学习笔记||基础知识-Dataloader和PascalVOC数据集讲解

1.数据集加载方式
pytorch中提供了Dataset基本的数据类，并在torchvision中提供了较多数据变换函数，可以利用类和函数来处理加载数据集。
pytorch标准化数据处理过程可描述为：
1）继承Dataset类（读入一部分数据并对它们做一些变换)
2）增加数据变换
3）继承Dataloader（把数据中的一部分读取出来）
2.数据集加载过程
数据加载的具体过程主要分为3步：
1.1继承Dataset类
1.2数据变换与数据增强
1.3继承dataloader
详解如下：
1.1继承Dataset类
pytorch提供了torch.utils.data.Dataset这个抽象类用来处理数据集，在使用时只需要继承该类，并重写_len_()和_getitem_()函数。
比如：
所以，在继承Dataset类时，只需按照上面的模板，修改_init_（）和_len_（）以及_getitem_（）即可。
1.2数据变换与数据增强
这一步虽然将数据集加载到了实例中，但在实际应用时，数据集中的图片有可能存在大小不一的情况，并且原始图片像素RGB值比较大（0-255），这些都不利于神经网络的训练和收敛，因此还需要进行一些图像变换工作。PyTorch为此提供了torchvision.transforms工具包，可以方便的进行图像缩放、裁剪、随机翻转、填充及张量归一化等操作，操作对象是PIL的Image或者Tensor。
如果需要进行多个变换功能，可以利用transform.Compose将多个变换组合起来，并且在实际使用时，通常会将变换操作集成到Dataset的继承类中。
比如：

1.3继承dataloader
经过前两步可以获取每一个变换后的样本，但是仍然无法进行批量处理、随机选取等操作，还需要使用torch.utils.data.Dataloader类进一步封装，该类有四个参数，第一个参数是之前继承Dataset的实例，第二个参数是批量的大小，第三个参数是是否打乱数据，第四个参数是使用几个线程来加载数据。

最后是用一个iter（）函数来进行一个迭代，以及使用next（）函数去进行读取。
2.SSD模型加载VOC数据集实例
2.1前置知识文件 XML文件
xml文件是一种用于标记电子文件使其具有结构性的标记语言，用来传输和存储数据。
如：
下图是一个xml文件，其中包含标签说明和候选框的位置以及图像大小和通道。比如下图中所示图片大小为500333，通道数为3.里面包含火车（train）这个目标，姿态未知，候选框位置对角线坐标（46.11）（500.333）。