[Pytorch] 데이터셋

파이토치 한국사용자 모임의 글을 보면서 공부한 내용을 정리한 글입니다.

 

파이토치는 다양한 데이터셋을 제공하며 이런 데이터셋들을 통해 모델을 만들어보고 성능을 측정하는데 사용할 수 있다.

Datasets — Torchvision 0.16 documentation

 

torchtext.datasets — Torchtext 0.16 documentation

 

torchaudio.datasets — Torchaudio 2.1.2 documentation

 

 

데이터셋 불러오기

import torch
from torch.utils.data import Dataset
from torchvision import datasets
from torchvision.transforms import ToTensor
import matplotlib.pyplot as plt


training_data = datasets.FashionMNIST(
    root="data",
    train=True,
    download=True,
    transform=ToTensor()
)

test_data = datasets.FashionMNIST(
    root="data",
    train=False,
    download=True,
    transform=ToTensor()
)

 

데이터셋은 라이브러리가 따로 존재하므로 문서를 보고 확인해보자.

 

Fashion-MNIST 데이터셋을 불러오는 코드를 분석해보자.

• root : 학습/테스트 데이터가 저장되는 경로
• train : 학습/테스트 데이터셋 여부
• download : root에 데이터가 없는 경우 인터넷에서 다운로드
• transform : transform과 target_transform은 특징(feature)과 정답(label) 변형(transform)을 지정한다.

 

 

Dataset에 리스트 처럼 indexing 할 수 있다.

labels_map = {
    0: "T-Shirt",
    1: "Trouser",
    2: "Pullover",
    3: "Dress",
    4: "Coat",
    5: "Sandal",
    6: "Shirt",
    7: "Sneaker",
    8: "Bag",
    9: "Ankle Boot",
}
figure = plt.figure(figsize=(8, 8))
cols, rows = 3, 3
for i in range(1, cols * rows + 1):
    sample_idx = torch.randint(len(training_data), size=(1,)).item()
    img, label = training_data[sample_idx]
    figure.add_subplot(rows, cols, i)
    plt.title(labels_map[label])
    plt.axis("off")
    plt.imshow(img.squeeze(), cmap="gray")
plt.show()

 

 

사용자 정의 데이터셋 만들기

import os
import pandas as pd
from torchvision.io import read_image

class CustomImageDataset(Dataset):
    def __init__(self, annotations_file, img_dir, transform=None, target_transform=None):
        self.img_labels = pd.read_csv(annotations_file, names=['file_name', 'label'])
        self.img_dir = img_dir
        self.transform = transform
        self.target_transform = target_transform

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

    def __getitem__(self, idx):
        img_path = os.path.join(self.img_dir, self.img_labels.iloc[idx, 0])
        image = read_image(img_path)
        label = self.img_labels.iloc[idx, 1]
        if self.transform:
            image = self.transform(image)
        if self.target_transform:
            label = self.target_transform(label)
        return image, label

사용자 정의 데이터셋은 반드시 3개의 함수를 구현해야 한다.

• __init__ : 생성자, 이미지와 주석 파일이 포함된 디렉토리와 두가지 변형(transform, target_transform)을 초기화한다.
• __len__ : 데이터셋의 샘플 개수를 반환
• __getitem__ : 주어진 인덱스(idx)에 해당하는 샘플 데이터셋을 불러오고 반환, 인덱스를 기반으로 디스크에서 이미지의 위치를 식별하고, read_image를 사용하여 이미지를 텐서로 변환한 다음, self.img_labels의 csv 데이터로부터 해당하는 정답을 가져오고, transform 함수들을 호출한 뒤, 텐서 이미지와 라벨을 Python dict 형으로 반환한다.

 

DataLoader

DataLoader는 간단한 API로 Dataset의 복잡한 과정들을 추상화한 순회 가능한 객체이다.

• Dataset은 데이터셋의 특징을 가져오고 하나의 샘플에 정답을 지정하는 일을 한번에 한다.
• 모델 학습 시 일반적으로 샘플들을 미니배치로 전달 -> epoch 마다 데이터를 다시 섞어 Overfitting 방지 -> Python의 multiprocessing을 사용해 데이터 검색속도를 높이려고 함.

 

 

from torch.utils.data import DataLoader

train_dataloader = DataLoader(training_data, batch_size=64, shuffle=True)
test_dataloader = DataLoader(test_data, batch_size=64, shuffle=True)
print(train_dataloader)
print(test_dataloader)

 

순회하기(iterate) : 각 순회는 train_features와 train_labels의 묶음(batch)를 반환, shuffle=True일 경우 모든 배치를 순회한 뒤 데이터를 섞는다.

# 이미지와 정답(label)을 표시합니다.
train_features, train_labels = next(iter(train_dataloader))
print(f"Feature batch shape: {train_features.size()}")
print(f"Labels batch shape: {train_labels.size()}")
img = train_features[0].squeeze()
label = train_labels[0]
plt.imshow(img, cmap="gray")
plt.show()
print(f"Label: {label}")

 

 

2. Dataset.ipynb