常用数据集整理（持续更新ing）

在做实验过程中经常用到的数据集整理一下，按照学习过程中遇到的数据集的先后顺序进行整理，希望能对科研有所帮助。本博文将随着学习过程持续性更新，有其他常用数据集的，可以在下方留言，持续整理和补充。分享一个拥有较多数据集的网站：paper with code

1. ImageNet

1.1 ImageNet简介

ImageNet在2009年计算机视觉与模式识别（CVPR）会议上发布。目前，ImageNet整个数据集包含14,197,122 张图片, 21841 类（截至2021.6.22），其中常用的子集包含1000类，120万张图片。
ImageNet就像一个网络一样，拥有多个Node（节点）。每一个node相当于一个item或者subcategory。据官网消息，一个node含有至少500个对应物体的可供训练的图片/图像。它实际上就是一个巨大的可供图像/视觉训练的图片库。
ImageNet的结构基本上是金字塔型：目录->子目录->图片集。
Imagenet数据集是目前深度学习图像领域应用得非常多的一个领域，关于图像分类、定位、检测等研究工作大多基于此数据集展开。

1.2 ImageNet下载方式

ImageNet数据下载地址：ImageNet数据下载

1.3 ImageNet数据集样例

ImageNet数据图像如下所示：

1.4 ImageNet数据集应用举例

ImageNet数据集可以用来进行图像分类实验，具体论文包括：
[1]Mark Chen, Alec Radford, Rewon Child, Jeff Wu, and Heewoo Jun. Generative pretraining from pixels. In ICML, 2020.
[2]J. Deng, W. Dong, R. Socher, L.J. Li, Kai Li, and Li Fei-Fei （2009）: ImageNet: A large-scale hierarchical image database. In IEEE Conference on Computer Vision and Pattern Recognition, 2009. CVPR 2009. 248 – 255.

2. CIFAR-10

2.1 CIFAR-10简介

CIFAR-10 是由 Hinton 的学生 Alex Krizhevsky 和 Ilya Sutskever 整理的一个用于识别普适物体的小型数据集。一共包含 10 个类别的 RGB 彩色图片：飞机（ airplane ）、汽车（ automobile ）、鸟类（ bird ）、猫（ cat ）、鹿（ deer ）、狗（ dog ）、蛙类（ frog ）、马（ horse ）、船（ ship ）和卡车（ truck ）。图片的尺寸为 32×32 ，数据集中一共有 50000 张训练图片和 10000 张测试图片。
该数据集共有60000张彩色图像，这些图像是32*32，分为10个类，每类6000张图。这里面有50000张用于训练，构成了5个训练批，每一批10000张图；另外10000用于测试，单独构成一批。测试批的数据里，取自10类中的每一类，每一类随机取1000张。抽剩下的就随机排列组成了训练批。注意一个训练批中的各类图像并不一定数量相同，总的来看训练批，每一类都有5000张图。

2.2 CIFAR-10下载方式

CIFAR-10数据集一共有3种版本，（python,matlab,binary version 适用于C语言）
http://www.cs.toronto.edu/~kriz/cifar-10-python.tar.gz
http://www.cs.toronto.edu/~kriz/cifar-10-matlab.tar.gz
http://www.cs.toronto.edu/~kriz/cifar-10-binary.tar.gz

2.3 CIFAR-10数据集样例

CIFAR-10数据集图像如下所示：

2.4 CIFAR-10数据集应用举例

下载python版本的数据之后的文件如下所示：

读取图像数据至direction中的代码：

def unpickle(file):import picklewith open(file, 'rb') as fo:dict = pickle.load(fo, encoding='bytes')return dict

这样的话，每个batch文件包含一个字典，每个字典包含有：
Data
　　一个10000×3072的numpy数组，数据类型是无符号整形uint8。这个数组的每一行存储了32×32大小的彩色图像（32×32×3通道=3072）。前1024个数是red通道，然后分别是green,blue。另外，图像是以行的顺序存储的，也就是说前32个数就是这幅图的像素矩阵的第一行。
Labels
　　一个范围在0-9的含有10000个数的列表（一维的数组）。第i个数就是第i个图像的类标。
batches.meta
数据集除了6个batch之外，还有一个文件batches.meta。它包含一个python字典对象，内容有：一个包含10个元素的列表，每一个描述了labels array中每个数字对应类标的名字。比如：label_names[0] == “airplane”, label_names[1] == “automobile”。
通过上述代码段，以读取‘data_batch_1’文件为例，阐述读到的数据的格式。通过代码读取的数据存储在一个dictionary类型的变量dict中，将dict的内容进行输出，得到的结果格式如下（下图纯原创！）：

接下来需要思考的是：如何将图的数据文件还原为原图像。分别生成训练数据集和测试数据集，代码如下：

# coding ：UTF-8
# 文件功能： 代码实现CIFAR-10数据文件转换为原图像的功能
# 开发人员： dpp
# 开发时间： 2021/6/23 11:19 下午
# 文件名称： CIFAR-10-transform.py
# 开发工具： PyCharmimport imageio  # 引入imageio包
import numpy as np# 解压 返回解压后的字典
def unpickle(file):import pickle as pkfo = open(file, 'rb')dict = pk.load(fo, encoding='iso-8859-1')fo.close()return dict# 生成训练集图片
for j in range(1, 6):dataName = "CIFAR-10-datafile/data_batch_" + str(j)  # 读取CIFAR-10-datafile文件夹目录下的data_batch1~data_batch5文件。Xtr = unpickle(dataName)print(dataName + " is loading...")for i in range(0, 10000):img = np.reshape(Xtr['data'][i], (3, 32, 32))  # Xtr['data']为图片二进制数据img = img.transpose(1, 2, 0)  # 读取imagepicName = 'CIFAR-10-train/' + str(Xtr['labels'][i]) + '_' + str(i + (j - 1) * 10000) + '.jpg'# Xtr['labels']为图片的标签，值范围0-9，本文中，train文件夹需要存在，并与脚本文件在同一目录下。imageio.imsave(picName, img)print(dataName + " loaded.")print("test_batch is loading...")# 生成测试集图片
testXtr = unpickle("CIFAR-10-datafile/test_batch")
for i in range(0, 10000):img = np.reshape(testXtr['data'][i], (3, 32, 32))img = img.transpose(1, 2, 0)picName = 'CIFAR-10-test/' + str(testXtr['labels'][i]) + '_' + str(i) + '.jpg'imageio.imsave(picName, img)
print("test_batch loaded.")

实验文件结构如下所示：

转换成原始图片之后的训练数据集train为：

转换成原始图片之后的测试数据集test为：

（待更新。。。）