这篇文章是我在学习李沐《动手学深度学习》pytorch版“目标检测数据集”的笔记。

我在pycharm运行目标检测数据集的时候出现以下报错：

1.AttributeError: '_OpNamespace' 'image' object has no attribute 'read_file'

2.AttributeError: float

原因及解决办法如下：

1.AttributeError: '_OpNamespace' 'image' object has no attribute 'read_file'

原因：由于PyTorch版本不匹配导致的，torchvision.io.read_image函数在PyTorch 1.10及以上版本中才可用，而我当前使用的是PyTorch 1.9版本。因此，需要更新PyTorch版本以解决此问题。但是更新PyTorch有可能会带来其他的版本不兼容的问题，建议采用其他方法。不升级PyTorch，可以使用Pillow库（已安装）来代替torchvision.io.read_image函数。

解决办法：

原码：

 for img_name, target in csv_data.iterrows():
        images.append(torchvision.io.read_image(
            os.path.join(data_dir, 'bananas_train' if is_train else
                         'bananas_val', 'images', f'{img_name}')))

修改：

    for img_name, target in csv_data.iterrows():
        img_path = os.path.join(data_dir, 'bananas_train' if is_train else 'bananas_val', 'images', f'{img_name}')
        image = Image.open(img_path)
        images.append(image)

2.AttributeError: float

原因：问题出在BananasDataset类的__getitem__方法中。在该方法中，尝试将图像数据转换为浮点型时引发了错误。这是因为PIL库的图像对象不能直接转换为浮点型张量。
要解决这个问题，可以在__getitem__方法中修改代码，将图像数据转换为张量时使用torchvision.transforms.ToTensor()转换器。这样可以确保正确地将图像转换为张量类型。
解决办法：

原码:

class BananasDataset(torch.utils.data.Dataset):
    """一个用于加载香蕉检测数据集的自定义数据集"""
    def __init__(self, is_train):
        self.features, self.labels = read_data_bananas(is_train)
        print('read ' + str(len(self.features)) + (f' training examples' if
              is_train else f' validation examples'))

    def __getitem__(self, idx):
        return (self.features[idx].float(), self.labels[idx])

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

修改：

class BananasDataset(torch.utils.data.Dataset):
    """一个用于加载香蕉检测数据集的自定义数据集"""
    def __init__(self, is_train):
        self.features, self.labels = read_data_bananas(is_train)
        print('read ' + str(len(self.features)) + (f' training examples' if
              is_train else f' validation examples'))

    def __getitem__(self, idx):
        image = self.features[idx]
        image = torchvision.transforms.ToTensor()(image)
        label = self.labels[idx]
        return (image, label)

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

以下是我的修改后并成功运行的代码：

import os
import pandas as pd
import torch
import torchvision
import matplotlib.pyplot as plt
from d2l import torch as d2l
from PIL import Image

#@save
d2l.DATA_HUB['banana-detection'] = (
    d2l.DATA_URL + 'banana-detection.zip',
    '5de26c8fce5ccdea9f91267273464dc968d20d72')

#@save
def read_data_bananas(is_train=True):
    """读取香蕉检测数据集中的图像和标签"""
    data_dir = d2l.download_extract('banana-detection')
    csv_fname = os.path.join(data_dir, 'bananas_train' if is_train
                             else 'bananas_val', 'label.csv')
    csv_data = pd.read_csv(csv_fname)
    csv_data = csv_data.set_index('img_name')
    images, targets = [], []
    for img_name, target in csv_data.iterrows():
        img_path = os.path.join(data_dir, 'bananas_train' if is_train else 'bananas_val', 'images', f'{img_name}')
        image = Image.open(img_path)
        images.append(image)
        # 这里的target包含（类别，左上角x，左上角y，右下角x，右下角y），
        # 其中所有图像都具有相同的香蕉类（索引为0）
        targets.append(list(target))
    return images, torch.tensor(targets).unsqueeze(1) / 256

#@save
class BananasDataset(torch.utils.data.Dataset):
    """一个用于加载香蕉检测数据集的自定义数据集"""
    def __init__(self, is_train):
        self.features, self.labels = read_data_bananas(is_train)
        print('read ' + str(len(self.features)) + (f' training examples' if
              is_train else f' validation examples'))

    def __getitem__(self, idx):
        image = self.features[idx]
        image = torchvision.transforms.ToTensor()(image)
        label = self.labels[idx]
        return (image, label)

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


#@save
def load_data_bananas(batch_size):
    """加载香蕉检测数据集"""
    train_iter = torch.utils.data.DataLoader(BananasDataset(is_train=True),
                                             batch_size, shuffle=True)
    val_iter = torch.utils.data.DataLoader(BananasDataset(is_train=False),
                                           batch_size)
    return train_iter, val_iter

batch_size, edge_size = 32, 256
train_iter, _ = load_data_bananas(batch_size)
batch = next(iter(train_iter))
batch[0].shape, batch[1].shape

imgs = (batch[0][0:10].permute(0, 2, 3, 1)) / 255
axes = d2l.show_images(imgs, 2, 5, scale=2)
for ax, label in zip(axes, batch[1][0:10]):
    d2l.show_bboxes(ax, [label[0][1:5] * edge_size], colors=['w'])

plt.show()

运行结果：

read 1000 training examples
read 100 validation examples