比较与torchvision.datasets.VOCSegmentation的差异
torchvision.datasets.VOCSegmentation
class torchvision.datasets.VOCSegmentation(
root: str,
year: str='2012',
image_set: str='train',
download: bool=False,
transform: Optional[Callable]=None,
target_transform: Optional[Callable]=None,
transforms: Optional[Callable]=None
)
mindspore.dataset.VOCDataset
class mindspore.dataset.VOCDataset(
dataset_dir,
task="Segmentation",
usage="train",
class_indexing=None,
num_samples=None,
num_parallel_workers=None,
shuffle=None,
decode=False,
sampler=None,
num_shards=None,
shard_id=None,
cache=None,
extra_metadata=False,
decrypt=None
)
更多内容详见mindspore.dataset.VOCDataset。
差异对比
PyTorch:生成PASCAL VOC图像分割格式数据集。
MindSpore:用于读取和分析VOC数据集的源数据集。
分类 |
子类 |
PyTorch |
MindSpore |
差异 |
---|---|---|---|---|
参数 |
参数1 |
root |
dataset_dir |
- |
参数2 |
year |
- |
MindSpore不支持 |
|
参数3 |
image_set |
usage |
- |
|
参数4 |
download |
- |
MindSpore不支持 |
|
参数5 |
transform |
- |
MindSpore通过 |
|
参数6 |
target_transform |
- |
MindSpore通过 |
|
参数7 |
transforms |
- |
MindSpore通过 |
|
参数8 |
- |
task |
指定读取VOC数据的任务类型 |
|
参数9 |
- |
class_indexing |
指定一个从label名称到label索引的映射 |
|
参数10 |
- |
num_samples |
指定从数据集中读取的样本数 |
|
参数11 |
- |
num_parallel_workers |
指定读取数据的工作线程数 |
|
参数12 |
- |
shuffle |
指定是否混洗数据集 |
|
参数13 |
- |
decode |
指定是否对图像进行解码 |
|
参数14 |
- |
sampler |
指定采样器 |
|
参数15 |
- |
num_shards |
指定分布式训练时将数据集进行划分的分片数 |
|
参数16 |
- |
shard_id |
指定分布式训练时使用的分片ID号 |
|
参数17 |
- |
cache |
指定单节点数据缓存服务 |
|
参数18 |
- |
extra_metadata |
用于指定是否额外输出一个数据列用于表示图片元信息 |
|
参数19 |
- |
decrypt |
图像解密函数 |
代码示例
import mindspore.dataset as ds
import torchvision.transforms as T
import torchvision.datasets as datasets
from torch.utils.data import DataLoader
# In MindSpore, the generated dataset with different task setting has different output columns.
voc_dataset_dir = "/path/to/voc_dataset_directory/"
# task = Segmentation, output columns: [image, dtype=uint8], [target,dtype=uint8].
dataset = ds.VOCDataset(dataset_dir=voc_dataset_dir,
task="Segmentation",
usage="train")
for item in dataset:
print("item:", item[0])
print(len(item[0]))
break
# Out:
# item: [255 216 255 ... 73 255 217]
# 52544
# In torch, the output will be result of transform, eg. RandomCrop
root = "/path/to/voc_dataset_directory2/"
dataset = datasets.VOCSegmentation(root, image_set='train', year='2012', transform=T.RandomCrop(300))
print(dataset)
print(type(dataset))