深度学习笔记（七）——自定义加载数据集

在之前的案例中，使用datasets.ImageFolder函数直接导入已经分类好的数据集形成Dataset，然后使用DataLoader加载Dataset，但是如果对无法分类的数据集，我们如何导入，并进行识别呢？
我们将自定义一个MyDataset加载车牌数据集并完成车牌识别。

一、完整代码

在这里插入代码片#导入数据
from torchvision.transforms import transforms
from torch.utils.data       import DataLoader
from torchvision            import datasets
import torchvision.models   as models
import torch.nn.functional  as F
import torch.nn             as nn
import torch,torchvision



device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
print(device)


#获取类别名
import os,PIL,random,pathlib
import matplotlib.pyplot as plt
# 支持中文
plt.rcParams['font.sans-serif'] = ['SimHei']  # 用来正常显示中文标签
plt.rcParams['axes.unicode_minus'] = False  # 用来正常显示负号

data_dir = r'D:/编程文件/数据库/P10 car/015_licence_plate'
data_dir = pathlib.Path(data_dir)

data_paths  = list(data_dir.glob('*'))
classeNames = [str(path).split("\\")[5].split("_")[1].split(".")[0] for path in data_paths]
print(classeNames)


data_paths     = list(data_dir.glob('*'))
data_paths_str = [str(path) for path in data_paths]
print(data_paths_str)


#数据可视化
plt.figure(figsize=(14, 5))
plt.suptitle("数据示例（K同学啊）", fontsize=15)

for i in range(18):
    plt.subplot(3, 6, i + 1)
    # plt.xticks([])
    # plt.yticks([])
    # plt.grid(False)

    # 显示图片
    images = plt.imread(data_paths_str[i])
    plt.imshow(images)

plt.show()


#标签数字化
import numpy as np

char_enum = ["京","沪","津","渝","冀","晋","蒙","辽","吉","黑","苏","浙","皖","闽","赣","鲁",\
              "豫","鄂","湘","粤","桂","琼","川","贵","云","藏","陕","甘","青","宁","新","军","使"]

number   = [str(i) for i in range(0, 10)]    # 0 到 9 的数字
alphabet = [chr(i) for i in range(65, 91)]   # A 到 Z 的字母

char_set       = char_enum + number + alphabet
char_set_len   = len(char_set)
label_name_len = len(classeNames[0])

# 将字符串数字化
def text2vec(text):
    vector = np.zeros([label_name_len, char_set_len])
    for i, c in enumerate(text):
        idx = char_set.index(c)
        vector[i][idx] = 1.0
    return vector

all_labels = [text2vec(i) for i in classeNames]


#加载数据文件
import os
import pandas as pd
from torchvision.io import read_image
from torch.utils.data import Dataset
import torch.utils.data as data
from PIL import Image


class MyDataset(data.Dataset):
    def __init__(self, all_labels, data_paths_str, transform):
        self.img_labels = all_labels  # 获取标签信息
        self.img_dir = data_paths_str  # 图像目录路径
        self.transform = transform  # 目标转换函数

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

    def __getitem__(self, index):
        image = Image.open(self.img_dir[index]).convert(
            'RGB')  # plt.imread(self.img_dir[index])  # 使用 torchvision.io.read_image 读取图像
        label = self.img_labels[index]  # 获取图像对应的标签

        if self.transform:
            image = self.transform(image)

        return image, label  # 返回图像和标签


total_datadir = './03_traffic_sign/'

# 关于transforms.Compose的更多介绍可以参考：https://blog.csdn.net/qq_38251616/article/details/124878863
train_transforms = transforms.Compose([
    transforms.Resize([224, 224]),  # 将输入图片resize成统一尺寸
    transforms.ToTensor(),          # 将PIL Image或numpy.ndarray转换为tensor，并归一化到[0,1]之间
    transforms.Normalize(           # 标准化处理-->转换为标准正太分布（高斯分布），使模型更容易收敛
        mean=[0.485, 0.456, 0.406],
        std =[0.229, 0.224, 0.225])  # 其中 mean=[0.485,0.456,0.406]与std=[0.229,0.224,0.225] 从数据集中随机抽样计算得到的。
])

total_data = MyDataset(all_labels, data_paths_str, train_transforms)
print(total_data)


