1. 介绍

图像分类一般来说不需要自定义的dataSet，因为pytorch自定义好的ImageFolder可以解决大部分的需求，更多的dataSet是在图像分割里面实现的

这里霹雳吧啦Wz 博主提供了一个好的代码，可以进行数据集划分(不需要保存划分后的数据集)，然后重新实现了dataSet，并且对dataloader的 collate_fn 方法进行了实现

下面的代码只会对重点的部分做笔记

2. 主函数代码

这里的root传入的是数据集的路径

import os

import torch
from torchvision import transforms
from torch.utils.data import DataLoader
from my_dataset import MyDataSet
from utils import read_split_data, plot_data_loader_image


# 数据集所在根目录,不需要划分trainSet+valSet，这里是完整数据集
root = './data/flower'


def main():
    device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
    print("using {} device.".format(device))    # 打印使用的设备

    # 划分训练集 + 验证集
    train_images_path, train_images_label, val_images_path, val_images_label = read_split_data(root, val_rate=0.1,flag=False)

    # 预处理
    data_transform = {
        "train": transforms.Compose([transforms.RandomResizedCrop(224),
                                     transforms.RandomHorizontalFlip(),
                                     transforms.ToTensor(),
                                     transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225])]),
        "val": transforms.Compose([transforms.Resize(256),
                                   transforms.CenterCrop(224),
                                   transforms.ToTensor(),
                                   transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225])])}

    # 数据处理
    train_data_set = MyDataSet(images_path=train_images_path,
                               images_class=train_images_label,
                               transform=data_transform["train"])

    batch_size = 8
    nw = min([os.cpu_count(), batch_size if batch_size > 1 else 0, 8])  # number of workers
    print('Using {} dataloader workers'.format(nw))

    # 获取数据，测试的时候num_workers 设定为0
    train_loader = DataLoader(train_data_set,batch_size=batch_size,shuffle=True,num_workers=nw,
                              collate_fn=train_data_set.collate_fn)

    # 可视化数据
    plot_data_loader_image(train_loader)


if __name__ == '__main__':
    main()

这里的代码很常规，为了测试，只加载了训练集数据

2. utils 模块代码

这里实现了两个功能，划分数据集 + 可视化数据集

2.1 划分数据集

代码都做了注释，这块的内容慢慢调试也很容易理解，之前实现过相似的代码，只不过当时将划分好的数据集保存到不同的目录中，然后用ImageFolder调用的

def read_split_data(root: str, val_rate: float = 0.2, flag: bool = False):
    random.seed(0)  # 保证随机结果可复现
    assert os.path.exists(root), "dataset root: {} does not exist.".format(root)    # 断言数据集目录是否存在

    # 遍历文件夹，一个文件夹对应一个类别,flower_class = ['daisy', 'dandelion', 'roses', 'sunflowers', 'tulips']
    flower_class = [cla for cla in os.listdir(root) if os.path.isdir(os.path.join(root, cla))]
    # 排序，保证顺序一致
    flower_class.sort()

    # 生成类别名称以及对应的数字索引 class_indices={'daisy': 0, 'dandelion': 1, 'roses': 2, 'sunflowers': 3, 'tulips': 4}
    class_indices = dict((k, v) for v, k in enumerate(flower_class))

    json_str = json.dumps(dict((val, key) for key, val in class_indices.items()), indent=4)
    with open('class_indices.json', 'w') as json_file:
        json_file.write(json_str)
    '''生成json文件
    {
    "0": "daisy",
    "1": "dandelion",
    "2": "roses",
    "3": "sunflowers",
    "4": "tulips"
    }
    '''

    train_images_path = []   # 存储训练集的所有图片路径
    train_images_label = []  # 存储训练集图片对应label
    val_images_path = []     # 存储验证集的所有图片路径
    val_images_label = []    # 存储验证集图片对应label

    every_class_num = []  # 存储每个类别的样本总数
    supported = [".jpg", ".JPG", ".png", ".PNG"]  # 支持的文件后缀类型

    # 遍历每个文件夹下的文件
    for cla in flower_class:
        cla_path = os.path.join(root, cla)  #  每个文件夹的路径
        # 遍历获取supported支持的所有文件路径
        images = [os.path.join(root, cla, i) for i in os.listdir(cla_path)
                  if os.path.splitext(i)[-1] in supported]  # splitext 分离文件名和后缀名

