图像分类

图像分类数据集用于训练模型以对整个图像进行分类。这些数据集支持广泛的应用，例如识别濒危野生动物物种或在医学图像中筛查疾病。本指南将展示如何对图像分类数据集应用变换。

在开始之前，请确保已安装最新版本的 albumentations 和 cv2：

pip install -U albumentations opencv-python

本指南使用 Beans 数据集，根据叶片图像识别豆类植物病害的类型。

加载数据集并查看一个示例：

>>> from datasets import load_dataset

>>> dataset = load_dataset("AI-Lab-Makerere/beans")
>>> dataset["train"][10]
{'image': <PIL.JpegImagePlugin.JpegImageFile image mode=RGB size=500x500 at 0x7F8D2F4D7A10>,
 'image_file_path': '/root/.cache/huggingface/datasets/downloads/extracted/b0a21163f78769a2cf11f58dfc767fb458fc7cea5c05dccc0144a2c0f0bc1292/train/angular_leaf_spot/angular_leaf_spot_train.204.jpg',
 'labels': 0}

数据集包含三个字段：

image：一个 PIL 图像对象。
image_file_path：图像文件的路径。
labels：图像的标签或类别。

接下来，查看一张图像：

现在使用 albumentations 应用一些数据增强。你将随机裁剪图像、水平翻转它并调整其亮度。

>>> import cv2
>>> import albumentations
>>> import numpy as np

>>> transform = albumentations.Compose([
...     albumentations.RandomCrop(width=256, height=256),
...     albumentations.HorizontalFlip(p=0.5),
...     albumentations.RandomBrightnessContrast(p=0.2),
... ])

创建一个函数，将转换应用于图像：

>>> def transforms(examples):
...     examples["pixel_values"] = [
...         transform(image=np.array(image))["image"] for image in examples["image"]
...     ]
... 
...     return examples

使用 set_transform() 函数对数据集的批次进行即时转换，以减少磁盘空间占用：

>>> dataset.set_transform(transforms)

你可以通过索引第一个示例的 pixel_values 来验证转换是否成功：

>>> import numpy as np
>>> import matplotlib.pyplot as plt

>>> img = dataset["train"][0]["pixel_values"]
>>> plt.imshow(img)

现在你已经了解了如何为图像分类处理数据集，接下来学习如何训练图像分类模型并使用它进行推理。

Update on GitHub

Datasets

图像分类