第二篇 FastAI数据准备「建议收藏」

一、Fast AI代码组织结构 文档链接)

Fast AI库主要涉及神经网络在如下四个领域的应用：collab协同滤波问题)、tabular结构化数据或者说表格数据处理)、text自然语言处理)、vision机器视觉)。对每一领域除了collab)，其下又会按照如下结构组织代码:

  • 1) data：定义了模型所需的数据集类。
  • 2) transform：数据预处理如对图像数据的图像增强，表格数据的数据清洗，文本数据的符号化以及数字化)
  • 3) models：定义了相应的网络模型。
  • 4) learner：定义了将数据和模型关联起来的类，并定义了一系列回调函数。

本系列博客所关注的vision包，同样是按照如上结构进行组织的，同时也定义了专用于视觉处理的对象：

  • 1) vision.Image定义了Fast AI的Image对象，以及对其进行操作的函数。
  • 2) vision.data定义了专用于视觉应用的ImageDataBunch数据集，以及可从DataBunch构建的用于视觉应用的函数。
  • 3) vision.transform定义了可用于数据增强的变换。
  • 4) vision.learner定义了可用于训练网络或迁移学习的一些函数。

若要使用vision包的功能，仅需如下语句进行导入相关定义：

from fastai.vision import *

二、 vision.Image数据类型fastai/vision/image.py)

Fast AI用于图像处理的基础类型为Image，是在PIL.Image类型上构建的，并封装了一些常用函数。

1. 构建Image对象

Fast AI提供了一个将图像文件读取为vision.Image对象的函数open_image定义在fastai/vision/image.py文件中):

open_image fn:PathOrStr,               # 文件路径
            div:bool=True,              # 是否除以255
            convert_mode:str='RGB',     # 转换方式，同PIL.Image
            cls:type=Image,             # 返回的类型
            after_open:Callable=None)   # 打开文件后的回调

上述函数以PIL.Image.open)方式打开fn指定的文件后，做after_open的处理，然后调用pil2tensor)函数将之转换成float32型的tensor会进行维度的交换调整，调整后变为C x H x W)，依据div决定是否做归一化操作默认是做归一化操作的)，最后转换为cls类型的变量。cls默认使用vision.Image类型。

所以，Image类型还可使用C x H x W形状的float32型的tensor类直接进行初始化。

2. Image对象的一些通用属性
  • Image.data: 图像像素数据，以tensor形式存储。
  • Image.shape: channels x height x width。
  • Image.size: height x width。
3. Image对象的一些通用函数
  • Image.show)函数，用于显示图像 
    Image.show
    ax:Axes=None,       # 指定用于显示图像的图对象由matplotlib的相关函数生成)
    figsize:tuple=3, 3),   # 图的大小
    title:Optional[str]=None,   # 图的标题
    hide_axis:bool=True,    # 隐藏坐标轴
    cmap:str=None,          # color map, 与matplotlib中的cmap一致
    y:Any=None,         # 是否有额外的显示，如定位框、图像掩膜之类的
    **kwargs
)
  • Image.rotate)函数，用于图像旋转，这是一个神奇的函数，在Image类及其父类ItemBase中，均找不到它的定义，不过应该和PIL.Image.rotate)函数类似。对于旋转后需要扩充的像素，采用的是反射补全。
  • Image.resize)函数，用于图像缩放，其参数为一个整数，或者HxW型的元组。
  • Image.apply_tfms)函数，用于图像变换： 
    apply_tfms
      tfms:Union[Callable, Collection[Callable]],  # 变换列表
      do_resolve:bool=True,   # 是否重新设置随机化参数。比如对于图像分割，
                              # 对image和mask需要做同样的缩放或平移，
                              # 此时即需要设置do_resolve=False
      xtra:Optional[Dict[Callable, dict]]=None, # 变换所需的额外的参数
      size:Union[int, TensorImageSize, NoneType]=None, # 输出图片的尺寸 
      resize_method:ResizeMethod=None, # 如何达到最终所要的尺寸 [crop, pad, squish]
      mult:int=None, # 保证最终所得图像的尺寸是mult的倍数
      padding_mode:str='reflection', # 填充方法 ["zero", "border", "reflection"]
      mode:str='bilinear', remove_out:bool=True) → Tensor

除去vision.Image类外，Fast AI还定义了一些用于具体任务的类，如用于图像分割的ImageSegment类，用于目标检测的ImageBBox类，用于关键点定位的ImagePoints类等。这些将在相关应用场景下进行介绍。

