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。

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。

数据预处理主要分为两个主要步骤：

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：

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：

按上述步骤解压完后，在 /database 目录下将得到以下目录结构：

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：

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。

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：

测试时：

Ref：