色哟哟视频在线观看-色哟哟视频在线-色哟哟欧美15最新在线-色哟哟免费在线观看-国产l精品国产亚洲区在线观看-国产l精品国产亚洲区久久

0
  • 聊天消息
  • 系統消息
  • 評論與回復
登錄后你可以
  • 下載海量資料
  • 學習在線課程
  • 觀看技術視頻
  • 寫文章/發帖/加入社區
會員中心
創作中心

完善資料讓更多小伙伴認識你,還能領取20積分哦,立即完善>

3天內不再提示

PyTorch教程-14.6. 對象檢測數據集

jf_pJlTbmA9 ? 來源:PyTorch ? 作者:PyTorch ? 2023-06-05 15:44 ? 次閱讀

目標檢測領域沒有MNIST和Fashion-MNIST這樣的小型數據集。為了快速演示對象檢測模型,我們收集并標記了一個小型數據集。首先,我們從辦公室拍攝了免費香蕉的照片,并生成了 1000 張不同旋轉和大小的香蕉圖像。然后我們將每個香蕉圖像放置在一些背景圖像上的隨機位置。最后,我們為圖像上的那些香蕉標記了邊界框。

14.6.1。下載數據集

帶有所有圖像和 csv 標簽文件的香蕉檢測數據集可以直接從互聯網上下載。

%matplotlib inline
import os
import pandas as pd
import torch
import torchvision
from d2l import torch as d2l

#@save
d2l.DATA_HUB['banana-detection'] = (
  d2l.DATA_URL + 'banana-detection.zip',
  '5de26c8fce5ccdea9f91267273464dc968d20d72')

%matplotlib inline
import os
import pandas as pd
from mxnet import gluon, image, np, npx
from d2l import mxnet as d2l

npx.set_np()

#@save
d2l.DATA_HUB['banana-detection'] = (
  d2l.DATA_URL + 'banana-detection.zip',
  '5de26c8fce5ccdea9f91267273464dc968d20d72')

14.6.2。讀取數據集

我們將在 read_data_bananas下面的函數中讀取香蕉檢測數據集。數據集包括一個 csv 文件,用于對象類標簽和左上角和右下角的地面實況邊界框坐標。

#@save
def read_data_bananas(is_train=True):
  """Read the banana detection dataset images and labels."""
  data_dir = d2l.download_extract('banana-detection')
  csv_fname = os.path.join(data_dir, 'bananas_train' if is_train
               else 'bananas_val', 'label.csv')
  csv_data = pd.read_csv(csv_fname)
  csv_data = csv_data.set_index('img_name')
  images, targets = [], []
  for img_name, target in csv_data.iterrows():
    images.append(torchvision.io.read_image(
      os.path.join(data_dir, 'bananas_train' if is_train else
             'bananas_val', 'images', f'{img_name}')))
    # Here `target` contains (class, upper-left x, upper-left y,
    # lower-right x, lower-right y), where all the images have the same
    # banana class (index 0)
    targets.append(list(target))
  return images, torch.tensor(targets).unsqueeze(1) / 256

#@save
def read_data_bananas(is_train=True):
  """Read the banana detection dataset images and labels."""
  data_dir = d2l.download_extract('banana-detection')
  csv_fname = os.path.join(data_dir, 'bananas_train' if is_train
               else 'bananas_val', 'label.csv')
  csv_data = pd.read_csv(csv_fname)
  csv_data = csv_data.set_index('img_name')
  images, targets = [], []
  for img_name, target in csv_data.iterrows():
    images.append(image.imread(
      os.path.join(data_dir, 'bananas_train' if is_train else
             'bananas_val', 'images', f'{img_name}')))
    # Here `target` contains (class, upper-left x, upper-left y,
    # lower-right x, lower-right y), where all the images have the same
    # banana class (index 0)
    targets.append(list(target))
  return images, np.expand_dims(np.array(targets), 1) / 256

通過使用read_data_bananas函數讀取圖像和標簽,下面的BananasDataset類將允許我們創建一個自定義Dataset實例來加載香蕉檢測數據集。

