Pytorch自定义数据库

1）前言

虽然torchvision.datasets中已经封装了好多通用的数据集，但是我们在使用Pytorch做深度学习任务的时候，会面临着自定义数据库来满足自己的任务需要。如我们要训练一个人脸关键点检测算法，提供的训练数据标注如下形式，存在CSV文件中：

image_name,part_0_x,part_0_y,part_1_x,part_1_y,part_2_x, ... ,part_67_x,part_67_y
0805personali01.jpg,27,83,27,98, ... 84,134
1084239450_e76e00b7e7.jpg,70,236,71,257, ... ,128,312

在本次教程中，我们需要用到两个额外的包：

• scikit-image: 用于图片io和转换
• pandas: 用于解析csv文件

首先学习如何使用pandas库解析csv文件

import pandas as pd
landmarks_frame = pd.read_csv('data/faces/face_landmarks.csv')
n = 65
img_name = landmarks_frame.iloc[n, 0]
landmarks = landmarks_frame.iloc[n, 1:].as_matrix()
landmarks = landmarks.astype('float').reshape(-1, 2)

print('Image name: {}'.format(img_name))
print('Landmarks shape: {}'.format(landmarks.shape))
print('First 4 Landmarks: {}'.format(landmarks[:4]))

2）自定义数据库

torch.utils.data.Dataset是一个表示数据库的抽象类，自定义数据库需要继承这个类，并且重写其以下方法：

__len__ ：返回数据库的大小.
__getitem__ ：支持使用下标的方式 如dataset[i] 来获取第i个样本

以下创建人脸特征点检测的数据库。我们将在__init__中解析csv文件，而在__getitem__中读取图片。这样可以在需要图片是才加载，内存效率高。此外，我们还可以先将数据集封装成lmdb数据库，读取速度更快。

 

import torch.utils.data.Dataset as Dataset
class FaceLandmarksDataset(Dataset):
    """Face Landmarks dataset."""

    def __init__(self, csv_file, root_dir, transform=None):
        """
        Args:
            csv_file (string): 到达标注文件cvs的路径.
            root_dir (string): 所有图片的根目录.
            transform (callable, optional): （可选参数）对每一个样本进行转换.
        """
        self.landmarks_frame = pd.read_csv(csv_file)
        self.root_dir = root_dir
        self.transform = transform

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

    def __getitem__(self, idx):
        img_name = os.path.join(self.root_dir,self.landmarks_frame.iloc[idx, 0]) #第idx条数据的第一个字段，即文件名称
        image = io.imread(img_name)                           #读取图像数据
        landmarks = self.landmarks_frame.iloc[idx, 1:].as_matrix() #读取第idx条数据的第二个字段及其之后的所有字段，即所有关键点的坐标。然后转成矩阵形式
        landmarks = landmarks.astype('float').reshape(-1, 2)  #将矩阵reshape成n行两列矩阵
        sample = {'image': image, 'landmarks': landmarks}     #封装数据

        if self.transform:
            sample = self.transform(sample)                   #数据转换

        return sample                                         #返回数据

注：__getitem__每次只返回一个条数据，至于batch的封装可以在DataLoader中设置batchsize，至于读取速度可以设置num_worker。