轻松学Pytorch-自定义数据集制作与使用

OpenCV学堂

发布于 2020-06-04 15:34:20

1.2K0

发布于 2020-06-04 15:34:20

大家好，这是轻松学Pytorch系列的第六篇分享，本篇你将学会如何从头开始制作自己的数据集，并通过DataLoader实现加载。本文以人脸Landmard五点的数据集标定与之制作为例来说明pytorch中如何实现自定义数据集读取与加载。

数据来源

首先要实现人脸landmark五点的数据标定，就得找到人脸数据，我使用的人脸数据是celebA数据集，大概有20W张多点，我从中选择了1000张，然后通过OpenCV写了个程序对人脸进行了简单的裁剪。然后还选择了一个音乐MV(上次就被人打call的宇少)通过opencv实现采集了一些人脸数据，这个数据的好处是有不同的光照，各种角度，丰富了数据的多样性。这些数据加起来1500张左右。图示如下：

Landmark标定

我这里选择的对得到1500张图像做数据标注，刚开始的选择标定工具都让我头疼，这个是我第一次标定一系列的点，经过一番尝试之后，终于发现一个很好用的工具，同时支持人脸检测与五点标定。贴上地址：

https://github.com/Mukosame/Face-Annotation-Tool

废话也不多说了，只说一句话，简单靠谱，然后我就对这个1500张图像进行五点标定，本来我可以不这么干的，我可以用其它的模型来直接找这些图像的landmark五点然后生成文件即可，但是我还是决定手动标注一番。结果让我眼睛疼了两天之后，终于给标注好拉，发誓以后再也不干这种活了，我太难了。截图如下：

现在自定义数据已经准备完毕，下面就应该是pytorch登场了。

自定义数据集实现

基于Pytorch中的torch.utils.data.Dataset类实现自定义的FaceLandmarksDataset类，主要是重写了getitem这个方法。完整的代码实现如下：

class FaceLandmarksDataset(Dataset):
    def __init__(self, txt_file):
        self.transform = transforms.Compose([transforms.ToTensor()])
        lines = []
        with open(txt_file) as read_file:
            for line in read_file:
                line = line.replace('\n', '')
                lines.append(line)
        self.landmarks_frame = lines

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

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

    def __getitem__(self, idx):
        if torch.is_tensor(idx):
            idx = idx.tolist()
        contents = self.landmarks_frame[idx].split('\t')
        image_path = contents[0]
        img = cv.imread(image_path)  # BGR order
        h, w, c = img.shape
        # rescale
        img = cv.resize(img, (64, 64))
        img = (np.float32(img) /255.0 - 0.5) / 0.5
        landmarks = np.zeros(10, dtype=np.float32)
        for i in range(1, len(contents), 2):
            landmarks[i - 1] = np.float32(contents[i]) / w
            landmarks[i] = np.float32(contents[i + 1]) / h
        landmarks = landmarks.astype('float32').reshape(-1, 2)
        # H, W C to C, H, W
        img = img.transpose((2, 0, 1))
        sample = {'image': torch.from_numpy(img), 'landmarks': torch.from_numpy(landmarks)}
        return sample

加载与显示

实现了自定义的Dataset类之后，就可以通过自定义的Dataset来构建一个DataLoader对象实现数据的加载跟批次处理，对自定义的dataset完成测试。代码如下：

ds = FaceLandmarksDataset("D:/facedb/Face-Annotation-Tool/landmark_output.txt")
for i in range(len(ds)):
    sample = ds[i]
    print(i, sample['image'].size(), sample['landmarks'].size())
    if i == 3:
        break

dataloader = DataLoader(ds, batch_size=4, shuffle=True, num_workers=4)
# data loader
for i_batch, sample_batched in enumerate(dataloader):
    print(i_batch, sample_batched['image'].size(), sample_batched['landmarks'].size())

运行显示如下：