在ImageNet中使用类的子集

Question

我知道ImageNet的子集是存在的，但是它们并不满足我的需求。我想要50个课程在他们的本地ImageNet分辨率。

为此，我使用torch.utils.data.dataset.Subset从ImageNet中选择特定的类。然而，事实证明，类标签/索引必须大于0且小于num_classes。

由于ImageNet包含1000个类，所以我所选类的idx很快超过50个。我如何重新分配类索引，并以一种能够在以后进行评估的方式进行？

有没有一种更优雅的选择子集的方法？

Answer 1

我不确定我是否理解你关于标签大于零和小于num_classes的结论。torch.utils.data.Subset助手接受一个torch.utils.data.Dataset和一系列索引，它们对应于您希望保留在子集中的Dataset中的数据点的索引。这些索引与它们所属的类无关。

下面是我处理这个问题的方法：

1. 通过torchvision.datasets加载数据集(自定义数据集将以相同的方式工作)。这里我将用FashionMNIST演示它，因为ImageNet的数据不是通过torchvision的torchvision.datasets.FashionMNIST= torchvision.datasets.FashionMNIST('.') >>> len(ds) 60000

直接提供的。

1. 定义要为子集数据集选择的类。并从主数据集中检索所有索引，这些索引对应于这些classes:targets = 1、3、5、9 >>>索引= i，label in枚举(ds.targets)如果是targets

中的标签

你的subset:

ds_subset =子集(ds，索引) >>> len(ds_subset) 24000

此时，可以使用targets

remap = {i:x for i，x in (

1. )} {0: 1，1: 3，2: 5，3: 9}重新映射标签。

例如：

x，y= ds_subset10 >>> y，remapy # old_label，new_label 1，old_label