Pytorch 实现数据集自定义读取

以读取VOC2012语义分割数据集为例，具体见代码注释：

VocDataset.py

from PIL import Image
import torch
import torch.utils.data as data
import numpy as np
import os
import torchvision
import torchvision.transforms as transforms
import time

#VOC数据集分类对应颜色标签
VOC_COLORMAP = [[0, 0, 0], [128, 0, 0], [0, 128, 0], [128, 128, 0],
       [0, 0, 128], [128, 0, 128], [0, 128, 128], [128, 128, 128],
       [64, 0, 0], [192, 0, 0], [64, 128, 0], [192, 128, 0],
       [64, 0, 128], [192, 0, 128], [64, 128, 128], [192, 128, 128],
       [0, 64, 0], [128, 64, 0], [0, 192, 0], [128, 192, 0],
       [0, 64, 128]]

#颜色标签空间转到序号标签空间，就他妈这里浪费巨量的时间,这里还 * 有问题
def voc_label_indices(colormap, colormap2label):
 """Assign label indices for Pascal VOC2012 Dataset."""
 idx = ((colormap[:, :, 2] * 256 + colormap[ :, :,1]) * 256+ colormap[:, :,0])
 #out = np.empty(idx.shape, dtype = np.int64)
 out = colormap2label[idx]
 out=out.astype(np.int64)#数据类型转换
 end = time.time()
 return out

class MyDataset(data.Dataset):#创建自定义的数据读取类
 def __init__(self, root, is_train, crop_size=(320,480)):
   self.rgb_mean =(0.485, 0.456, 0.406)
   self.rgb_std = (0.229, 0.224, 0.225)
   self.root=root
   self.crop_size=crop_size
   images = []#创建空列表存文件名称
   txt_fname = '％s/ImageSets/Segmentation/％s' ％ (root, 'train.txt' if is_train else 'val.txt')
   with open(txt_fname, 'r') as f:
     self.images = f.read().split()
   #数据名称整理
   self.files = []
   for name in self.images:
     img_file = os.path.join(self.root, "JPEGImages/％s.jpg" ％ name)
     label_file = os.path.join(self.root, "SegmentationClass/％s.png" ％ name)
     self.files.append({
       "img": img_file,
       "label": label_file,
       "name": name
     })
   self.colormap2label = np.zeros(256**3)
   #整个循环的意思就是将颜色标签映射为单通道的数组索引
   for i, cm in enumerate(VOC_COLORMAP):
     self.colormap2label[(cm[2] * 256 + cm[1]) * 256 + cm[0]] = i
 #按照索引读取每个元素的具体内容
 def __getitem__(self, index):

datafiles = self.files[index]
   name = datafiles["name"]
   image = Image.open(datafiles["img"])
   label = Image.open(datafiles["label"]).convert('RGB')#打开的是PNG格式的图片要转到rgb的格式下，不然结果会比较要命
   #以图像中心为中心截取固定大小图像，小于固定大小的图像则自动填0
   imgCenterCrop = transforms.Compose([
      transforms.CenterCrop(self.crop_size),
      transforms.ToTensor(),
      transforms.Normalize(self.rgb_mean, self.rgb_std),#图像数据正则化
    ])
   labelCenterCrop = transforms.CenterCrop(self.crop_size)
   cropImage=imgCenterCrop(image)
   croplabel=labelCenterCrop(label)
   croplabel=torch.from_numpy(np.array(croplabel)).long()#把标签数据类型转为torch

#将颜色标签图转为序号标签图
   mylabel=voc_label_indices(croplabel, self.colormap2label)

return cropImage,mylabel
 #返回图像数据长度
 def __len__(self):
   return len(self.files)

Train.py

import matplotlib.pyplot as plt
import torch.utils.data as data
import torchvision.transforms as transforms
import numpy as np

from PIL import Image
from VocDataset import MyDataset

#VOC数据集分类对应颜色标签
VOC_COLORMAP = [[0, 0, 0], [128, 0, 0], [0, 128, 0], [128, 128, 0],
       [0, 0, 128], [128, 0, 128], [0, 128, 128], [128, 128, 128],
       [64, 0, 0], [192, 0, 0], [64, 128, 0], [192, 128, 0],
       [64, 0, 128], [192, 0, 128], [64, 128, 128], [192, 128, 128],
       [0, 64, 0], [128, 64, 0], [0, 192, 0], [128, 192, 0],
       [0, 64, 128]]

root='../data/VOCdevkit/VOC2012'
train_data=MyDataset(root,True)
trainloader = data.DataLoader(train_data, 4)

#从数据集中拿出一个批次的数据
for i, data in enumerate(trainloader):
 getimgs, labels= data
 img = transforms.ToPILImage()(getimgs[0])

labels = labels.numpy()#tensor转numpy
 labels=labels[0]#获得批次标签集中的一张标签图像
 labels = labels.transpose((1,0))#数组维度切换，将第1维换到第0维，第0维换到第1维

##将单通道索引标签图片映射回颜色标签图片
 newIm= Image.new('RGB', (480, 320))#创建一张与标签大小相同的图片，用以显示标签所对应的颜色
 for i in range(0, 480):
   for j in range(0, 320):
     sele=labels[i][j]#取得坐标点对应像素的值
     newIm.putpixel((i, j), (int(VOC_COLORMAP[sele][0]), int(VOC_COLORMAP[sele][1]), int(VOC_COLORMAP[sele][2])))

#显示图像和标签
 plt.figure("image")
 ax1 = plt.subplot(1,2,1)
 ax2 = plt.subplot(1,2,2)
 plt.sca(ax1)
 plt.imshow(img)
 plt.sca(ax2)
 plt.imshow(newIm)
 plt.show()

来源：https://blog.csdn.net/weixinhum/article/details/86232734