[PyTorch] 自定义数据集

自己学深度学习的时候想要记下来的，看到代码这样用就这样记了，所以我也不知道这个定义过程规不规范，反正就是能用。其他类型的数据按代码改一下应该没问题，下边是一个图片数据集！
步骤：

自定义Dataset实例：
- 定义 __init__ 方法：返回feature和label两个部分的数据；
- 定义 __getitem__ 方法；
- 定义 __len__ 方法；
使用 torch.utils.data.DataLoader 加载数据；

示例：

目的：载入自定义的目标检测数据集——“banana-detection”；

数据集格式：包含两个文件夹“bananas_train”和“bananans_val”，

文件夹：两个文件夹包含内容都一样，分别为一个“label.csv”文件和一个“images”文件夹（存放的是图片）；

label.csv：存放的是每张图片的文件名和目标边框信息，字段如下：

字段名	img_name	label	xmin	ymin	xmax	ymax
含义	图片文件名	具体含义我不太清楚，全为0，好像没用到	目标左上角的x轴坐标	目标左上角的y轴坐标	目标右下角的x轴坐标	目标右下角的y轴坐标


# %%
import os
import pandas as pd
import torch 
import torchvision
from d2l import torch as d2l
import numpy as np

# %%
def read_data_bananas(is_train = True):
    """读取香蕉数据集中的图像和标签"""
    data_dir = '..\\data\\banana-detection'
    csv_fname = os.path.join(data_dir, 
                             'bananas_train' if is_train else 'bananas_val',
                             'label.csv')
    csv_data = pd.read_csv(csv_fname)
    # 指定索引，下边的for循环取到数的index（第一个参数img_name）就为该字段，其他字段的数据就会放到target中
    csv_data = csv_data.set_index('img_name')
    images, targets = [], []
    # 将图片读取到内存中（数据集大的时候不能用该方法）
    for img_name, target in csv_data.iterrows():                # pandas.DataFrame的iterrows()函数是在数据框中的行进行迭代的一个生成器，它返回每行的索引及一个包含行本身的对象。
        images.append(
            # 读取图片，返回一个三维tensor(channels, height, width)
            torchvision.io.read_image(              
                os.path.join(data_dir,
                             'bananas_train' if is_train else 'bananas_val',
                             'images',
                             f'{img_name}')     # python的print字符串前面加f表示格式化字符串，加f后可以在字符串里面使用用花括号括起来的变量和表达式
            )
        )
        tmp = torchvision.io.read_image(              
                os.path.join(data_dir,
                             'bananas_train' if is_train else 'bananas_val',
                             'images',
                             f'{img_name}')     # python的print字符串前面加f表示格式化字符串，加f后可以在字符串里面使用用花括号括起来的变量和表达式
            )
        targets.append(list(target))
    print(tmp)
    print(tmp.shape)
    # images包含所有图片的张量
    # images是一个列表，每个元素为一个多维tensor（一张图片的张量），转换为tensor会报错。如果是其他数据的话，如果能转换为tensor的话，不知道这个代码会不会报错，但是target这里也转换成tensor了，也没问题。有人知道的话请告诉我
    # targets转换成tensor，每个元素除以256。实际上target是列表也不会报错（(torch.tensor(targets).unsqueeze(1) / 256).numpy().tolist()）
    return images, torch.tensor(targets).unsqueeze(1) / 256     # target扩一个维度，然后每个数字除以256

# %%
# 创建一个自定义Dataset实例
class BananasDataset(torch.utils.data.Dataset):
    """一个用于加载香蕉数据集的自定义数据集"""
    def __init__(self, is_train):
        self.features, self.labels = read_data_bananas(is_train)
        print('read' + str(len(self.features)) + (f' training examples' if is_train else f' validation examples'))
    
    def __getitem__(self, idx):
        return (self.features[idx].float(), self.labels[idx])
    
    def __len__(self):
        return len(self.features)

# %%
# 训练集和测试集返回两个数据加载器实例
def load_data_bananas(batch_size):
    """加载香蕉检测数据集"""
    train_iter = torch.utils.data.DataLoader(BananasDataset(is_train = True),
                                             batch_size,
                                             shuffle = True)
    val_iter = torch.utils.data.DataLoader(BananasDataset(is_train = False),
                                           batch_size)
    return train_iter, val_iter

# %%
# 读取一个小批量，并打印其中的图像和标签的形状
batch_size, edge_size = 32, 256
train_iter, _ = load_data_bananas(batch_size)
batch = next(iter(train_iter))      # 迭代train_iter，取第一轮的结果，也就是一个结果
# 输出第一个batch的维度（batch_size, channels, height, width），第二个是
batch[0].shape, batch[1].shape

# %%
# 画出图片和目标框（用的是深度学习模块 d2l）
# permute()是维度换位，(0,2,3,1)表示把原来的
# 0维 -> 0维
# 2维 -> 1维 
# 3维 -> 2维
# 1维 -> 3维
imgs = (batch[0][0 : 10].permute(0, 2, 3, 1)) / 255
axes = d2l.show_images(imgs, 2, 5, scale=2)
for ax, label in zip(axes, batch[1][0:10]):
    d2l.show_bboxes(ax, [label[0][1:5] * edge_size], colors = ['w'])