torchvision.datasets

COCO(用于图像标注和目标检测）(Captioning and Detection)
ImageFolder
CIFAR10 and CIFAR100
SVHN

所有数据集都是torch.utils.data.Dataset的子类，即它们具有getitem和len实现方法。因此，它们都可以传递给torch.utils.data.DataLoader 可以使用torch.multiprocessing工作人员并行加载多个样本的数据。例如：

所有的数据集都有几乎相似的API。他们都有两个共同的参数： transform和 target_transform分别转换输入和目标。

MNIST

dset.MNIST(root, train=True, transform=None, target_transform=None, download=False)

参数说明:

root : 数据集，存在于根目录processed/training.pt 和 processed/test.pt中。
train : True = 训练集, False = 测试集
download : 如果为true，请从Internet下载数据集并将其放在根目录中。如果数据集已经下载，则不会再次下载。
transform ：接收PIL映像并返回转换版本的函数/变换。例如:transforms.RandomCrop
target_transform：一个接收目标并转换它的函数/变换。

COCO

需要安装COCO API

dset.CocoCaptions(root="dir where images are", annFile="json annotation file", [transform, target_transform])

参数说明：

root(string） - 图像下载到的根目录。
transform(可调用，可选） - 接收PIL映像并返回转换版本的函数/变换。例如:transforms.ToTensor
target_transform(可调用，可选） - 一个接收目标并转换它的函数/变换。

import torchvision.datasets as dset
import torchvision.transforms as transforms
                        annFile = 'json annotation file',
                        transform=transforms.ToTensor())
print('Number of samples: ', len(cap))
img, target = cap[3] # load 4th sample
print("Image Size: ", img.size())
print(target)

输出:

getitem(index) 参数： index(int) - 索引返回：元组(图像，目标）。目标是图片的标题列表。返回类型：元组

检测:

dset.CocoDetection(root="dir where images are", annFile="json annotation file", [transform, target_transform])

参数：

root(string） - 图像下载到的根目录。
annFile(string） - json注释文件的路径。
transform(可调用，可选） - 接收PIL映像并返回转换版本的函数/变换。例如，transforms.ToTensor
target_transform(可调用，可选） - 一个接收目标并转换它的函数/变换。

getitem(index) 参数： index(int) - 索引返回：元组(图像，目标）。目标是图片的标题列表。返回类型：元组

LSUN

dset.LSUN(db_path, classes='train', [transform, target_transform])

db_path = 数据集文件的根目录
classe = train (所有类别, 训练集), val (所有类别, 验证集), test (所有类别, 测试集) [, church_train, …] : 要加载的类别列表
transform(可调用，可选） - 接收PIL映像并返回转换版本的函数/变换。例如，transforms.RandomCrop
target_transform(可调用，可选） - 一个接收目标并转换它的函数/变换。

ImageFolder

一个通用的数据加载器，数据集中的数据以以下方式组织

root/dog/xxx.png
root/dog/xxy.png
root/dog/xxz.png
root/cat/nsdf3.png
root/cat/asd932_.png
dset.ImageFolder(root="root folder path", [transform, target_transform])

参数说明:

root(string） - 根目录路径。
transform(可调用，可选） - 接收PIL映像并返回转换版本的函数/变换。例如，transforms.RandomCrop
target_transform(可调用，可选） - 一个接收目标并转换它的函数/变换。
loader - 加载给定其路径的图像的函数。

Imagenet-12

这应该简单地用ImageFolder数据集实现。数据按照这里所述进行预处理这里有一个例子

CIFAR

参数说明：

root : cifar-10-batches-py 的根目录
train : True = 训练集, False = 测试集
download : True = 从互联上下载数据，并将其放在root目录下。如果数据集已经下载，什么都不干。
transform(可调用，可选） - 接收PIL映像并返回转换版本的函数/变换。例如，transforms.RandomCrop
target_transform(可调用，可选） - 一个接收目标并转换它的函数/变换。

STL10

dset.STL10(root, split='train', transform=None, target_transform=None, download=False)

参数说明：

root : stl10_binary的根目录
split : ‘train’ = 训练集, ‘test’ = 测试集, ‘unlabeled’ = 无标签数据集, ‘train+unlabeled’ = 训练 + 无标签数据集 (没有标签的标记为-1)
download : True = 从互联上下载数据，并将其放在root目录下。如果数据集已经下载，什么都不干。
transform(可调用，可选） - 接收PIL映像并返回转换版本的函数/变换。例如，transforms.RandomCrop
target_transform(可调用，可选） - 一个接收目标并转换它的函数/变换。

SVHN

class torchvision.datasets.SVHN(root, split='train', transform=None, target_transform=None, download=False)

root(string） - 目录SVHN存在的数据集的根目录。
split(string） - {‘train’，’test’，’extra’}之一。因此选择数据集。“额外”是额外的训练集。
transform(可调用，可选） - 接收PIL映像并返回转换版本的函数/变换。例如，transforms.RandomCrop
target_transform(可调用，可选） - 一个接收目标并转换它的函数/变换。
download (bool，可选） - 如果为true，请从Internet下载数据集并将其放在根目录中。如果数据集已经下载，则不会再次下载。

PhotoTour

class torchvision.datasets.PhotoTour(root, name, train=True, transform=None, download=False)

参数：

root(string） - 图像所在的根目录。
name(string） - 要加载的数据集的名称。
download (bool，可选） - 如果为true，请从Internet下载数据集并将其放在根目录中。如果数据集已经下载，则不会再次下载。