【Pytorch 04】torchvision中的transform

目录

1. 使用Tensorform的ToTensor()类，将 PIL 类型的图像转换成 tensor 类型。

2. opencv 读取图片

3. 用 tensorboard 可视化数据

4. 总结

5. python是区分大小写的，在setting中去掉 Match case 不用设置首字母大小写匹配。

【重点】6. 在tensorboard上绘制 y=x 的图像，引入一张图片：

【重点】7. transforms方法使用：Normalize 、Resize、Compose、RandomCrop。

【重点】8. 使用 CIFAR10 数据集 显示测试集中的图片（两种方式）

---

transform.py 主要是对图片进行处理变换，产生我们想要的结果。

1. 使用Tensorform的ToTensor()类，将 PIL 类型的图像转换成 tensor 类型。

2. opencv 读取图片

pip install opencv-python

3. 用 tensorboard 可视化数据

# 作者：要努力，努力，再努力
# 开发时间：2022/5/2 14:42
from PIL import Image
from torchvision import transforms
import cv2
from torch.utils.tensorboard import SummaryWriter

img_path = '../dataset/train/ants_images/24335309_c5ea483bb8.jpg'
img = Image.open(img_path)
# print(img)

# 1. transform 的使用
tensor_trains = transforms.ToTensor()  # 看 ToTensor()类 ，可以返回 Image to be converted to tensor. tensor类的图像
tensor_img = tensor_trains(img)  # 将 PIL 类型的图像转换成 tensor 类型

# 2. opencv使用
cv_img = cv2.imread(img_path)

# 3、画图
write = SummaryWriter('logs')
write.add_image('tensor_img', tensor_img)
# write.add_image('cv_img', cv_img)
write.close()

4. 总结

PIL	Python自带的图片打开方式	Image.open()
tensor	tensor类型	ToTensor()
opencv	numpy.array	cv.imread()

启用 tensorboard ，必须切换到日志文件的上一级目录:

tensorboard --logdir="logs" --port=6007

5. python是区分大小写的，在setting中去掉 Match case 不用设置首字母大小写匹配。

【重点】6. 在tensorboard上绘制 y=x 的图像，引入一张图片：

# 作者：要努力，努力，再努力
# 开发时间：2022/5/4 8:59
import numpy as np
from torch.utils.tensorboard import SummaryWriter
from PIL import Image
from torchvision import transforms

# 写log
writer = SummaryWriter('logs2')

# 引入一张图片
# img_tensor (torch.Tensor, numpy.array, or string/blobname): Image data
# 可以用tensor也可以用numpy的方式
img_path = '../dataset/train/bees_images/36900412_92b81831ad.jpg'
image_open = Image.open(img_path)
# numpy.array 方式
img_npy = np.array(image_open)
writer.add_image('tb2_image', img_npy, 1, dataformats='HWC')
# totensor 方式
trans_totensor = transforms.ToTensor()
img_totensor = trans_totensor(image_open)
writer.add_image('tb2_image', img_totensor, 2)


# 画 y = x 图像
for i in range(100):
    writer.add_scalar('y=x', i, i)

writer.close()

总结：

① 引入图片：可以用tensor也可以用numpy的方式  用 writer.add_image()

② 绘制：用 writer.add_scalar()

【重点】7. transforms方法使用：Normalize 、Resize、Compose、RandomCrop。

# 作者：要努力，努力，再努力
# 开发时间：2022/5/4 10:08

from PIL import Image
from torch.utils.tensorboard import SummaryWriter
from torchvision import transforms

img_path = '../dataset/train/ants_images/24335309_c5ea483bb8.jpg'
img_PIL = Image.open(img_path)  # PIL
writer = SummaryWriter('logs2')

# totensor方式
trans_tensor = transforms.ToTensor()
img_tensor = trans_tensor(img_PIL)
writer.add_image('img_tensor', img_tensor)

# Normalize
trans_normal = transforms.Normalize([5, 6, 7], [2, 3, 6])  # 输入均值和方差，均为列表方式，这里是随便填的
img_normal = trans_normal(img_tensor)  # This transform does not support PIL Image.  所以只能用上面的 totenosr 类型
writer.add_image('img_normal', img_normal)

# Resize
trans_resize = transforms.Resize([512, 512])
img_resize = trans_resize(img_tensor)
writer.add_image('img_resize', img_resize)

# Compose 按照比例缩放
trans_resize_2 = transforms.Resize(512)
trans_compose = transforms.Compose([trans_resize_2, trans_tensor])  # def __init__(self, transforms)  需要transform类型
img_compose = trans_compose(img_PIL)
writer.add_image('img_resize', img_compose, 2)

# RandomCrop  截图
trans_random = transforms.RandomCrop(500, 1000)
trans_compose_2 = transforms.Compose([trans_random, trans_tensor])
for i in range(10):
    img_crop = trans_compose_2(img_PIL)
    writer.add_image('img_crop', img_crop, i)

writer.close()

总结： 多用crtl，去查查 这些方法的使用方式。

【重点】8. 使用 CIFAR10 数据集 显示测试集中的图片（两种方式）

在下面的链接中可以下载想学习的对应数据集

Datasets — Torchvision 0.12 documentationhttps://pytorch.org/vision/stable/datasets.html

方式一：下载数据集，不设置格式，显示图片。

方式二：下载tensor数据集，在 tensorboard 中展示10张图片。

# 作者：要努力，努力，再努力
# 开发时间：2022/5/4 11:13

from torchvision import transforms
from torchvision import datasets
from torch.utils.tensorboard import SummaryWriter

# 1. 下载数据集 建议都把download设置成True
# tran_set = datasets.CIFAR10(root='./dataset', train=True, download=True)
# test_set = datasets.CIFAR10(root='./dataset', train=False, download=True)
# img, target = test_set[0]
# print(img)
# img.show()


# 2. 设置 数据格式为tensor，再展示到tensorboard中
dataset_forms = transforms.Compose({
    transforms.ToTensor()
})
tran_set = datasets.CIFAR10(root='./dataset', train=True, transform=dataset_forms, download=True)
test_set = datasets.CIFAR10(root='./dataset', train=False, transform=dataset_forms, download=True)
writer = SummaryWriter('chap04_2')
for i in range(10):
    img, target = test_set[i]
    writer.add_image('dataset_tensor', img, i)

writer.close()

总结：

1. 数据下载太慢，可以复制下方链接迅雷下载，有镜像加速。

2. 可以设置数据格式。