请我喝杯咖啡☕
*我的帖子解释了牛津 102 花。
flowers102()可以使用oxford 102 flower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"-类型:str)。 *可以设置“train”（1,020张图片）、“val”（1,020张图片）或“test”（6,149张图片）。
- 第三个参数是transform(optional-default:none-type:callable)。
- 第四个参数是 target_transform(optional-default:none-type:callable)。
- 第五个参数是 download(optional-default:false-type: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，则不会发生任何事情。
- 如果数据集已经下载并提取，则应该为 false，因为它速度更快。
- 您可以从此处手动下载并提取数据集（102flowers.tgz 以及 imagelabels.mat 和 setid.matff 到 data/flowers-102/。
- 关于训练和验证图像索引的类别（类）的标签，0是0~9，1是10~19，2是20~29，3是30~39，4是40~49， 5为50~59，6为60~69，7为70~79，8为80~89，9为90~99等
- 关于测试图像索引的类别（类）标签，0为0~19，1为20~59，2为60~79，3为80~115，4为116~160，5为161~185，6为186~205，7为206~270，8为271~296，9为297~321等。
from torchvision.datasets import Flowers102
train_data = Flowers102(
root="data"
)
train_data = Flowers102(
root="data",
split="train",
transform=None,
target_transform=None,
download=False
)
val_data = Flowers102(
root="data",
split="val"
)
test_data = Flowers102(
root="data",
split="test"
)
len(train_data), len(val_data), len(test_data)
# (1020, 1020, 6149)
train_data
# Dataset Flowers102
# Number of datapoints: 1020
# Root location: data
# split=train
train_data.root
# 'data'
train_data._split
# 'train'
print(train_data.transform)
# None
print(train_data.target_transform)
# None
train_data.download
#
len(set(train_data._labels)), train_data._labels
# (102,
# [0, 0, 0, ..., 1, ..., 2, ..., 3, ..., 4, ..., 5, ..., 6, ..., 101])
train_data[0]
# (, 0)
train_data[1]
# (, 0)
train_data[2]
# (, 0)
train_data[10]
# (, 1)
train_data[20]
# (, 2)
val_data[0]
# (, 0)
val_data[1]
# (, 0)
val_data[2]
# (, 0)
val_data[10]
# (, 1)
val_data[20]
# (, 2)
test_data[0]
# (, 0)
test_data[1]
# (, 0)
test_data[2]
# (, 0)
test_data[20]
# (, 1)
test_data[60]
# (, 2)
import matplotlib.pyplot as plt
def show_images(data, ims, main_title=None):
plt.figure(figsize=(10, 5))
plt.suptitle(t=main_title, y=1.0, fontsize=14)
for i, j in enumerate(ims, start=1):
plt.subplot(2, 5, i)
im, lab = data[j]
plt.imshow(X=im)
plt.title(label=lab)
plt.tight_layout()
plt.show()
train_ims = (0, 1, 2, 10, 20, 30, 40, 50, 60, 70)
val_ims = (0, 1, 2, 10, 20, 30, 40, 50, 60, 70)
test_ims = (0, 1, 2, 20, 60, 80, 116, 161, 186, 206)
show_images(data=train_data, ims=train_ims, main_title="train_data")
show_images(data=train_data, ims=val_ims, main_title="val_data")
show_images(data=test_data, ims=test_ims, main_title="test_data")