#划分数据
train_size = int(0.8 * len(total_data))
test_size  = len(total_data) - train_size
train_dataset, test_dataset = torch.utils.data.random_split(total_data, [train_size, test_size])
print(train_size,test_size)


train_loader = torch.utils.data.DataLoader(train_dataset,
                                           batch_size=16,
                                           shuffle=True)
test_loader = torch.utils.data.DataLoader(test_dataset,
                                          batch_size=16,
                                          shuffle=True)

print("The number of images in a training set is: ", len(train_loader)*16)
print("The number of images in a test set is: ", len(test_loader)*16)
print("The number of batches per epoch is: ", len(train_loader))


for X, y in test_loader:
    print("Shape of X [N, C, H, W]: ", X.shape)
    print("Shape of y: ", y.shape, y.dtype)
    break


#自建模型
class Network_bn(nn.Module):
    def __init__(self):
        super(Network_bn, self).__init__()
        """
        nn.Conv2d()函数：
        第一个参数（in_channels）是输入的channel数量
        第二个参数（out_channels）是输出的channel数量
        第三个参数（kernel_size）是卷积核大小
        第四个参数（stride）是步长，默认为1
        第五个参数（padding）是填充大小，默认为0
        """
        self.conv1 = nn.Conv2d(in_channels=3, out_channels=12, kernel_size=5, stride=1, padding=0)
        self.bn1 = nn.BatchNorm2d(12)
        self.conv2 = nn.Conv2d(in_channels=12, out_channels=12, kernel_size=5, stride=1, padding=0)
        self.bn2 = nn.BatchNorm2d(12)
        self.pool = nn.MaxPool2d(2, 2)
        self.conv4 = nn.Conv2d(in_channels=12, out_channels=24, kernel_size=5, stride=1, padding=0)
        self.bn4 = nn.BatchNorm2d(24)
        self.conv5 = nn.Conv2d(in_channels=24, out_channels=24, kernel_size=5, stride=1, padding=0)
        self.bn5 = nn.BatchNorm2d(24)
        self.fc1 = nn.Linear(24 * 50 * 50, label_name_len * char_set_len)
        self.reshape = Reshape([label_name_len, char_set_len])

    def forward(self, x):
        x = F.relu(self.bn1(self.conv1(x)))
        x = F.relu(self.bn2(self.conv2(x)))
        x = self.pool(x)
        x = F.relu(self.bn4(self.conv4(x)))
        x = F.relu(self.bn5(self.conv5(x)))
        x = self.pool(x)
        x = x.view(-1, 24 * 50 * 50)
        x = self.fc1(x)

        # 最终reshape
        x = self.reshape(x)

        return x


# 定义Reshape层
class Reshape(nn.Module):
    def __init__(self, shape):
        super(Reshape, self).__init__()
        self.shape = shape

    def forward(self, x):
        return x.view(x.size(0), *self.shape)


device = "cuda" if torch.cuda.is_available() else "cpu"
print("Using {} device".format(device))

model = Network_bn().to(device)
print(model)


import torchsummary

''' 显示网络结构 '''
torchsummary.summary(model, (3, 224, 224))


#优化器与损失函数
optimizer  = torch.optim.Adam(model.parameters(),
                              lr=1e-4,
                              weight_decay=0.0001)

loss_model = nn.CrossEntropyLoss()

from torch.autograd import Variable


def test(model, test_loader, loss_model):
    size = len(test_loader.dataset)
    num_batches = len(test_loader)

    model.eval()
    test_loss, correct = 0, 0
    with torch.no_grad():
        for X, y in test_loader:
            X, y = X.to(device), y.to(device)
            pred = model(X)

            test_loss += loss_model(pred, y).item()

    test_loss /= num_batches

    print(f"Avg loss: {test_loss:>8f} \n")
    return correct, test_loss


def train(model, train_loader, loss_model, optimizer):
    model = model.to(device)
    model.train()

    for i, (images, labels) in enumerate(train_loader, 0):  # 0是标起始位置的值。

        images = Variable(images.to(device))
        labels = Variable(labels.to(device))

        optimizer.zero_grad()
        outputs = model(images)

        loss = loss_model(outputs, labels)
        loss.backward()
        optimizer.step()

        if i % 1000 == 0:
            print('[%5d] loss: %.3f' % (i, loss))


test_acc_list  = []
test_loss_list = []
epochs = 30

for t in range(epochs):
    print(f"Epoch {t+1}\n-------------------------------")
    train(model,train_loader,loss_model,optimizer)
    test_acc,test_loss = test(model, test_loader, loss_model)
    test_acc_list.append(test_acc)
    test_loss_list.append(test_loss)
print("Done!")



