项，内容格式仍然是：
（tensor，label_index）
同样，更简便的方式，大家用debug模式调试代码。
个人觉得，对于分类数据集，这种加载方式是非常容易和轻松的。前提是需要将数据集整理成固定的结构 。
4.torchvision.datasets.DatasetFolder
torchvision.datasets.DatasetFolder 是一个比 ImageFolder 更灵活的类，而ImageFolder继承的父类就是它，它允许你自定义加载数据的方式，自定义数据集结构。
因为比较灵活百变，更难理解和掌握。接下来先了解下该方法的源码，初始化参数及重要属性。
这部分内容是初始化参数。
- root 是数据集的根目录。
- loader 可自定义读取数据样本的方法，该方法传入参数是样本的路径。
- extension 扩展名，指的是图片的后缀类型，以元组形式入参。
- is_valid_file （可调用对象，可选项参数），获取文件路径并核实文件是否有效，它和extension必须有一个。
- allow_empty True 允许空文件被认为是一个类,False反之。
既然ImageFolder的父类就是它，可以先用它实现ImageFolder中要求的数据集目录结构（结构在第3部门有说明）。以下代码和ImagesFolde的r实现效果一致。
from torchvision import datasets, transforms
from torch.utils.data import DataLoader
from PIL import Image
#自定义的图像读取方式
def custom_load(path):
return Image.open(path).convert("RGB")
# 定义数据预处理操作
transform = transforms.Compose([
transforms.ToTensor(), # 将图像转换为张量
transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5)) # 标准化
])
# 创建ImageFolder数据集，根目录用了绝对路径
dataset = datasets.DatasetFolder(
root=r'F:\Amode\datasets\mnist\train',
loader= custom_load,
transform=transform,
extensions=("jpg","png")
)
# 打印数据集中第一项
print(dataset[0])
# 创建DataLoader数据加载迭代器
data_loader = DataLoader(dataset, batch_size=32, shuffle=True)
#按照常例，迭代遍历数据
for images,labels in data_loader:
print("images:",images.shape)
print("lables",labels)假设，换种数据集的目录结构呢，这里举例一种比较常见的结构，如下图所示。
所有图片都在同一目录下，且图片文件名称以 label_name的格式命名，即标签在文件名中体现。
接下来是实现的代码，新定义了一个类，继承DatasetsFolder类，重新定义了父类中的find_class，make_dataset函数。想具体了解这两个函数的可点进父类源码中去看。
find_class：输入根目录root，输出classes(列表)，所有的真实标签（str），输出class_to_idx（字典），键为真实标签，值为类别索引值。
make_dataset：输入仍是初始化那些参数；输出样本列表，格式为[（file_path,class_indx）,.......]
import os
from torchvision import datasets, transforms
from torch.utils.data import DataLoader
from PIL import Image
#自定义的图像加载方式
def custom_load(path):
return Image.open(path).convert("RGB")
# 定义数据预处理操作
transform = transforms.Compose([
transforms.ToTensor(), # 将图像转换为张量
transforms.Resize((224, 224)),
transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5)) # 标准化
])
class custom_DatasetFolder(datasets.DatasetFolder):
#重写find_classes函数
def find_classes(self, directory):
"""
传参：根目录;
输出：classes = [] ,classes_to_idx = {class:index}
"""
lables = set()
lables_to_indexs = {}
#获取目录下文件列表
file_list = os.listdir(self.root)
#遍历文件列表
for f in file_list:
#从文件名中分离出标签
lable = f.split('_')[0]
#添加到集合中，集合不允许重复元素
lables.add(str(lable))
#生成真实标签label与类别索引class的映射字典
for i,l in enumerate(list(lables)):
lables_to_indexs[l] = int(i)
return list(lables),lables_to_indexs
def make_dataset(self,directory,class_to_idx,extensions,is_valid_file,allow_empty,):
"""
传参;
输出：sample[(path,class),......]
