目標檢測的常用數(shù)據(jù)處理方法！
前沿
在上節(jié)內(nèi)容中，我們介紹了目標檢測的基礎概念，并分析了實現(xiàn)目標檢測的常用思路，本篇文章將重點介紹在該領域的經(jīng)典數(shù)據(jù)集：VOC數(shù)據(jù)集，以及使用Dataloader對其進行數(shù)據(jù)讀取和預處理的全過程。
一、 目標檢測數(shù)據(jù)集VOC
VOC數(shù)據(jù)集是目標檢測領域最常用的標準數(shù)據(jù)集之一，幾乎所有檢測方向的論文，如faster_rcnn、yolo、SSD等都會給出其在VOC數(shù)據(jù)集上訓練并評測的效果。本文中，我們使用VOC2007和VOC2012這兩個最流行的版本作為訓練和測試的數(shù)據(jù)。
1. 數(shù)據(jù)集類別
VOC數(shù)據(jù)集在類別上可以分為4大類，20小類，其類別信息下圖所示。
2. 數(shù)據(jù)集量級
VOC數(shù)量集圖像和目標數(shù)量的基本信息如下圖所示:
其中，Images表示圖片數(shù)量，Objects表示目標數(shù)量
3. 數(shù)據(jù)集下載
VOC官網(wǎng)經(jīng)常上不去，確保后續(xù)實驗準確且順利的進行，已打包數(shù)據(jù)集，在Datawhale后臺回復【目標檢測】可直接下載，下載后放到dataset目錄下解壓即可。
下面是通過官網(wǎng)下載的步驟：
進入VOC官網(wǎng)鏈接：http://host.robots.ox.ac.uk/pascal/VOC/.
在下圖所示區(qū)域找到歷年VOC挑戰(zhàn)賽鏈接，比如選擇VOC2012.
VOC官網(wǎng)頁面 在VOC2012頁面，找到下圖所示區(qū)域，點擊下載即可。
VOC2012數(shù)據(jù)集下載頁面 VOC2007同理進行下載即可。
4. 數(shù)據(jù)集說明
將下載得到的壓縮包解壓，可以得到如圖3-9所示的一系列文件夾，由于VOC數(shù)據(jù)集不僅被拿來做目標檢測，也可以拿來做分割等任務，因此除了目標檢測所需的文件之外，還包含分割任務所需的文件，比如SegmentationClass,SegmentationObject，這里，我們主要對目標檢測任務涉及到的文件進行介紹。
JPEGImages：這個文件夾中存放所有的圖片，包括訓練驗證測試用到的所有圖片。 ImageSets：這個文件夾中包含三個子文件夾，Layout、Main、Segmentation；Layout文件夾中存放的是train，valid，test和train+valid數(shù)據(jù)集的文件名 Segmentation：文件夾中存放的是分割所用train，valid，test和train+valid數(shù)據(jù)集的文件名 Main：文件夾中存放的是各個類別所在圖片的文件名，比如cow_val，表示valid數(shù)據(jù)集中，包含有cow類別目標的圖片名稱。 Annotations：Annotation文件夾中存放著每張圖片相關的標注信息，以xml格式的文件存儲，可以通過記事本或者瀏覽器打開，我們以000001.jpg這張圖片為例說明標注文件中各個屬性的含義。 
猛一看去，內(nèi)容又多又復雜，其實仔細研究一下，只有紅框區(qū)域內(nèi)的內(nèi)容是我們真正需要關注的。
filename：圖片名稱
size：圖片寬高
depth表示圖片通道數(shù)
object：表示目標，包含下面兩部分內(nèi)容。
首先是目標類別name為dog，pose表示目標姿勢為left，truncated表示是否是一個被截斷的目標，1表示是，0表示不是，在這個例子中，只露出狗頭部分，所以truncated為1。difficult為0表示此目標不是一個難以識別的目標。
然后就是目標的bbox信息，可以看到，這里是以[xmin,ymin,xmax,ymax]格式進行標注的，分別表示dog目標的左上角和右下角坐標。
一張圖片中有多少需要識別的目標，其xml文件中就有多少個object。上面的例子中有兩個object，分別對應人和狗。
二、VOC數(shù)據(jù)集的dataloader的構(gòu)建
1. 數(shù)據(jù)集準備
根據(jù)上面的介紹可以看出，VOC數(shù)據(jù)集的存儲格式還是比較復雜的，為了后面訓練中的讀取代碼更加簡潔，這里我們準備了一個預處理腳本create_data_lists.py。
該腳本的作用是進行一系列的數(shù)據(jù)準備工作，主要是提前將記錄標注信息的xml文件(Annotations)進行解析，并將信息整理到json文件之中，這樣在運行訓練腳本時，只需簡單的從json文件中讀取已經(jīng)按想要的格式存儲好的標簽信息即可。
注: 這樣的預處理并不是必須的，和算法或數(shù)據(jù)集本身均無關系，只是取決于開發(fā)者的代碼習慣，不同檢測框架的處理方法也是不一致的。
可以看到，create_data_lists.py腳本僅有幾行代碼，其內(nèi)部調(diào)用了utils.py中的create_data_lists方法：
"""python
create_data_lists
"""
from utils import create_data_lists
if __name__ == '__main__':
# voc07_path，voc12_path為我們訓練測試所需要用到的數(shù)據(jù)集，output_folder為我們生成構(gòu)建dataloader所需文件的路徑
# 參數(shù)中涉及的路徑以個人實際路徑為準，建議將數(shù)據(jù)集放到dataset目錄下，和教程保持一致
create_data_lists(voc07_path='../../../dataset/VOCdevkit/VOC2007',
