YOLOv5代码解析—dataloader数据加载机制

1. 什么是dataloader数据集加载器

数据加载器dataloader处于硬盘的输入图片与YOLO神经网络之间。
其存在的意义和目的：是降低对硬盘的访问频次。
基本的方法是：​​批处理​​​ 和​​缓存​​

• ​​批处理：​从硬盘中一次读取多个批次的多张图片文件到内存中，而不是一张一张图片的读取，批处理，避免了频繁的读取硬盘，缓解了高速的GPU网络处理与低速的硬盘文件读取之间速度上的不平衡。
• ​​​​缓存：​硬盘中的图片和标签是分开的，cache的作用是把各个独立的硬盘图片以及标签，整合在一个cache文件，这样dataloader就不需要查找和打开一个个单独的文件。因为打开、读取和关闭文件的开销还是很大。
• 多线程​：多线程的目的还是增加对硬盘数据读取的效率，特别是在多GPU训练的场合，多线程读取数据，就显得尤为重要​​ 。

因此数据加载器的职责就是读取带有标签的数据。

2. Pytorch的dataloader

2.1 依赖的库

from torch.utils.data import DataLoader, Dataset

这里有两个主要的对象 ​
（1）dataset：​包括pytorch预支持的数据集以及用户可以自定义自己的数据集 数据集的职责：定义数据集在硬盘中的位置、机构化数据的数据、标签等信息。 ​
（2）dataloader：​通过dataset读取硬盘中的数据集，并把图片和标签存放在内存中 。以供神经网络随时使用。

2.2 自定义自己的数据集

​数据集dataset对象​：负责读取、管理和组织自身的数据。 基于Dataset模板定义自己的数据集class，里面至少包含3个函数：
①__init__：传入数据，或者像下面一样直接在函数里加载数据
②__len__：返回这个数据集一共有多少个item ③__getitem__:返回一条训练数据，并将其转换成tensor

import torch
from torch.utils.data import Dataset
class MyData(Dataset):
    def __init__(self):
        a = np.load("D:/Python/nlp/NRE/a.npy",allow_pickle=True)
        b = np.load("D:/Python/nlp/NRE/b.npy",allow_pickle=True)
        d = np.load("D:/Python/nlp/NRE/d.npy",allow_pickle=True)
        c = np.load("D:/Python/nlp/NRE/c.npy")
        self.x = list(zip(a,b,d,c))
    def __getitem__(self, idx):
        
        assert idx < len(self.x)
        return self.x[idx]
    def __len__(self):
        
        return len(self.x)
# 创建Y一个数据集dataset实例
xxx_dataset = MyData()

2.3 自定义dataloader加载器

​数据集加载器对象dataloader：​负责通过dataset对象，读取数据集数据，并存放在在自己的内存中。

instance_dataloader = DataLoader(dataset, batch_size = 2, shuffle=True,collate_fn = preprocess)

创建一个dataloader实例：instance_dataloader = DataLoader（…）

• ​dataset​：指定该dataloder关联到那个数据集对象上。 ​
• batch_size ​= 2: 为训练网络提供batch数据，这里指定batch的长度。
• ​shuffle​：从dataset中读取到的样本，是否需要打乱后才被运行load到内存中，以增加训练数据的随机性，增强训练网络的适应性和泛化能力。
• collate_fn ​= preprocess：在加载每个数据集数据时，需要进行什么样的预处理：比如填充，比如转换为pytorch的tensor，比如数据增强等等功能。这里的数据增，在传递个神经期望之前，就已经完成。
  备注：dataloader会启动内部的线程，通过dataset对象，从硬盘中读取数据。

2.4 使用dataloader迭代器读取数据

for i, data in enumerate(xxx_data_loader):
    xxx
    xxx

dataloader本质上也是一个可迭代的对象，通过迭代的方式读取数据集数据，并泛化给data。
pytorch dataloader是一个通用的dataloader，他建立了一个通用的数据集加载的机制和框架。 然后，不同的训练网络，所需要的数据集不同，dataloader要处理的内容也不相同，这就需要在pytorch的dataloader的基础之上，进一步的封装，以便提供YOLO所需要的数据加载器。

3. YOLO V5 - ultralytics dataloader的代码实现

源代码：yolov5\utils\datasets

3.1 create_dataloader ​

（1）函数原型​
def create_dataloader(

• path, # 样本所在的目录
• imgsz, # 规范化后image的大小，不管输入图片多大，规范提供给网络的图片的尺寸
• batch_size, # batch size，默认是16，对于GPU内存小的开发环境，可以设置为1.
• stride, # 步长:
  输入图像经过卷积后，到输出图像​降采样​的倍数，默认是32倍，也就是说，32*32个像素点，经过特征提取后，会汇集成一个点。对于占用像素点少的小目标，可以适当的降低tride的值，
• single_cls=False, # 是否为单一分类
• hyp=None, # 超参数
• augment=False, # 是否需要数据增强 cache=False,
  #是否需要对数据集进行cache，如果使能，会在数据集的目录中生成数据集的cache文件，下次加载时，直接加载cache文件中的内容，而不需要挨个读取单个文件。
• pad=0.0, # 把多个图片拼接成一个图片时，定义填充值。
• rect=False, #
  是否支持直接通过长方形而不是正方形的图像进行训练，如果不支持，则徐亚规范化成imgsz指定的正方形图像。
• rank=-1, # ？？？
• workers=8, # 同时启动几个loader线程
• image_weights=False, # ？？？
• quad=False, # ？？？ prefix=‘’, # ？？？
• shuffle=False ) # 是否需要
• shuffle，打乱数据集

​（2）主要功能​ 创建YOLO数据集：

• dataset = LoadImagesAndLabels（）

• 利用pytorch的loader创建加载器对象：loader = DataLoader（）

3.2 支持的其他功能 ​

（1）load_image: 加载普通的image​ class LoadImages和标签: 本地图片 （适合本地检查和本地训练） class LoadWebcam: 本地视频 （只适合检测） class LoadStreams: 支持网络视频或图像（只适合检测） ​
（2）load_mosaic/load_mosaic9: ​加载image时，马赛克数据增强加载 Mosaic数据增强方法是YOLOV4论文中提出来的，主要思想是将四张图片进行随机裁剪，再拼接到一张图上作为训练数据。这样做的好处是丰富了图片的背景，并且四张图片拼接在一起变相地提高了batch_size，在进行batch normalization的时候也会计算四张图片，所以对本身batch_size不是很依赖，单块GPU就可以训练YOLOV4。

马赛克数据增强的设置是超参数有设置，而不是用户命令行设置。

4. 参考文章

原文链接：https://blog.51cto.com/u_11299290/5144793
感谢原作者，转载这篇文章是为了便于学习，如有侵权，请联系删除。