import numpy as np
import matplotlib.pyplot as plt

x = [i for i in range(1,31)]

plt.plot(x, test_loss_list, label="Loss", alpha=0.8)

plt.xlabel("Epoch")
plt.ylabel("Loss")

plt.legend()
plt.show()

二、自定义加载数据集步骤概述

在深度学习中，自定义加载数据集是一个常见的任务，因为很多实际项目中的数据集并不是标准的格式，或者你可能需要对数据进行一些预处理。

1. 理解数据集

• 确定数据集的结构（例如，CSV文件、图片文件夹、数据库等）。
• 了解每个数据点的格式和包含的信息。
• 确定是否有标签（监督学习）或仅有特征（非监督学习）。

2.定义数据类

• 在Python中，通常使用torch.utils.data.Dataset（PyTorch中）或类似的类（TensorFlow等）来定义你的数据集。
• 在这个类中，你需要实现__len__和__getitem__方法。
  • __len__方法返回数据集的长度，
  • __getitem__方法允许你通过索引访问数据集中的每个数据点。getitem接收一个index，然后返回图片数据和标签，这个index通常指的是一个list的index，这个list的每个元素就包含了图片数据的路径和标签信息。

制作list，通常的方法是将图片的路径和标签信息存储在一个txt中，然后从该txt中读取。 那么读取自己数据的基本流程就是：

1. 制作存储了图片的路径和标签信息的txt；
2. 将这些信息转化为list，该list每一个元素对应一个样本；
3. 通过getitem函数，读取数据和标签，并返回数据和标签；

3.数据加载

在__getitem__方法中，需要编写代码来加载和预处理数据。包括读取文件、解析数据、应用转换（如缩放、归一化、裁剪等）等。

4.数据预处理

在加载数据后，可能需要进行一些预处理步骤，如数据增强（对于图像数据）、特征工程等。
这些步骤可以在__getitem__方法内部实现，也可以作为单独的函数或类。

5.批处理

使用torch.utils.data.DataLoader来加载和批处理数据。这个类允许指定批大小、是否打乱数据、使用多线程加载等。
DataLoader会调用你定义的Dataset类的__getitem__方法来获取数据，并自动进行批处理。

6.测试和调试

编写代码来测试你的数据集类，确保它能够正确地加载和预处理数据。
使用一小部分数据来测试你的模型，以确保数据加载和预处理没有问题。

7.优化和扩展

如果数据加载速度很慢，考虑使用更快的存储解决方案（如SSD）或优化你的数据加载和预处理代码。
如果你的数据集很大且不能全部加载到内存中，考虑使用流式加载或分布式加载。

下面是一个简单的PyTorch示例，展示如何定义一个自定义的数据集类：

import torch  
from torch.utils.data import Dataset  
  
class MyCustomDataset(Dataset):  
    def __init__(self, data_file, transform=None):  
        self.data = self.load_data(data_file)  # 假设这是一个加载数据的函数  
        self.transform = transform  
  
    def __len__(self):  
        return len(self.data)  
  
    def __getitem__(self, idx):  
        sample = self.data[idx]  
        if self.transform:  
            sample = self.transform(sample)  # 应用数据转换  
        return sample  
  
    def load_data(self, file):  
        # 在这里编写代码来加载数据  
        # 返回一个列表或类似的数据结构，其中每个元素都是一个数据点  
        pass
        

注：上面的load_data函数是一个占位符，你需要根据你的数据集的实际格式来实现它。
同样，你可能还需要实现一个数据转换函数（在上面的示例中作为transform参数传递），以便在加载数据后对其进行预处理。

下面是本文的加载数据文件，可以对比学习。