voc12_path='../../../dataset/VOCdevkit/VOC2012',
output_folder='../../../dataset/VOCdevkit')
設置好對應路徑后，我們運行數(shù)據(jù)集準備腳本:
tiny_detector_demo$ python create_data_lists.py
很快啊！dataset/VOCdevkit目錄下就生成了若干json文件，這些文件會在后面訓練中真正被用到。
不妨手動打開這些json文件，看下都記錄了哪些信息。
下面來介紹一下parse_annotation函數(shù)內(nèi)部都做了什么，json中又記錄了哪些信息。這部分作為選學，不感興趣可以跳過，只要你已經(jīng)明確了json中記錄的信息的含義。
代碼閱讀可以參照注釋，建議配下圖一起食用：
"""python
xml文件解析
"""
import json
import os
import torch
import random
import xml.etree.ElementTree as ET #解析xml文件所用工具
import torchvision.transforms.functional as FT
#GPU設置
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
# Label map
#voc_labels為VOC數(shù)據(jù)集中20類目標的類別名稱
voc_labels = ('aeroplane', 'bicycle', 'bird', 'boat', 'bottle', 'bus', 'car', 'cat', 'chair', 'cow', 'diningtable',
'dog', 'horse', 'motorbike', 'person', 'pottedplant', 'sheep', 'sofa', 'train', 'tvmonitor')
#創(chuàng)建label_map字典，用于存儲類別和類別索引之間的映射關系。比如：{1：'aeroplane'， 2：'bicycle'，......}
label_map = {k: v + 1 for v, k in enumerate(voc_labels)}
#VOC數(shù)據(jù)集默認不含有20類目標中的其中一類的圖片的類別為background，類別索引設置為0
label_map['background'] = 0
#將映射關系倒過來，{類別名稱：類別索引}
rev_label_map = {v: k for k, v in label_map.items()} # Inverse mapping
#解析xml文件，最終返回這張圖片中所有目標的標注框及其類別信息，以及這個目標是否是一個difficult目標
def parse_annotation(annotation_path):
#解析xml
tree = ET.parse(annotation_path)
root = tree.getroot()
boxes = list() #存儲bbox
labels = list() #存儲bbox對應的label
difficulties = list() #存儲bbox對應的difficult信息
#遍歷xml文件中所有的object，前面說了，有多少個object就有多少個目標
for object in root.iter('object'):
#提取每個object的difficult、label、bbox信息
difficult = int(object.find('difficult').text == '1')
label = object.find('name').text.lower().strip()
if label not in label_map:
continue
bbox = object.find('bndbox')
xmin = int(bbox.find('xmin').text) - 1
ymin = int(bbox.find('ymin').text) - 1
xmax = int(bbox.find('xmax').text) - 1
ymax = int(bbox.find('ymax').text) - 1
#存儲
boxes.append([xmin, ymin, xmax, ymax])
labels.append(label_map[label])
difficulties.append(difficult)
#返回包含圖片標注信息的字典
return {'boxes': boxes, 'labels': labels, 'difficulties': difficulties}
為什么得到的新坐標減1？VOC的矩形標注坐標是以1為基準的(1-based),而我們在處理圖像坐標都是0起始的(0-based)。
所以在這里才要對從xml文件中讀取的xmin,ymin,xmax,ymax 統(tǒng)統(tǒng)減1將坐標變?yōu)槲覀冏鰯?shù)據(jù)處理時所需要的0-based坐標。
返回值的形狀boxes (n,4) 的list，label (n) 的list，返回的都是標簽對應的數(shù)字。difficulties （n）的list，返回的只有0或1。
看了上面的代碼如果還不太明白，試試結(jié)合這張圖理解下：
"""python
分別讀取train和valid的圖片和xml信息，創(chuàng)建用于訓練和測試的json文件
"""
def create_data_lists(voc07_path, voc12_path, output_folder):
"""
Create lists of images, the bounding boxes and labels of the objects in these images, and save these to file.
