# 目标检测数据集

🏷 sec_object-detection-dataset

目标检测领域没有像 MNIST 和 Fashion-MNIST 那样的小数据集。
为了快速测试目标检测模型，[我们收集并标记了一个小型数据集]。
首先，我们拍摄了一组香蕉的照片，并生成了 1000 张不同角度和大小的香蕉图像。
然后，我们在一些背景图片的随机位置上放一张香蕉的图像。
最后，我们在图片上为这些香蕉标记了边界框。

# [下载数据集]

包含所有图像和 CSV 标签文件的香蕉检测数据集可以直接从互联网下载。

	%matplotlib inline
	import os
	import pandas as pd
	import torch
	import torchvision
	from d2l import torch as d2l

	#@save
	d2l.DATA_HUB['banana-detection'] = (
	d2l.DATA_URL + 'banana-detection.zip',
	'5de26c8fce5ccdea9f91267273464dc968d20d72')

# 读取数据集

通过 read_data_bananas 函数，我们 [读取香蕉检测数据集]。
该数据集包括一个的 CSV 文件，内含目标类别标签和位于左上角和右下角的真实边界框坐标。

	#@save
	def read_data_bananas(is_train=True):
	"""读取香蕉检测数据集中的图像和标签"""
	data_dir = d2l.download_extract('banana-detection')
	csv_fname = os.path.join(data_dir, 'bananas_train' if is_train
	else 'bananas_val', 'label.csv')
	csv_data = pd.read_csv(csv_fname)
	csv_data = csv_data.set_index('img_name')
	images, targets = [], []
	for img_name, target in csv_data.iterrows():
	images.append(torchvision.io.read_image(
	os.path.join(data_dir, 'bananas_train' if is_train else
	'bananas_val', 'images', f'{img_name}')))
	# 这里的 target 包含（类别，左上角 x，左上角 y，右下角 x，右下角 y），
	# 其中所有图像都具有相同的香蕉类（索引为 0）
	targets.append(list(target))
	return images, torch.tensor(targets).unsqueeze(1) / 256

通过使用 read_data_bananas 函数读取图像和标签，以下 BananasDataset 类别将允许我们 [创建一个自定义 Dataset 实例] 来加载香蕉检测数据集。

	#@save
	class BananasDataset(torch.utils.data.Dataset):
	"""一个用于加载香蕉检测数据集的自定义数据集"""
	def __init__(self, is_train):
	self.features, self.labels = read_data_bananas(is_train)
	print('read ' + str(len(self.features)) + (f' training examples' if
	is_train else f' validation examples'))

	def __getitem__(self, idx):
	return (self.features[idx].float(), self.labels[idx])

	def __len__(self):
	return len(self.features)

最后，我们定义 load_data_bananas 函数，来 [为训练集和测试集返回两个数据加载器实例]。对于测试集，无须按随机顺序读取它。

	#@save
	def load_data_bananas(batch_size):
	"""加载香蕉检测数据集"""
	train_iter = torch.utils.data.DataLoader(BananasDataset(is_train=True),
	batch_size, shuffle=True)
	val_iter = torch.utils.data.DataLoader(BananasDataset(is_train=False),
	batch_size)
	return train_iter, val_iter

让我们 [读取一个小批量，并打印其中的图像和标签的形状]。
图像的小批量的形状为（批量大小、通道数、高度、宽度），看起来很眼熟：它与我们之前图像分类任务中的相同。
标签的小批量的形状为（批量大小， $m$ ，5），其中 $m$ 是数据集的任何图像中边界框可能出现的最大数量。

小批量计算虽然高效，但它要求每张图像含有相同数量的边界框，以便放在同一个批量中。
通常来说，图像可能拥有不同数量个边界框；因此，在达到 $m$ 之前，边界框少于 $m$ 的图像将被非法边界框填充。
这样，每个边界框的标签将被长度为 5 的数组表示。
数组中的第一个元素是边界框中对象的类别，其中 - 1 表示用于填充的非法边界框。
数组的其余四个元素是边界框左上角和右下角的（ $x$ ， $y$ ）坐标值（值域在 0～1 之间）。
对于香蕉数据集而言，由于每张图像上只有一个边界框，因此 $m=1$ 。

	batch_size, edge_size = 32, 256
	train_iter, _ = load_data_bananas(batch_size)
	batch = next(iter(train_iter))
	batch[0].shape, batch[1].shape

Downloading ../data/banana-detection.zip from http://d2l-data.s3-accelerate.amazonaws.com/banana-detection.zip...
read 1000 training examples
read 100 validation examples





(torch.Size([32, 3, 256, 256]), torch.Size([32, 1, 5]))

# [演示]

让我们展示 10 幅带有真实边界框的图像。
我们可以看到在所有这些图像中香蕉的旋转角度、大小和位置都有所不同。
当然，这只是一个简单的人工数据集，实践中真实世界的数据集通常要复杂得多。

	imgs = (batch[0][0:10].permute(0, 2, 3, 1)) / 255
	axes = d2l.show_images(imgs, 2, 5, scale=2)
	for ax, label in zip(axes, batch[1][0:10]):
	d2l.show_bboxes(ax, [label[0][1:5] * edge_size], colors=['w'])

png

# 小结

我们收集的香蕉检测数据集可用于演示目标检测模型。
用于目标检测的数据加载与图像分类的数据加载类似。但是，在目标检测中，标签还包含真实边界框的信息，它不出现在图像分类中。

# 练习

在香蕉检测数据集中演示其他带有真实边界框的图像。它们在边界框和目标方面有什么不同？
假设我们想要将数据增强（例如随机裁剪）应用于目标检测。它与图像分类中的有什么不同？提示：如果裁剪的图像只包含物体的一小部分会怎样？

Discussions

chapter_computer-vision