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'])

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'])

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？