:param voc07_path: path to the 'VOC2007' folder
:param voc12_path: path to the 'VOC2012' folder
:param output_folder: folder where the JSONs must be saved
"""
#獲取voc2007和voc2012數(shù)據(jù)集的絕對路徑
voc07_path = os.path.abspath(voc07_path)
voc12_path = os.path.abspath(voc12_path)
train_images = list()
train_objects = list()
n_objects = 0
# Training data
for path in [voc07_path, voc12_path]:
# Find IDs of images in training data
#獲取訓練所用的train和val數(shù)據(jù)的圖片id
with open(os.path.join(path, 'ImageSets/Main/trainval.txt')) as f:
ids = f.read().splitlines()
#根據(jù)圖片id，解析圖片的xml文件，獲取標注信息
for id in ids:
# Parse annotation's XML file
objects = parse_annotation(os.path.join(path, 'Annotations', id + '.xml'))
if len(objects['boxes']) == 0: #如果沒有目標則跳過
continue
n_objects += len(objects) #統(tǒng)計目標總數(shù)
train_objects.append(objects) #存儲每張圖片的標注信息到列表train_objects
train_images.append(os.path.join(path, 'JPEGImages', id + '.jpg')) #存儲每張圖片的路徑到列表train_images，用于讀取圖片
assert len(train_objects) == len(train_images) #檢查圖片數(shù)量和標注信息量是否相等，相等才繼續(xù)執(zhí)行程序
# Save to file
#將訓練數(shù)據(jù)的圖片路徑，標注信息，類別映射信息，分別保存為json文件
with open(os.path.join(output_folder, 'TRAIN_images.json'), 'w') as j:
json.dump(train_images, j)
with open(os.path.join(output_folder, 'TRAIN_objects.json'), 'w') as j:
json.dump(train_objects, j)
with open(os.path.join(output_folder, 'label_map.json'), 'w') as j:
json.dump(label_map, j) # save label map too
print('\nThere are %d training images containing a total of %d objects. Files have been saved to %s.' % (
len(train_images), n_objects, os.path.abspath(output_folder)))
#與Train data一樣，目的是將測試數(shù)據(jù)的圖片路徑，標注信息，類別映射信息，分別保存為json文件，參考上面的注釋理解
# Test data
test_images = list()
test_objects = list()
n_objects = 0
# Find IDs of images in the test data
with open(os.path.join(voc07_path, 'ImageSets/Main/test.txt')) as f:
ids = f.read().splitlines()
for id in ids:
# Parse annotation's XML file
objects = parse_annotation(os.path.join(voc07_path, 'Annotations', id + '.xml'))
if len(objects) == 0:
continue
test_objects.append(objects)
n_objects += len(objects)
test_images.append(os.path.join(voc07_path, 'JPEGImages', id + '.jpg'))
assert len(test_objects) == len(test_images)
# Save to file
with open(os.path.join(output_folder, 'TEST_images.json'), 'w') as j:
json.dump(test_images, j)
with open(os.path.join(output_folder, 'TEST_objects.json'), 'w') as j:
json.dump(test_objects, j)
print('\nThere are %d test images containing a total of %d objects. Files have been saved to %s.' % (
len(test_images), n_objects, os.path.abspath(output_folder)))
同時加載voc07，voc12兩個數(shù)據(jù)集，ids = f.read().splitlines()是把文件名以列表形式存儲。設圖片數(shù)量為n,每張圖片中的object數(shù)為m(非固定)。
TRAIN_images.json 是列表，長度為n,裝著是圖片的絕對路徑 TRAIN_objects.json 是列表，長度為n,裝著n個字典，字典里有鍵 boxes (m,4) , label (m) , difficulties (m) ? ?#括號里都是形狀
同樣，建議配圖食用：
到這里，我們的訓練數(shù)據(jù)就準備好了，接下來開始一步步構(gòu)建訓練所需的dataloader吧！
2. 構(gòu)建dataloader
在這里，我們假設你對Pytorch的 Dataset 和 DataLoader 兩個概念有最基本的了解。下面開始介紹構(gòu)建dataloader的相關代碼:
首先了解一下訓練的時候在哪里定義了dataloader以及是如何定義的。以下是train.py中的部分代碼段：
#train_dataset和train_loader的實例化
train_dataset = PascalVOCDataset(data_folder,
split='train',
keep_difficult=keep_difficult)
train_loader = torch.utils.data.DataLoader(train_dataset, batch_size=batch_size, shuffle=True,collate_fn=train_dataset.collate_fn, num_workers=workers,pin_memory=True)
