Pytorch Dataset入门

Pytorch Dataset code：torch/utils/data/dataset.py#L17

Pytorch Dataset tutorial: tutorials/beginner/basics/data_tutorial.html

---

理论：

PyTorch中的Dataset是一个抽象类，用来表示数据集的接口，所有其他数据集都需要继承这个类，并且覆写以下三个方法：

1. __init__：初始化数据集的一些配置，例如加载所有的数据标签。
2. __len__：以便len(dataset)可以返回数据集的大小，例如n。如果n小于数据集长度，则只会取前n个的数据。
3. __getitem__：输入是数据的索引，以便可以使用dataset[i]来获取第i个样本，数据增强一般会在这里做。

---

代码：

下面是一个自定义的Dataset样例（不可执行）：

import cv2
import json
import torch.utils.Dataset as Dataset

class CustomDataset(Dataset):
    def __init__(self, imgs_path, labels_path, img_transform=None, label_transform=None):
        self.imgs_path = imgs_path  # 输入图像的路径，list
        self.labels_path = labels_path  # 输入图像对应的标签路径，list
        self.img_transform = img_transform  # 图像的数据增强
        self.label_transform = label_transform  # 标签的数据增强

    def __len__(self):
        return len(self.imgs_path)  # 返回数据集的长度

    def __getitem__(self, idx):
        img_path = self.imgs_path[idx]
        label_path = self.labels_path[idx]
        img = cv2.imread(img_path)  # 读取图像
        label = json.load(open(label_path))  # 读取标签
        if self.img_transform:  # 图像的数据增强
            img = self.img_transform(img)
        if self.label_transform:  # 标签的数据增强
            label = self.label_transform(label)
        return img, label  # 返回图像和标签，用于训练

---

总结：

值得注意的是，Dataset只负责数据的加载和预处理，对于如何训练数据（例如：是否进行shuffle，是否进行并行加速等）这部分的逻辑是由DataLoader实现的。通常情况下，我们会将Dataset和DataLoader一起使用。

另外，PyTorch还提供了一些常用的数据集，如：ImageFolder，CIFAR10，MNIST等，这些数据集都是继承Dataset类，同时在init方法中进行数据的下载，以及在getitem方法中进行数据的加载和预处理。

Dataset是单线程读取数据，每次只能读取一个样本，不能一次性读取一个mini-batch的数据。

Dataset的主要特性包含： 

• 抽象接口：PyTorch通过定义一个抽象Dataset类，让用户可以使用统一的方式来加载各种不同的数据，提供了很好的扩展性。

• 懒加载：实际的数据载入并不发生在构造数据集实例时，而是发生在用到这些数据时，这样可以提高内存利用率，并且可以实现对大规模数据的处理。

• 预处理：Dataset的一个重要应用就是数据预处理，你可以在getitem函数中进行任何你的数据预处理过程。

---

嗨，欢迎大家关注我的公众号《CV之路》，一起讨论问题，一起学习进步~。也欢迎大家关注我的GitHub仓库，我出的所有博文教程都是无偿分享的，只求个关注与Star~，多谢大家支持！

GitHub - gy-7/CV-Road （后续教程相关所有代码都会维护到此仓库）