本文主要涉及 ImageNet 数据集的简要介绍以及手把手教你从下载、预处理以及使用的全教程，欢迎交流。
什么是 ImageNet？
ImageNet 是一个计算机视觉系统识别项目，是目前世界上最大的图像识别数据库。此项目由斯坦福大学李飞飞等教授于 2009 年发起，当时在 CVPR2009 上发表了一篇名为「ImageNet：A Large-Scale Hierarchical Image Database」的论文，之后从 2010 至 2017 年举行了基于 ImageNet 数据集的比赛。
ImageNet 通过类似于 WordNet 层次结构组织图像数据。什么是 WordNet？WordNet 根据词条的意义将它们分组，每一个具有相同意义的字条组称为一个 synset，即同义词集合，WordNet 为每一个 synset 提供了简短概要的定义，并记录不同 synset 之间的语义关系。而 ImageNet 是一个基于 WordNet 主干结构的大规模图片库，ImageNet 旨在用平均 500 到 1000 张清晰分辨率的图片来说明 WordNet 中大多数同义词集合。
ImageNet 中目前共有 14,197,122 幅图像，总共分为 21,841 个类别（synsets），通常我们所说的 ImageNet 数据集其实是指 ISLVRC2012 比赛用的子数据集，其中 train 有 1,281,167 张照片和标签，共 1000 类，大概每类 1300 张图片，val 有 50,000 副图像，每类 50 个数据，test 有 100,000 副图片，每类 100 个数据。
比赛分为三个场景：图像分类（CLS）、目标定位（LOC）和目标检测（DET）。CLS：2010-2014 比赛中独立任务，2015 年与 LOC 合并，使用 top5。LOC：从 2011 年开始，2015 年与 CLS 合并为 CLS-LOC，单目标定位任务的数据与 CLS 任务包含相同的照片，照片数据手动标注图像是否存在 1000 个物体类别之一的实例，每张图片包含一个 gt 标签，该类别的每个实例都标注了边界框 bounding box，比赛中 IoU>0.5。
数据预处理
数据预处理主要分为两个主要步骤：
- 下载数据和我的数据预处理项目代码，将数据压缩包放置到下载好的项目指定目录下；
- 解压数据和按类别整理数据；
关于下载数据，目前 ImageNet 官网已停止免费下载数据，但我已经将 ILSVRC2012 数据集整理到百度云，链接如下：
- 训练集：ILSVRC2012_img_train.tar.gz，提取码：yoos；
- 验证集：ILSVRC2012_img_val.tar.gz，提取码：yl8m；
- 测试集：ILSVRC2012_img_test.tar.gz，提取码：jumt；
- 任务 1&2 的 devkit：ILSVRC2012_devkit_t12.tar，提取码：dw6i；
下载好数据和 devkit 后，便可开始数据预处理，详细代码可见我的 github repo：ImageNet_Pretrained，项目 clone 到本地之后，将上面下载好的四个压缩文件放置于 /database 目录下。
至于解压数据，请在 /database 目录下打开命令行，首先执行以下四条命令分别解压四个文件：
# mkdir train && cp ILSVRC2012_img_train.tar.gz train && cd train && tar -xvf *.gz && rm -rf *.gz && cd .. # mkdir val && cp ILSVRC2012_img_val.tar.gz val && cd val && tar -xvf *.gz && rm -rf *.gz && cd .. # mkdir test && cp ILSVRC2012_img_test.tar.gz test && cd test && tar -xvf *.gz && rm -rf *.gz && cd .. # tar -xvf ILSVRC2012_devkit_t12.tar
按上述步骤解压完后，在 /database 目录下将得到以下目录结构：
# --- /database # |--- ILSVRC2012_devkit_t12/ # |--- test/ # |--- train/ # | |--- n01440764.tar # | |--- n01443537.tar # | |--- ... # |--- val/ # | |--- ILSVRC2012_val_00000001.JPEG # | |--- ILSVRC2012_val_00000002.JPEG # | |--- ... # |--- ILSVRC2012_devkit_t12.tar # |--- ILSVRC2012_img_test.tar.gz # |--- ILSVRC2012_img_train.tar.gz # |--- ILSVRC2012_img_val.tar.gz
可见在 train/ 目录下还有待解压的文件，而 val/ 下的图片也需要进一步按类别建立文件夹管理：
# python3 preprocess_ilsvrc2012.py
之所以要处理成按类别建文件夹的形式，是因为后续使用 Pytorch 的 ImageFolder 加载数据时，ImageFolder 默认假设所有的文件按文件夹保存，每个文件夹下储存同一个类别的图片，文件夹名为类别名。
Crop & Resize
数据集在扔给网络模型做训练前还需要统一尺寸处理，一方面是 CNN 需要统一尺寸的输入，另一方面是可以有数据增强的效果。一般来说有 crop 和 resize 两个过程。
其中 crop 的方法有 single crop 和 multiple crops 两种：
- single crop：先将图像 resize 到某个尺度，例如：256 x N（短边为256），然后 centercrop 成 224x224 作为模型的输入；
- multiple crops 的具体形式有多种，可自行指定，比如：1）10 crops：取（左上，左下，右上，右下，正中）以及它们的水平翻转，这 10 个 crops 作为 CNN 输入，最终取平均预测结果；2）144 crops：首先将图像 resize 到 4 个尺度：256xN，320xN，384xN，480xN，然后每个尺度上去取“最左”，“正中”，“最右”这 3 个位置的正方形区域，对每个正方形区域，取上述的 10 个 224x224 的 crops，则得到 4x3x10=120 个 crops，再对上述正方形区域直接 resize 到 224x224，以及做水平翻转，则又得到 4x3x2=24 个 crops，总共加起来就是 144 个 crops，输入到网络最后取平均预测结果；
测试时：
Ref：
<https://www.jiqizhixin.com/graph/technologies/f3400606-ef61-441c-8bc3-dd5663313fb9>