# note that we're passing the collate function here
可以看到，首先需要實例化PascalVOCDataset類得到train_dataset，然后將train_dataset傳入torch.utils.data.DataLoader，進而得到train_loader。
pin_memory就是鎖頁內(nèi)存,創(chuàng)建DataLoader時，設置pin_memory=True，則意味著生成的Tensor數(shù)據(jù)最開始是屬于內(nèi)存中的鎖頁內(nèi)存，這樣將內(nèi)存的Tensor轉(zhuǎn)義到GPU的顯存就會更快一些。顯卡不好就不要開了。
collate_fn是如何將(C,H,W)組合成(N,C,H,W)的方式。
接下來看一下PascalVOCDataset是如何定義的。
代碼位于 datasets.py 腳本中，可以看到，PascalVOCDataset繼承了torch.utils.data.Dataset，然后重寫了__init__ , getitem, len 和 collate_fn 四個方法，這也是我們在構(gòu)建自己的dataset的時候需要經(jīng)常做的工作，配合下面注釋理解代碼：
"""python
PascalVOCDataset具體實現(xiàn)過程
"""
import torch
from torch.utils.data import Dataset
import json
import os
from PIL import Image
from utils import transform
class PascalVOCDataset(Dataset):
"""
A PyTorch Dataset class to be used in a PyTorch DataLoader to create batches.
"""
#初始化相關變量
#讀取images和objects標注信息
def __init__(self, data_folder, split, keep_difficult=False):
"""
:param data_folder: folder where data files are stored
:param split: split, one of 'TRAIN' or 'TEST'
:param keep_difficult: keep or discard objects that are considered difficult to detect?
"""
self.split = split.upper() #保證輸入為純大寫字母，便于匹配{'TRAIN', 'TEST'}
assert self.split in {'TRAIN', 'TEST'}
self.data_folder = data_folder
self.keep_difficult = keep_difficult
# Read data files
with open(os.path.join(data_folder, self.split + '_images.json'), 'r') as j:
self.images = json.load(j)
with open(os.path.join(data_folder, self.split + '_objects.json'), 'r') as j:
self.objects = json.load(j)
assert len(self.images) == len(self.objects)
#循環(huán)讀取image及對應objects
#對讀取的image及objects進行tranform操作（數(shù)據(jù)增廣）
#返回PIL格式圖像，標注框，標注框?qū)念悇e索引，對應的difficult標志(True or False)
def __getitem__(self, i):
# Read image
#*需要注意，在pytorch中，圖像的讀取要使用Image.open()讀取成PIL格式，不能使用opencv
#*由于Image.open()讀取的圖片是四通道的(RGBA)，因此需要.convert('RGB')轉(zhuǎn)換為RGB通道
image = Image.open(self.images[i], mode='r')
image = image.convert('RGB')
# Read objects in this image (bounding boxes, labels, difficulties)
objects = self.objects[i]
boxes = torch.FloatTensor(objects['boxes']) # (n_objects, 4)
labels = torch.LongTensor(objects['labels']) # (n_objects)
difficulties = torch.ByteTensor(objects['difficulties']) # (n_objects)
# Discard difficult objects, if desired
#如果self.keep_difficult為False,即不保留difficult標志為True的目標
#那么這里將對應的目標刪去
if not self.keep_difficult:
boxes = boxes[(1 - difficulties).bool()] #uint8可以作為索引,但是轉(zhuǎn)成bool去索引更好
labels = labels[(1 - difficulties).bool()]
difficulties = difficulties[(1 - difficulties).bool()]
# Apply transformations
#對讀取的圖片應用transform
image, boxes, labels, difficulties = transform(image, boxes, labels, difficulties, split=self.split)
return image, boxes, labels, difficulties
#獲取圖片的總數(shù)，用于計算batch數(shù)
def __len__(self):
return len(self.images)
#我們知道，我們輸入到網(wǎng)絡中訓練的數(shù)據(jù)通常是一個batch一起輸入，而通過__getitem__我們只讀取了一張圖片及其objects信息
#如何將讀取的一張張圖片及其object信息整合成batch的形式呢？
#collate_fn就是做這個事情，
#對于一個batch的images，collate_fn通過torch.stack()將其整合成4維tensor，對應的objects信息分別用一個list存儲
def collate_fn(self, batch):
"""
Since each image may have a different number of objects, we need a collate function (to be passed to the DataLoader).