"""
#获取目录下的文件列表
file = os.listdir(directory)
samp = []
#遍历文件
for f in file:
#分离出标签和文件后缀
lab = f.split('_')[0]
sufix = f.split('.')[-1]
#文件后缀满足扩展要求
if sufix in extensions:
#根据标签找到类别class
cls = class_to_idx[lab]
#文件完整路径
file_path = os.path.join(directory,f)
#每个样本以（path,class）格式添加到列表中
samp.append((str(file_path),cls))
return samp
# 创建ImageFolder数据集，根目录用了绝对路径
dataset = custom_DatasetFolder(
root=r'F:\Amode\datasets\image_data',
loader= custom_load,
transform=transform,
extensions=("jpg","png")
)
# 打印数据集中第一项
print(dataset[0])
# 创建DataLoader数据加载迭代器
data_loader = DataLoader(dataset, batch_size=32, shuffle=True)
#按照常例，迭代遍历数据
for images,labels in data_loader:
print("images:",images.shape)
print("lables",labels)任意结构的数据集，都可以使用基类DatasetFolder实现，主要还是通过覆盖上面两个函数，实现获取标签类别属性，以及样本的路径和类别，还有自定义的加载图片函数。
5. torch.utils.data.Datasets
继上面内容，这是唯一一个使用torch，定义数据集的方式。
翻译一下上面的内容：
该类是一个抽象类，所有表示从键到数据样本映射的数据集都应继承此类。所有子类应重写 __getitem__ 方法，以支持根据给定的键获取数据样本。子类还可以选择性地重写 __len__ 方法，这通常会返回数据集的大小，torch.utils.data.Sampler 实现和 torch.utils.data.DataLoader 的默认选项都期望这个方法的存在。子类还可以选择性地实现 __getitems__ 方法，以加速批量样本的加载。该方法接受一个样本索引的列表，并返回这些样本的列表。
那什么叫抽象类呢？
抽象类是一种不能直接实例化的类，主要用于定义方法的基本结构和要求，其作为父类呢，通常让子类去继承它，并且在子类中必须实现这个抽象类中定义的方法，也就是具体的实现交给子类。
本节中用到的基类torch.utils.data.Datasets，需要实现以下三种方法。
__init__: 初始化数据集对象，通常在这里加载和处理数据。__len__: 返回数据集的大小（样本数量）。__getitem__: 根据给定的索引返回数据集中的样本和标签。
这部分的演示代码，使用的是上一小节中的数据集 ，数据集和实现代码如下。
rom torch.utils.data import Dataset
from PIL import Image
import os
class CustomDataset(Dataset):
def __init__(self, image_folder, transform=None):
"""
Args:
image_folder : 图像所在文件夹的路径
transform : 应用于样本的转换操作
"""
self.image_folder = image_folder
self.transform = transform
self.class_to_idx = {}
self.image_files = [f for f in os.listdir(image_folder) if f.endswith('.jpg')]
self.__class_to_idx()
def __len__(self):
"""返回数据集中的样本数量"""
return len(self.image_files)
def __class_to_idx(self):
labels = set()
for file in os.listdir(self.image_folder):
if file.endswith('.jpg'):
label = file.split('_')[0]
labels.add(str(label))
for i,l in enumerate(labels):
self.class_to_idx[l] = int(i)
def __getitem__(self, idx):
"""
Args:
idx (int): 索引
Returns:
dict: 包含图像和标签的字典
"""
img_name = os.path.join(self.image_folder, self.image_files[idx])
image = Image.open(img_name).convert('RGB')
if self.transform:
image = self.transform(image)
# 标签从文件名中提取
lab_name = self.image_files[idx].split('_')[0]
label = self.class_to_idx[lab_name]
return image, label
from torch.utils.data import DataLoader
from torchvision import transforms
# 定义转换操作
transform = transforms.Compose([
transforms.Resize((224, 224)),
transforms.ToTensor()
])
# 实例化自定义数据集
dataset = CustomDataset(image_folder='F:\Amode\datasets\image_data', transform=transform)
# 创建 DataLoader
data_loader = DataLoader(dataset, batch_size=4, shuffle=True)
print(dataset[0])
# 使用 DataLoader 遍历数据
for images, labels in data_loader:
# 在这里进行训练或测试操作
print(images.size(), labels)以上就是Pytorch加载图像数据集的方法的详细内容，更多关于Pytorch加载图像数据集的资料请关注脚本之家其它相关文章！