#@save
class BananasDataset(torch.utils.data.Dataset):
  """A customized dataset to load the banana detection dataset."""
  def __init__(self, is_train):
    self.features, self.labels = read_data_bananas(is_train)
    print('read ' + str(len(self.features)) + (f' training examples' if
       is_train else f' validation examples'))

  def __getitem__(self, idx):
    return (self.features[idx].float(), self.labels[idx])

  def __len__(self):
    return len(self.features)

#@save
class BananasDataset(gluon.data.Dataset):
  """A customized dataset to load the banana detection dataset."""
  def __init__(self, is_train):
    self.features, self.labels = read_data_bananas(is_train)
    print('read ' + str(len(self.features)) + (f' training examples' if
       is_train else f' validation examples'))

  def __getitem__(self, idx):
    return (self.features[idx].astype('float32').transpose(2, 0, 1),
        self.labels[idx])

  def __len__(self):
    return len(self.features)

最后,我們定義load_data_bananas函數為訓練集和測試集返回兩個數據迭代器實例。對于測試數據集,不需要隨機讀取。

#@save
def load_data_bananas(batch_size):
  """Load the banana detection dataset."""
  train_iter = torch.utils.data.DataLoader(BananasDataset(is_train=True),
                       batch_size, shuffle=True)
  val_iter = torch.utils.data.DataLoader(BananasDataset(is_train=False),
                      batch_size)
  return train_iter, val_iter

#@save
def load_data_bananas(batch_size):
  """Load the banana detection dataset."""
  train_iter = gluon.data.DataLoader(BananasDataset(is_train=True),
                    batch_size, shuffle=True)
  val_iter = gluon.data.DataLoader(BananasDataset(is_train=False),
                   batch_size)
  return train_iter, val_iter

讓我們讀取一個 minibatch 并打印這個 minibatch 中圖像和標簽的形狀。圖像小批量的形狀(批量大小、通道數、高度、寬度)看起來很熟悉:它與我們之前的圖像分類任務相同。label minibatch的shape是(batch size,m, 5), 其中m是任何圖像在數據集中具有的最大可能數量的邊界框。

雖然 minibatch 的計算效率更高,但它要求所有圖像示例都包含相同數量的邊界框,以通過連接形成一個 minibatch。通常,圖像可能具有不同數量的邊界框;因此,圖像少于m 邊界框將被非法邊界框填充,直到 m到達了。然后每個邊界框的標簽用一個長度為5的數組表示,數組的第一個元素是邊界框中物體的類,其中-1表示填充的非法邊界框。數組的其余四個元素是 (x,y)-邊界框左上角和右下角的坐標值(范圍在0到1之間)。對于香蕉數據集,由于每張圖像上只有一個邊界框,我們有m=1.

batch_size, edge_size = 32, 256
train_iter, _ = load_data_bananas(batch_size)
batch = next(iter(train_iter))
batch[0].shape, batch[1].shape

read 1000 training examples
read 100 validation examples

(torch.Size([32, 3, 256, 256]), torch.Size([32, 1, 5]))

batch_size, edge_size = 32, 256
train_iter, _ = load_data_bananas(batch_size)
batch = next(iter(train_iter))
batch[0].shape, batch[1].shape

read 1000 training examples
read 100 validation examples

((32, 3, 256, 256), (32, 1, 5))

14.6.3。示范

讓我們演示十張帶有標記的真實邊界框的圖像。我們可以看到香蕉的旋轉、大小和位置在所有這些圖像中都不同。當然,這只是一個簡單的人工數據集。實際上,真實世界的數據集通常要復雜得多。

imgs = (batch[0][:10].permute(0, 2, 3, 1)) / 255
axes = d2l.show_images(imgs, 2, 5, scale=2)
for ax, label in zip(axes, batch[1][:10]):
  d2l.show_bboxes(ax, [label[0][1:5] * edge_size], colors=['w'])

poYBAGR4YoqASRiBAAZcwltTfMw221.png

imgs = (batch[0][:10].transpose(0, 2, 3, 1)) / 255
axes = d2l.show_images(imgs, 2, 5, scale=2)
for ax, label in zip(axes, batch[1][:10]):
  d2l.show_bboxes(ax, [label[0][1:5] * edge_size], colors=['w'])

pYYBAGR4Yo6ACb2eAAY5zXYFqT8820.png

14.6.4。概括

我們收集的香蕉檢測數據集可用于演示對象檢測模型。

目標檢測的數據加載類似于圖像分類。然而,在目標檢測中,標簽還包含圖像分類中缺少的真實邊界框信息

14.6.5。練習

演示香蕉檢測數據集中帶有真實邊界框的其他圖像。它們在邊界框和對象方面有何不同?

