Create README.md

README.md

@@ -0,0 +1,132 @@
+CUB200-2011数据集介绍：
+        该数据集由加州理工学院再2010年提出的细粒度数据集，也是目前细粒度分类识别研究的基准图像数据集。
+
+        该数据集共有11788张鸟类图像，包含200类鸟类子类，其中训练数据集有5994张图像，测试集有5794张图像，每张图像均提供了图像类标记信息，图像中鸟的bounding box，鸟的关键part信息，以及鸟类的属性信息，数据集如下图所示。
+
+
+
+下载的数据集中，包含了如下文件：
+
+bounding_boxes.txt；classes.txt；image_class_labels.txt； images.txt； train_test_split.txt.
+
+其中，bounding_boxes.txt为图像中鸟类的边界框信息；classes.txt为鸟类的类别信息，共有200类； image_class_labels.txt为图像标签和所属类别标签信息；images.txt为图像的标签和图像路径信息；train_test_split.txt为训练集和测试集划分。
+
+本博客主要是根据train_test_split.txt文件和images.txt文件将原始下载的CUB200-2011数据集划分为训练集和测试集。在深度学习Pytorch框架下采用ImageFolder和DataLoader读取数据集较为方便。相关的python代码如下：
+
+(1) CUB200-2011训练集和测试集划分代码
+ # *_*coding: utf-8 *_*
+ # author --liming--
+ 
+"""
+读取images.txt文件,获得每个图像的标签
+读取train_test_split.txt文件,获取每个图像的train, test标签.其中1为训练,0为测试.
+"""
+ 
+import os
+import shutil
+import numpy as np
+import config
+import time
+ 
+time_start = time.time()
+ 
+# 文件路径
+path_images = config.path + 'images.txt'
+path_split = config.path + 'train_test_split.txt'
+trian_save_path = config.path + 'dataset/train/'
+test_save_path = config.path + 'dataset/test/'
+ 
+# 读取images.txt文件
+images = []
+with open(path_images,'r') as f:
+    for line in f:
+        images.append(list(line.strip('\n').split(',')))
+ 
+# 读取train_test_split.txt文件
+split = []
+with open(path_split, 'r') as f_:
+    for line in f_:
+        split.append(list(line.strip('\n').split(',')))
+ 
+# 划分
+num = len(images) # 图像的总个数
+for k in range(num):
+    file_name = images[k][0].split(' ')[1].split('/')[0]
+    aaa = int(split[k][0][-1])
+    if int(split[k][0][-1]) == 1: # 划分到训练集
+        #判断文件夹是否存在
+        if os.path.isdir(trian_save_path + file_name):
+            shutil.copy(config.path + 'images/' + images[k][0].split(' ')[1], trian_save_path+file_name+'/'+images[k][0].split(' ')[1].split('/')[1])
+        else:
+            os.makedirs(trian_save_path + file_name)
+            shutil.copy(config.path + 'images/' + images[k][0].split(' ')[1], trian_save_path + file_name + '/' + images[k][0].split(' ')[1].split('/')[1])
+        print('%s处理完毕!' % images[k][0].split(' ')[1].split('/')[1])
+    else:
+         #判断文件夹是否存在
+         if os.path.isdir(test_save_path + file_name):
+             aaaa = config.path + 'images/' + images[k][0].split(' ')[1]
+             bbbb = test_save_path+file_name+'/'+images[k][0].split(' ')[1]
+             shutil.copy(config.path + 'images/' + images[k][0].split(' ')[1], test_save_path+file_name+'/'+images[k][0].split(' ')[1].split('/')[1])
+         else:
+             os.makedirs(test_save_path + file_name)
+             shutil.copy(config.path + 'images/' + images[k][0].split(' ')[1], test_save_path + file_name + '/' + images[k][0].split(' ')[1].split('/')[1])
+         print('%s处理完毕!' % images[k][0].split(' ')[1].split('/')[1])
+ 
+time_end = time.time()
+print('CUB200训练集和测试集划分完毕, 耗时%s!!' % (time_end - time_start))
+config文件
+# *_*coding: utf-8 *_*
+# author --liming--
+ 
+path = '/media/lm/C3F680DFF08EB695/细粒度数据集/birds/CUB200/CUB_200_2011/'
+ 
+ROOT_TRAIN = path + 'images/train/'
+ROOT_TEST = path + 'images/test/'
+BATCH_SIZE = 16
+(2) 利用Pytorch方式读取数据
+# *_*coding: utf-8 *_*
+# author --liming--
+ 
+"""
+用于已下载数据集的转换,便于pytorch的读取
+"""
+ 
+import torch
+import torchvision
+import config
+from torchvision import datasets, transforms
+ 
+data_transform = transforms.Compose([
+    transforms.Resize(224),
+    transforms.ToTensor(),
+    transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225])
+])
+ 
+def train_data_load():
+    # 训练集
+    root_train = config.ROOT_TRAIN
+    train_dataset = torchvision.datasets.ImageFolder(root_train,
+                                                     transform=data_transform)
+    CLASS = train_dataset.class_to_idx
+    print('训练数据label与文件名的关系:', CLASS)
+    train_loader = torch.utils.data.DataLoader(train_dataset,
+                                               batch_size=config.BATCH_SIZE,
+                                               shuffle=True)
+    return CLASS, train_loader
+ 
+def test_data_load():
+    # 测试集
+    root_test = config.ROOT_TEST
+    test_dataset = torchvision.datasets.ImageFolder(root_test,
+                                                transform=data_transform)
+ 
+    CLASS = test_dataset.class_to_idx
+    print('测试数据label与文件名的关系：',CLASS)
+    test_loader = torch.utils.data.DataLoader(test_dataset,
+                                              batch_size=config.BATCH_SIZE,
+                                              shuffle=True)
+    return CLASS, test_loader
+ 
+if __name__ == '__main___':
+    train_data_load()
+    test_data_load()