본 포스팅은 파이토치(PYTORCH) 한국어 튜토리얼을 참고하여 공부하고 정리한 글임을 밝힙니다.

---

DATASET과 DATALOADER

• 두 가지 기본 요소: torch.utils.data.DataLoader와 torch.utils.data.Dataset
• Dataset: 샘플과 정답 저장
• DataLoader: 샘플에 쉽게 접근 가능하도록 순회 가능한 객체로 감쌈

데이터셋 불러오기

예제) TorchVision에서 Fashion-MNIST 데이터셋 이용

• Zalando의 기사 이미지 데이터셋으로 60,000개의 학습 예제와 10,000개의 테스트 에제로 이루어짐

• 흑백의 28x28 이미지와 10개 분류 중 하나인 정답으로 구성됨

• FashionMNIST 데이터셋을 불러올 때 사용하는 매개변수

  • root: 학습/테스트 데이터가 저장되는 경로
  • train: 학습용 또는 테스트용 데이터셋 여부 지정 (Ture/False)
  • download=True:root 에 데이터가 없는 경우 인터넷에서 다운로드
  • transform, target_transform: feature와 정답 변형(transform)을 지정

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()
)

데이터셋 순회하고 시각화하기

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() # 1차원 배열로 training_dataset 길이만큼 랜덤 정수 1개 생성
  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()

파일에서 사용자 정의 데이터셋 만들기

사용자 정의 Dataset 클래스

__init__, __len__, __getitem__의 3개 함수를 반드시 구현해야 함
아래 구현에서 FashionMNIST 이미지들은 img_dir 디렉토리에 저장, 정답은 annotations_file CSV 파일에 별도로 저장됨

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.ima_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):
        imgpath = 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
        

init

Dataset 객체가 생성될 때 한번만 실행되고, 예제에서는 이미지와 주석 파일(annotation_file)이 포함된 디렉터리와 두가지 변형(transform)을 초기화

labels.csv 파일

tshirt1.jpg, 0
tshirt2.jpg, 0
......
ankleboot999.jpg, 9

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

len

데이터셋의 샘플 개수 반환

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

getitem

주어진 인덱스 idx에 해당하는 샘플을 데이터셋에서 불러오고 반환함
인덱스로부터 이미지의 위치를 식별하고 read_image를 사용하여 이미지를 텐서로 변환하고, self.img_labels의 csv 데이터로부터 해당되는 정답을 가져오고, (해당하는 경우) 변형(transform) 함수들을 호출한 뒤, 텐서 이미지와 라벨을 python dict형으로 반환

def __getitem__(self, idx):
    imgpath = 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)
    sample = {'image':image, 'label':label)
    return sample

DataLoader로 학습용 데이터 준비하기

Dataset: 데이터셋의 feature(특징)을 가져오고 하나의 샘플에 정답을 지정하는 일을 한 번에 함
모델 학습할 때, 일반적으로 미니배치로 전달하고 매 epoch마다 데이터를 다시 섞어서 과적합을 막고, python의 multiprocessing을 사용하여 데이터 검색 속도를 높임

➡️ 간단한 API로 이러한 복잡한 과정들을 추상화한 순회 가능한 객체(iterable)

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)

DataLoader를 통해 순회하기

아래 예시는 각각 batch_size=64의 특징과 정답을 포함하는 train_features와 train_labels의 batch를 반환
이때 shuffle=True: 모든 배치를 순회한 뒤 데이터가 섞임

# 이미지와 정답(label) 표시
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}")