假設我們要將數據增強(例如隨機裁剪)應用于對象檢測。它與圖像分類中的有何不同?提示:如果裁剪后的圖像只包含物體的一小部分怎么辦?

聲明:本文內容及配圖由入駐作者撰寫或者入駐合作網站授權轉載。文章觀點僅代表作者本人,不代表電子發燒友網立場。文章及其配圖僅供工程師學習之用,如有內容侵權或者其他違規問題,請聯系本站處理。 舉報投訴
  • 數據集
    +關注

    關注

    4

    文章

    1208

    瀏覽量

    24690
  • pytorch
    +關注

    關注

    2

    文章

    808

    瀏覽量

    13202
收藏 人收藏

    評論

    相關推薦

    基于數據對象平均離群因子的離群點選擇算法

    基于數據對象平均離群因子的離群點選擇算法_朱付保
    發表于 01-03 17:41 ?0次下載

    利用Python和PyTorch處理面向對象數據

    本篇是利用 Python 和 PyTorch 處理面向對象數據系列博客的第 2 篇。 如需閱讀第 1 篇:原始數據
    的頭像 發表于 08-25 15:30 ?2980次閱讀

    利用 Python 和 PyTorch 處理面向對象數據(2)) :創建數據對象

    本篇是利用 Python 和 PyTorch 處理面向對象數據系列博客的第 2 篇。我們在第 1 部分中已定義 MyDataset 類,現在,讓我們來例化 MyDataset
    的頭像 發表于 08-02 17:35 ?926次閱讀
    利用 Python 和 <b class='flag-5'>PyTorch</b> 處理面向<b class='flag-5'>對象</b>的<b class='flag-5'>數據</b><b class='flag-5'>集</b>(2)) :創建<b class='flag-5'>數據</b><b class='flag-5'>集</b><b class='flag-5'>對象</b>

    利用Python和PyTorch處理面向對象數據(1)

    在本文中,我們將提供一種高效方法,用于完成數據的交互、組織以及最終變換(預處理)。隨后,我們將講解如何在訓練過程中正確地把數據輸入給模型。PyTorch 框架將幫助我們實現此目標,我們還將從頭開始編寫幾個類。
    的頭像 發表于 08-02 08:03 ?678次閱讀

    PyTorch教程3.2之面向對象的設計實現

    電子發燒友網站提供《PyTorch教程3.2之面向對象的設計實現.pdf》資料免費下載
    發表于 06-05 15:48 ?0次下載
    <b class='flag-5'>PyTorch</b>教程3.2之面向<b class='flag-5'>對象</b>的設計實現

    PyTorch教程4.2之圖像分類數據

    電子發燒友網站提供《PyTorch教程4.2之圖像分類數據.pdf》資料免費下載
    發表于 06-05 15:41 ?0次下載
    <b class='flag-5'>PyTorch</b>教程4.2之圖像分類<b class='flag-5'>數據</b><b class='flag-5'>集</b>

    PyTorch教程10.5之機器翻譯和數據

    電子發燒友網站提供《PyTorch教程10.5之機器翻譯和數據.pdf》資料免費下載
    發表于 06-05 15:14 ?0次下載
    <b class='flag-5'>PyTorch</b>教程10.5之機器翻譯和<b class='flag-5'>數據</b><b class='flag-5'>集</b>

    PyTorch教程14.6對象檢測數據

    電子發燒友網站提供《PyTorch教程14.6對象檢測數據.pdf》資料免費下載
    發表于 06-05 11:23 ?0次下載
    <b class='flag-5'>PyTorch</b>教程<b class='flag-5'>14.6</b>之<b class='flag-5'>對象</b><b class='flag-5'>檢測</b><b class='flag-5'>數據</b><b class='flag-5'>集</b>

