图片数据一般有两种情况：

1、所有图片放在一个文件夹内，另外有一个txt文件显示标签。

2、不同类别的图片放在不同的文件夹内，文件夹就是图片的类别。

针对这两种不同的情况，数据集的准备也不相同，第一种情况可以自定义一个Dataset，第二种情况直接调用torchvision.datasets.ImageFolder来处理。下面分别进行说明：

一、所有图片放在一个文件夹内

这里以mnist数据集的10000个test为例, 我先把test集的10000个图片保存出来，并生着对应的txt标签文件。

先在当前目录创建一个空文件夹mnist_test, 用于保存10000张图片，接着运行代码：

import torchimport torchvisionimport matplotlib.pyplot as pltfrom skimage import iomnist_test= torchvision.datasets.MNIST(    './mnist', train=False, download=True)print('test set:', len(mnist_test))f=open('mnist_test.txt','w')for i,(img,label) in enumerate(mnist_test):    img_path="./mnist_test/"+str(i)+".jpg"    io.imsave(img_path,img)    f.write(img_path+' '+str(label)+'\n')f.close()

经过上面的操作，10000张图片就保存在mnist_test文件夹里了，并在当前目录下生成了一个mnist_test.txt的文件，大致如下：

前期工作就装备好了，接着就进入正题了：

from torchvision import transforms, utilsfrom torch.utils.data import Dataset, DataLoaderimport matplotlib.pyplot as pltfrom PIL import Imagedef default_loader(path):    return Image.open(path).convert('RGB')class MyDataset(Dataset):    def __init__(self, txt, transform=None, target_transform=None, loader=default_loader):        fh = open(txt, 'r')        imgs = []        for line in fh:            line = line.strip('\n')            line = line.rstrip()            words = line.split()            imgs.append((words[0],int(words[1])))        self.imgs = imgs        self.transform = transform        self.target_transform = target_transform        self.loader = loader    def __getitem__(self, index):        fn, label = self.imgs[index]        img = self.loader(fn)        if self.transform is not None:            img = self.transform(img)        return img,label    def __len__(self):        return len(self.imgs)train_data=MyDataset(txt='mnist_test.txt', transform=transforms.ToTensor())data_loader = DataLoader(train_data, batch_size=100,shuffle=True)print(len(data_loader))def show_batch(imgs):    grid = utils.make_grid(imgs)    plt.imshow(grid.numpy().transpose((1, 2, 0)))    plt.title('Batch from dataloader')for i, (batch_x, batch_y) in enumerate(data_loader):    if(i<4):        print(i, batch_x.size(),batch_y.size())        show_batch(batch_x)        plt.axis('off')        plt.show()

自定义了一个MyDataset, 继承自torch.utils.data.Dataset。然后利用torch.utils.data.DataLoader将整个数据集分成多个批次。

 

二、不同类别的图片放在不同的文件夹内

同样先准备数据，这里以flowers数据集为例，下载：

花总共有五类，分别放在5个文件夹下。大致如下图：

我的路径是d:/flowers/.

数据准备好了，就开始准备Dataset吧，这里直接调用torchvision里面的ImageFolder

import torchimport torchvisionfrom torchvision import transforms, utilsimport matplotlib.pyplot as pltimg_data = torchvision.datasets.ImageFolder('D:/bnu/database/flower',                                            transform=transforms.Compose([                                                transforms.Scale(256),                                                transforms.CenterCrop(224),                                                transforms.ToTensor()])                                            )print(len(img_data))data_loader = torch.utils.data.DataLoader(img_data, batch_size=20,shuffle=True)print(len(data_loader))def show_batch(imgs):    grid = utils.make_grid(imgs,nrow=5)    plt.imshow(grid.numpy().transpose((1, 2, 0)))    plt.title('Batch from dataloader')for i, (batch_x, batch_y) in enumerate(data_loader):    if(i<4):        print(i, batch_x.size(), batch_y.size())        show_batch(batch_x)        plt.axis('off')        plt.show()

就是这样。