This describes how to combine these tensors of different sizes. We use lists.
Note: this need not be defined in this Class, can be standalone.
:param batch: an iterable of N sets from __getitem__()
:return: a tensor of images, lists of varying-size tensors of bounding boxes, labels, and difficulties
"""
images = list()
boxes = list()
labels = list()
difficulties = list()
for b in batch:
images.append(b[0])
boxes.append(b[1])
labels.append(b[2])
difficulties.append(b[3])
#(3,224,224) -> (N,3,224,224)
images = torch.stack(images, dim=0)
return images, boxes, labels, difficulties # tensor (N, 3, 224, 224), 3 lists of N tensors each
3. 關于數(shù)據(jù)增強
到這里為止，我們的dataset就算是構(gòu)建好了，已經(jīng)可以傳給torch.utils.data.DataLoader來獲得用于輸入網(wǎng)絡訓練的數(shù)據(jù)了。但是不急，構(gòu)建dataset中有個很重要的一步我們上面只是提及了一下，那就是transform操作(數(shù)據(jù)增強)，也就是這一行代碼
image, boxes, labels, difficulties = transform(image, boxes, labels, difficulties, split=self.split)
這部分比較重要，但是涉及代碼稍多，對于基礎較薄弱的伙伴可以作為選學內(nèi)容，后面再認真讀代碼。你只需知道，同分類網(wǎng)絡一樣，訓練目標檢測網(wǎng)絡同樣需要進行數(shù)據(jù)增強，這對提升網(wǎng)絡精度和泛化能力很有幫助。
需要注意的是，涉及位置變化的數(shù)據(jù)增強方法，同樣需要對目標框進行一致的處理，因此目標檢測框架的數(shù)據(jù)處理這部分的代碼量通常都不小，且比較容易出bug。這里為了降低代碼的難度，我們只是使用了幾種比較簡單的數(shù)據(jù)增強。
transform 函數(shù)的具體代碼實現(xiàn)位于 utils.py 中，下面簡單進行講解：
"""python
transform操作是訓練模型中一項非常重要的工作，其中不僅包含數(shù)據(jù)增強以提升模型性能的相關操作，也包含如數(shù)據(jù)類型轉(zhuǎn)換(PIL to Tensor)、歸一化(Normalize)這些必要操作。
"""
import json
import os
import torch
import random
import xml.etree.ElementTree as ET
import torchvision.transforms.functional as FT
"""
可以看到，transform分為TRAIN和TEST兩種模式，以本實驗為例：
在TRAIN時進行的transform有：
1.以隨機順序改變圖片亮度，對比度，飽和度和色相，每種都有50％的概率被執(zhí)行。photometric_distort
2.擴大目標，expand
3.隨機裁剪圖片，random_crop
4.0.5的概率進行圖片翻轉(zhuǎn)，flip
*注意：a. 第一種transform屬于像素級別的圖像增強，目標相對于圖片的位置沒有改變，因此bbox坐標不需要變化。
但是2，3，4，5都屬于圖片的幾何變化，目標相對于圖片的位置被改變，因此bbox坐標要進行相應變化。
在TRAIN和TEST時都要進行的transform有：
1.統(tǒng)一圖像大小到(224,224)，resize
2.PIL to Tensor
3.歸一化，F(xiàn)T.normalize()
注1: resize也是一種幾何變化，要知道應用數(shù)據(jù)增強策略時，哪些屬于幾何變化，哪些屬于像素變化
注2: PIL to Tensor操作，normalize操作必須執(zhí)行
"""
def transform(image, boxes, labels, difficulties, split):
"""
Apply the transformations above.
