目录

1.数据集搭建思路

1.1数据集构成

1.2搭建数据集

 1.2.1__getitem__

1.2.2__len__ 

1.3加载数据集 

2.代码教程

---

1.数据集搭建思路

比如说对于车牌识别，数据集应该都是一些车牌字符比较好

对于汽车识别的话，则是都为汽车的不同角度的图片比较好

并且对于数据集来说，有多通道的，有单通道的，这其中又有很多区别

还有像素高的和像素低的

这些都是要从效率角度去考虑

1.1数据集构成

主页 - PyTorch中文文档

文档里有很多可以参考的内容

看一下这个类的介绍：

torch.utils.data

表示Dataset的抽象类

所有数据集都应该子类话，继承这个父类

然后所有的子类都应当重写__len__和__getitem__这两个构造方法

前者提供了数据集的大小，后者支持整数索引，范围从0到len(self)。

1.2搭建数据集

先定义子类，继承torch文档规定的父类

 然后定义init构造方法，用来传入标签值

标签值的目的是让数据跟识别的数值对应

以下是前处理后的数据（可以理解为网络的输入）

 label.txt的作用就是把图片和标签对应起来，可以理解为图片为x，标签为y

让x进入网络得到预测值尽量跟y接近或者一样

就是网络的功能

以下是各label的实际意义（该文件相当于注释功能）

然后是打开标签文件

 然后读取到的带空格的数据

空格前的数据作为输入图片也就是x

空格后的数据作为ground truth 也就是y

 1.2.1__getitem__

 这个构造方法是用来获得索引的

比如说当index是0的时候可以得到第一个数据的传入

里面有x和y

 然后把图片和label处理成可以计算的数据

然后再返回

此处图片是被转换成了tensor

1.2.2__len__ 

 返回数据集的长度

读取的是列表，是完整的所有数据 

1.3加载数据集 

先给路径

然后实例化数据集

然后调用data封装的方法加载数据集

具体的在手册里讲的很详细

torch.utils.data - PyTorch中文文档

2.代码教程

对应下载好代码

这个是车牌的图像处理部分：

主要是对车牌先进行色域识别，再把各个字符切割，然后存储，然后作为数据集