        # 获取该类别对应的索引
        image_class = class_indices[cla]
        # 记录该类别的样本数量
        every_class_num.append(len(images))
        # 按比例随机采样验证样本
        val_path = random.sample(images, k=int(len(images) * val_rate))

        for img_path in images:
            if img_path in val_path:  # 如果该路径在采样的验证集样本中则存入验证集
                val_images_path.append(img_path)
                val_images_label.append(image_class)    # 0 1 2 3 4
            else:                     # 否则存入训练集
                train_images_path.append(img_path)
                train_images_label.append(image_class)

    print("{} images were found in the dataset.".format(sum(every_class_num)))  # 总样本个数
    print("{} images for training.".format(len(train_images_path)))             # 训练集个数
    print("{} images for validation.".format(len(val_images_path)))             # 验证集个数

    plot_image = flag   # 是否绘制图表，默认为 False
    if plot_image:
        # 绘制每种类别个数柱状图
        plt.bar(range(len(flower_class)), every_class_num, align='center')
        # 将横坐标0,1,2,3,4替换为相应的类别名称
        plt.xticks(range(len(flower_class)), flower_class)
        # 在柱状图上添加数值标签
        for i, v in enumerate(every_class_num):
            plt.text(x=i, y=v + 5, s=str(v), ha='center')
        # 设置x坐标
        plt.xlabel('image class')
        # 设置y坐标
        plt.ylabel('number of images')
        # 设置柱状图的标题
        plt.title('flower class distribution')
        plt.show()

    return train_images_path, train_images_label, val_images_path, val_images_label

2.2 可视化数据集

代码如下，

# 可视化
def plot_data_loader_image(data_loader):
    batch_size = data_loader.batch_size

    # 载入名称的json文件
    json_path = './class_indices.json'
    assert os.path.exists(json_path), json_path + " does not exist."
    json_file = open(json_path, 'r')
    class_indices = json.load(json_file)

    for data in data_loader:
        images, labels = data
        for i in range(batch_size):
            # [C, H, W] -> [H, W, C]
            img = images[i].numpy().transpose(1, 2, 0)
            # 反Normalize操作
            img = (img * [0.229, 0.224, 0.225] + [0.485, 0.456, 0.406]) * 255
            label = labels[i].item()
            plt.subplot(2, batch_size//2+1, i+1)
            plt.xlabel(class_indices[str(label)])
            plt.xticks([])  # 去掉x轴的刻度
            plt.yticks([])  # 去掉y轴的刻度
            plt.imshow(img.astype('uint8'))
        plt.show()

3. dataset 数据处理

代码如下：

from PIL import Image
import torch
from torch.utils.data import Dataset


# 自定义数据集处理
class MyDataSet(Dataset):
    def __init__(self, images_path: list, images_class: list, transform=None):
        self.images_path = images_path
        self.images_class = images_class
        self.transform = transform

    def __len__(self):  # 返回数据集的个数
        return len(self.images_path)

    def __getitem__(self, item):
        img = Image.open(self.images_path[item])    # 返回路径下的PIL图像
        # RGB为彩色图片，L为灰度图片
        if img.mode != 'RGB':   # 判断是否为 RGB 图像
            raise ValueError("image: {} isn't RGB mode.".format(self.images_path[item]))
        label = self.images_class[item]

        if self.transform is not None:  # transform 对 PIL 读取的图片处理
            img = self.transform(img)

        return img, label

    @staticmethod
    def collate_fn(batch):
        # 官方实现的default_collate可以参考
        # https://github.com/pytorch/pytorch/blob/67b7e751e6b5931a9f45274653f4f653a4e6cdf6/torch/utils/data/_utils/collate.py
        images, labels = tuple(zip(*batch))

        images = torch.stack(images, dim=0)
        labels = torch.as_tensor(labels)
        return images, labels

对这里调试的话，可以看到很多信息

4. collate_fn

这里的实现如下：

    @staticmethod
    def collate_fn(batch):
        # 官方实现的default_collate可以参考
        # https://github.com/pytorch/pytorch/blob/67b7e751e6b5931a9f45274653f4f653a4e6cdf6/torch/utils/data/_utils/collate.py
        images, labels = tuple(zip(*batch))

        images = torch.stack(images, dim=0)
        labels = torch.as_tensor(labels)
        return images, labels

下面是之前 blog 里面写的