三、 用于灌入网络的数据装配类型vision.ImageDataBunch类fastai/vision/data.py)

由前一博客的示例，Fast AI会将训练集、验证集、测试集的数据迭代器组合成DataBunch对象。而对于视觉领域的应用，Fast AI提供了更为合适的数据装配类型：ImageDataBunch类。

对于视觉任务而言，其数据一般有两种组织方式：

  • ImageNet类的数据组织形式：每类的图像位于各自的文件夹下：

      path\
  	train\ 
              class1\     class2\ ...
  	valid\
              class1\     class2\ ...
   	test\

  • 以csv文件给出图像以及对应的label:

      path\
  	train\  test\   labels.csv

针对这些情形，Fast AI提供了用于构建ImageDataBunch的6种工厂类方法。这6种方法均是基于ImageDataBunch.create_from_ll)方法。由前所述，ImageDataBunch仅是整合了用于灌入网络的数据加载器即训练集、验证集和可选的测试集)，因此，create_from_ll)方法也很简单：指定训练集、验证集、测试集的文件列表，指定网络每次读取的数据的大小batch size)，指定对数据进行的变换等等。

@classmethod
def create_from_llcls, 
    lls:LabelLists, # 文件列表
    bs:int=64, val_bs:int=None, # batch size
    ds_tfms:Optional[TfmList]=None, # 对数据进行的变换
    num_workers:int=defaults.cpus, 
    dl_tfms:Optional[Collection[Callable]]=None, 
    device:torch.device=None,
    test:Optional[PathOrStr]=None, # 测试数据集的路径
    collate_fn:Callable=data_collate, 
    size:int=None, # 图像大小
    no_check:bool=False,
    resize_method:ResizeMethod=None, 
    mult:int=None, padding_mode:str='reflection',
    mode:str='bilinear', 
    tfm_y:bool=False # 是否对标签数据进行变换，如在图像分割任务中，是否对mask进行变换
)->'ImageDataBunch':

实际上很少直接调用这个看着很复杂的函数，而是调用6种工厂类函数。这些工厂类函数大同小异，仅是在如何提供数据标签方面有所差别。下面以fastai.URLs.MNIST_SAMPLE数据为例演示其用法。

1. URLs.MNIST_SAMPLE数据说明
path = untar_dataURLs.MNIST_SAMPLE)

会将数据文件下载至~/.fastai/data目录下。数据目录结构为

mnist_sample\
    labels.csv
    train\12396)
        3\6131)  7\6265)
    valid\2038)
        3\1010)  7\1028)

数据仅包含MNIST手写数字集的3和7两类，按照ImageNet数据的组织格式存储，同时以labels.csv文件提供文件名与类别的对应关系。其中labels.csv中的每条记录的格式为：注意其中的labels不再是3和7，而变成了0和1)

第二篇 FastAI数据准备「建议收藏」第二篇 FastAI数据准备「建议收藏」

图 1. labels.csv记录格式

2. 使用文件夹提供数据标签：from_folder)工厂类方法

from_folder)的函数签名如下：

@classmethod
def from_foldercls,
    path:PathOrStr,  # 数据目录，包含train、valid等分类。
    train:PathOrStr='train', # 训练集的文件夹名称，默认为train
    valid:PathOrStr='valid', # 验证集的文件夹名称，默认为valid
    valid_pct=None, seed:int=None, # 用于划分train和valid数据集的比例参数，以及随机种子
                    # 如果设置了valid_pct参数，则train、valid参数指定的文件夹不再起作用
    classes:Collection=None, # 可以指定选取哪些类
    **kwargs:Any)->'ImageDataBunch':

对于MNIST_SAMPLE数据：

data = ImageDataBunch.from_folderpath, size=24)
3. 使用panda.DataFrame对象提供数据标签：from_df)工厂类方法

from_df)的函数签名如下：

@classmethod
def from_dfcls,
    path:PathOrStr, # 数据目录
    df:pd.DataFrame, # 存储图像文件及其对应标签的DataFrame
    folder:PathOrStr=None,  # 相对于path的子路径
    label_delim:str=None,
    valid_pct:float=0.2, seed:int=None, # 用于划分train和valid数据集的比例参数，以及随机种子
    fn_col:IntsOrStrs=0, label_col:IntsOrStrs=1, # 数据文件和标签的列
    suffix:str='', # 文件ID是否需要添加后缀
    **kwargs:Any)->'ImageDataBunch'

对于MNIST_SAMPLE数据：

df = pd.read_csvpath/'labels.csv', header='infer')
data = ImageDataBunch.from_dfpath, df=df)