:param image: image, a PIL Image
:param boxes: bounding boxes in boundary coordinates, a tensor of dimensions (n_objects, 4)
:param labels: labels of objects, a tensor of dimensions (n_objects)
:param difficulties: difficulties of detection of these objects, a tensor of dimensions (n_objects)
:param split: one of 'TRAIN' or 'TEST', since different sets of transformations are applied
:return: transformed image, transformed bounding box coordinates, transformed labels, transformed difficulties
"""
#在訓練和測試時使用的transform策略往往不完全相同，所以需要split變量指明是TRAIN還是TEST時的transform方法
assert split in {'TRAIN', 'TEST'}
# Mean and standard deviation of ImageNet data that our base VGG from torchvision was trained on
# see: https://pytorch.org/docs/stable/torchvision/models.html
#為了防止由于圖片之間像素差異過大而導致的訓練不穩(wěn)定問題，圖片在送入網(wǎng)絡訓練之間需要進行歸一化
#對所有圖片各通道求mean和std來獲得
mean = [0.485, 0.456, 0.406]
std = [0.229, 0.224, 0.225]
new_image = image
new_boxes = boxes
new_labels = labels
new_difficulties = difficulties
# Skip the following operations for evaluation/testing
if split == 'TRAIN':
# A series of photometric distortions in random order, each with 50% chance of occurrence, as in Caffe repo
new_image = photometric_distort(new_image)
# Convert PIL image to Torch tensor
new_image = FT.to_tensor(new_image)
# Expand image (zoom out) with a 50% chance - helpful for training detection of small objects
# Fill surrounding space with the mean of ImageNet data that our base VGG was trained on
if random.random() < 0.5:
new_image, new_boxes = expand(new_image, boxes, filler=mean)
# Randomly crop image (zoom in)
new_image, new_boxes, new_labels, new_difficulties = random_crop(new_image, new_boxes, new_labels,new_difficulties)
# Convert Torch tensor to PIL image
new_image = FT.to_pil_image(new_image)
# Flip image with a 50% chance
if random.random() < 0.5:
new_image, new_boxes = flip(new_image, new_boxes)
# Resize image to (224, 224) - this also converts absolute boundary coordinates to their fractional form
new_image, new_boxes = resize(new_image, new_boxes, dims=(224, 224))
# Convert PIL image to Torch tensor
new_image = FT.to_tensor(new_image)
# Normalize by mean and standard deviation of ImageNet data that our base VGG was trained on
new_image = FT.normalize(new_image, mean=mean, std=std)
return new_image, new_boxes, new_labels, new_difficulties
TRAIN transform的步驟：
顏色變化、to_tensor(變形(CHW),歸一化，pil變tensor) 創(chuàng)建一個背景并把圖放上去(等效縮小圖片) 隨機裁剪圖片(丟失了部分框) 轉(zhuǎn)為pil、隨機左右翻轉(zhuǎn)、resize(這里面對boxes做了歸一化處理) 再變tensor、標準化處理
4. 構(gòu)建DataLoader
至此，我們已經(jīng)將VOC數(shù)據(jù)轉(zhuǎn)換成了dataset，接下來可以用來創(chuàng)建dataloader，這部分pytorch已經(jīng)幫我們實現(xiàn)好了，我們只需將創(chuàng)建好的dataset送入即可，注意理解相關參數(shù)。
"""python
DataLoader
"""
#參數(shù)說明：
#在train時一般設置shufle=True打亂數(shù)據(jù)順序，增強模型的魯棒性
#num_worker表示讀取數(shù)據(jù)時的線程數(shù)，一般根據(jù)自己設備配置確定（如果是windows系統(tǒng)，建議設默認值0，防止出錯）
#pin_memory，在計算機內(nèi)存充足的時候設置為True可以加快內(nèi)存中的tensor轉(zhuǎn)換到GPU的速度，具體原因可以百度哈~
train_loader = torch.utils.data.DataLoader(train_dataset, batch_size=batch_size, shuffle=True,collate_fn=train_dataset.collate_fn, num_workers=workers, pin_memory=True) # note that we're passing the collate function here小結(jié)
本文介紹了經(jīng)典VOC數(shù)據(jù)集并對其進行了數(shù)據(jù)讀取和預處理工作。現(xiàn)在，大家可以拿著這些已經(jīng)處理好的數(shù)據(jù)，丟進模型里，盡情煉丹了。
參考連接：https://github.com/datawhalechina/dive-into-cv-pytorch