    PyTorch教程14.9之語義分割和數據

    電子發燒友網站提供《PyTorch教程14.9之語義分割和數據.pdf》資料免費下載
    發表于 06-05 11:10 ?0次下載
    <b class='flag-5'>PyTorch</b>教程14.9之語義分割和<b class='flag-5'>數據</b><b class='flag-5'>集</b>

    PyTorch教程15.9之預訓練BERT的數據

    電子發燒友網站提供《PyTorch教程15.9之預訓練BERT的數據.pdf》資料免費下載
    發表于 06-05 11:06 ?0次下載
    <b class='flag-5'>PyTorch</b>教程15.9之預訓練BERT的<b class='flag-5'>數據</b><b class='flag-5'>集</b>

    PyTorch教程16.1之情緒分析和數據

    電子發燒友網站提供《PyTorch教程16.1之情緒分析和數據.pdf》資料免費下載
    發表于 06-05 10:54 ?0次下載
    <b class='flag-5'>PyTorch</b>教程16.1之情緒分析和<b class='flag-5'>數據</b><b class='flag-5'>集</b>

    PyTorch教程16.4之自然語言推理和數據

    電子發燒友網站提供《PyTorch教程16.4之自然語言推理和數據.pdf》資料免費下載
    發表于 06-05 10:57 ?0次下載
    <b class='flag-5'>PyTorch</b>教程16.4之自然語言推理和<b class='flag-5'>數據</b><b class='flag-5'>集</b>

    沒有“中間商賺差價”, OpenVINO? 直接支持 PyTorch 模型對象

    體驗—— OpenVINO 的 mo 工具可以直接將 PyTorch 模型對象轉化為 OpenVINO 的模型對象,開發者可以不需要將 ONNX 模型作為中間過渡。
    的頭像 發表于 06-27 16:39 ?759次閱讀
    沒有“中間商賺差價”, OpenVINO? 直接支持 <b class='flag-5'>PyTorch</b> 模型<b class='flag-5'>對象</b>

    YOLOv8實現旋轉對象檢測

    YOLOv8框架在在支持分類、對象檢測、實例分割、姿態評估的基礎上更近一步,現已經支持旋轉對象檢測(OBB),基于DOTA數據
    的頭像 發表于 01-11 10:43 ?1801次閱讀
    YOLOv8實現旋轉<b class='flag-5'>對象</b><b class='flag-5'>檢測</b>

    PyTorch如何訓練自己的數據

    PyTorch是一個廣泛使用的深度學習框架,它以其靈活性、易用性和強大的動態圖特性而聞名。在訓練深度學習模型時,數據是不可或缺的組成部分。然而,很多時候,我們可能需要使用自己的數據
    的頭像 發表于 07-02 14:09 ?1648次閱讀
    主站蜘蛛池模板: yellow日本动漫观看免费| 亚洲人成人77777在线播放| 色久天| 石原莉奈rbd806中文字幕| 同居了嫂子在线观看| 亚洲AV无码专区国产精品99| 一本之道高清在线观看一区 | 日本精品久久久久中文字幕2| 人人听力网mp3下载| 台湾佬休闲中性娱乐网| 亚洲精品在线影院| 最新 国产 精品 精品 视频| 办公室里做好紧好爽H| 国产精品一区第二页| 久久成人a毛片免费观看网站| 免费视频国产在线观看网站| 肉肉描写很细致的黄文| 亚洲精品久久久久一区二区三| 在线中文高清资源免费观看| 草草久久久无码国产专区全集观看| 国产精品ⅴ视频免费观看| 久久www免费人成高清| 女人张腿让男人桶免费| 无人区乱码1区2区3区网站 | 亚洲欧美人成视频在线| 4399日本电影完整版在线观看免费 | 秋霞电影在线观看午夜伦| 小学生偷拍妈妈视频遭性教育| 一本道综合久久免费| XXX国产麻豆HD| 好吊日视频在线| 欧美性狂猛AAAAAA| 亚洲娇小性色xxxx| FREE乌克兰嫩交HD| 黄色天堂网站| 秋霞影院福利电影| 一二三四在线观看高清电视剧 | 国产精品永久在线| 男人都懂www深夜免费网站| 无修肉动漫在线观看影片| 最新无码国产在线视频9299|