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 pathlib.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
#
print(trainstd_large_data.transform)
# None
print(trainstd_large_data.target_transform)
# None
trainstd_large_data.loader
# 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]
# (, 0)
trainstd_large_data[1]
# (, 0)
trainstd_large_data[2]
# (, 0)
trainstd_large_data[5000]
# (, 1)
trainstd_large_data[10000]
# (, 2)
trainstd_small_data[0]
# (, 0)
trainstd_small_data[1]
# (, 0)
trainstd_small_data[2]
# (, 0)
trainstd_small_data[5000]
# (, 1)
trainstd_small_data[10000]
# (, 2)
trainchal_large_data[0]
# (, 0)
trainchal_large_data[1]
# (, 0)
trainchal_large_data[2]
# (, 0)
trainchal_large_data[38567]
# (, 1)
trainchal_large_data[47891]
# (, 2)
trainchal_small_data[0]
# (, 0)
trainchal_small_data[1]
# (, 0)
trainchal_small_data[2]
# (, 0)
trainchal_small_data[38567]
# (, 1)
trainchal_small_data[47891]
# (, 2)
val_large_data[0]
# (, 165)
val_large_data[1]
# (, 358)
val_large_data[2]
# (, 93)
val_large_data[3]
# (, 164)
val_large_data[4]
# (, 289)
val_small_data[0]
# (, 165)
val_small_data[1]
# (, 358)
val_small_data[2]
# (, 93)
val_small_data[3]
# (, 164)
val_small_data[4]
# (, 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")