其中labels.csv可能会包含表头，所以会使用header='infer'来做自动处理。如果labels.csv中记录的文件路径和path之间仍有子路径，则可通过folder参数进行设置。如果labels.csv中记录的文件路径没有后缀，则可通过suffix参数指定。如：图像数据以jpg格式存储在/home/user/data/train/路径下，设置path="/home/user/data"，另外labels.csv中的文件路径为：img_1、img_2……，则可设置：folder="train"，suffix=".jpg"。

4. 使用csv文件提供数据标签：from_csv)工厂类方法

from_csv)是基于from_df)函数实现的，其函数签名如下：

@classmethod
def from_csvcls,
    path:PathOrStr, # 数据目录
    folder:PathOrStr=None, 
    label_delim:str=None, 
    csv_labels:PathOrStr='labels.csv', # csv文件名
    valid_pct:float=0.2, seed:int=None,
    fn_col:int=0, label_col:int=1,
    suffix:str='', delimiter:str=None, 
    header:Optional[Union[int,str]]='infer',
    **kwargs:Any)->'ImageDataBunch'

其中csv文件应位于path路径下，如果csv文件的名称为labels.csv，则可省略csv参数；csv文件中指定的数据，应位于path/folder路径下。

对于MNIST_SAMPLE数据：

data = ImageDataBunch.from_csvpath, size=24)
5. 使用文件名提取数据标签：from_name_func)工厂类方法

from_name_func)函数的签名如下：

@classmethod
def from_name_funccls,
    path:PathOrStr,         # 数据文件路径
    fnames:FilePathList,    # 数据文件列表
    label_func:Callable,    # 从文件名中提取标签的函数
    valid_pct:float=0.2,
    seed:int=None,**kwargs)

注意，函数将依据fnames中存储的文件路径fname来查找文件，而不是以path/fname为路径。
对于MNIST_SAMPLE数据，其数据文件路径形为：

'/home/user/.fastai/data/mnist_sample/train/3/7463.png'
'/home/user/.fastai/data/mnist_sample/train/7/3087.png'

故可通过检查\3\或\7\是否在路径中来判断文件类别：

df = pd.read_csvpath/'labels.csv', header='infer')
fnames = [path/file for file in df["name"]]
def get_labelsfile_path):
    return '3' if '/3/' in strfile_path) else '7'
data = ImageDataBunch.from_name_funcpath, fnames, label_func=get_labels, size=24)
6. 使用正则表达式提取数据标签：from_name_re)工厂类方法

from_name_re)是基于from_name_func)实现的，其函数签名为：

def from_name_recls,
    path:PathOrStr,
    fnames:FilePathList,
    pat:str,                # 正则表达式
    valid_pct:float=0.2,
    **kwargs)

对于MNIST_SAMPLE数据，可通过提取数据文件所在的文件夹名称即"3"或者"7")来指定文件标签：

pat = r"/\d)/\d+\.png$"
data = ImageDataBunch.from_name_repath, fn_paths, pat=pat, size=24)
7. 使用列表提供数据标签：from_list)工厂类方法

from_list)的函数签名为：

@classmethod
def from_listscls,
    path:PathOrStr,
    fnames:FilePathList,    # 文件名称列表
    labels:Collection[str], # 标签列表
    valid_pct:float=0.2, seed:int=None,
    item_cls:Callable=None, **kwargs)

对于MNIST_SAMPLE数据：

df = pd.read_csvpath/'labels.csv', header='infer')
fn_paths = [path/file for file in df["name"]]
def get_labelsfile_path):
    return '3' if '/3/' in strfile_path) else '7'
labels_ls = listmapget_labels, fn_paths))
data = data = ImageDataBunch.from_listspath, fn_paths, labels=labels_ls, size=24)

Fast AI提供了一套整合数据文件与标签文件的数据类型和API，上述6种工厂类方法均是在其基础上进行构建的。而这些数据类型和API也提供了足够的灵活性，可在这6种工厂类方法不能覆盖的应用情景下如想要通过文件夹区分训练集和验证集，而通过csv文件提供数据标签)，方便地构建出所需的数据集和标签集。这部分内容将在下一博客中进行阐述。

一些有用的链接

  • Fast AI代码组织结构文档链接
  • fastai.vision概览
  • fastai.vision.Image数据类型文档
  • fastai.vision.data: ImageDataBunch类的文档

Published by

风君子

独自遨游何稽首 揭天掀地慰生平

发表回复

您的电子邮箱地址不会被公开。 必填项已用 * 标注