Dive-into-DL-PyTorch项目解析：目标检测数据集（皮卡丘）实战指南-优快云博客

本文链接：https://blog.youkuaiyun.com/gitblog_00452/article/details/148375649

Dive-into-DL-PyTorch项目解析：目标检测数据集（皮卡丘）实战指南

Dive-into-DL-PyTorch 本项目将《动手学深度学习》(Dive into Deep Learning)原书中的MXNet实现改为PyTorch实现。项目地址: https://gitcode.com/gh_mirrors/di/Dive-into-DL-PyTorch

目标检测数据集概述

在计算机视觉领域，目标检测是一项核心任务，它不仅要识别图像中的物体类别，还要定位物体的具体位置。与图像分类任务不同，目标检测任务需要更复杂的数据标注方式。本文将基于Dive-into-DL-PyTorch项目，详细介绍一个专门为目标检测任务设计的皮卡丘数据集。

皮卡丘数据集特点

数据集生成原理

该数据集是通过以下方式生成的：

使用3D皮卡丘模型渲染了1000张不同角度和大小的皮卡丘图像
将这些皮卡丘图像随机放置在各种背景图像上
为每张图像标注了边界框信息（物体位置和类别）

这种合成方法可以快速构建一个规模适中、标注准确的目标检测数据集，特别适合算法验证和教学演示。

数据结构说明

数据集分为训练集和验证集，每个部分包含：

images目录：存储PNG格式的图像文件
label.json文件：存储每张图像对应的标注信息

数据准备与加载

数据集类实现

项目定义了一个专门的PikachuDetDataset类来加载和处理数据：

class PikachuDetDataset(torch.utils.data.Dataset):
    def __init__(self, data_dir, part, image_size=(256, 256)):
        # 初始化路径和参数
        self.transform = torchvision.transforms.Compose([
            torchvision.transforms.ToTensor()])
    
    def __getitem__(self, index):
        # 加载图像和标签
        sample = {
            "label": label,  # 形状: (1, 5) [类别, xmin, ymin, xmax, ymax]
            "image": img     # 形状: (3, height, width)
        }
        return sample

关键点说明：

使用ToTensor将图像转换为[0.0, 1.0]范围的张量
标签格式为[class, x_min, y_min, x_max, y_max]
每个样本返回包含图像和标签的字典

数据加载器配置

通过load_data_pikachu函数创建数据加载器：

def load_data_pikachu(batch_size, edge_size=256):
    train_dataset = PikachuDetDataset(data_dir, 'train', image_size)
    train_iter = torch.utils.data.DataLoader(
        train_dataset, batch_size=batch_size, shuffle=True, num_workers=4)
    return train_iter, val_iter

参数说明：

batch_size：控制每次迭代返回的样本数量
edge_size：指定输出图像的尺寸
num_workers：设置多线程加载加速数据读取

数据可视化与分析

数据形状分析

加载一个批次的数据后，我们可以看到：

图像张量形状：[32, 3, 256, 256]（批量大小×通道数×高度×宽度）
标签张量形状：[32, 1, 5]（批量大小×边界框数量×标注信息）

样本可视化

通过绘制图像和对应的边界框，我们可以直观了解数据集特点：

imgs = batch["image"][0:10].permute(0,2,3,1)
bboxes = batch["label"][0:10, 0, 1:]
for ax, bb in zip(axes, bboxes):
    d2l.show_bboxes(ax, [bb*edge_size], colors=['w'])

可视化结果显示：