一、数据集介绍
点击打开链接17_category_flower 是一个不同种类鲜花的图像数据，包含 17 不同种类的鲜花，每类 80 张该类鲜花的图片，鲜花种类是英国地区常见鲜花。下载数据后解压文件，然后将不同的花剪切到对应的文件夹，如下图所示：
每个文件夹下面有80个图片文件。
二、使用的工具
首先是在tensorflow框架下,然后介绍一下用到的两个库，一个是os，一个是pil。pil（python imaging library）是 python 中最常用的图像处理库，而image类又是 pil库中一个非常重要的类，通过这个类来创建实例可以有直接载入图像文件，读取处理过的图像和通过抓取的方法得到的图像这三种方法。
三、代码实现
我们是通过tfrecords来创建数据集的，tfrecords其实是一种二进制文件，虽然它不如其他格式好理解，但是它能更好的利用内存，更方便复制和移动，并且不需要单独的标签文件(label)。
1、制作tfrecords文件
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
|
import osimport tensorflow as tffrom pil import image # 注意image,后面会用到import matplotlib.pyplot as pltimport numpy as np cwd = 'd:\pycharm community edition 2017.2.3\work\google_net\jpg\\'classes = {'daffodil', 'snowdrop', 'lilyvalley', 'bluebell', 'crocus', 'iris', 'tigerlily', 'tulip', 'fritiuary', 'sunflower', 'daisy', 'coltsfoot', 'dandelion', 'cowslip', 'buttercup', 'windflower', 'pansy'} # 花为 设定 17 类writer = tf.python_io.tfrecordwriter("flower_train.tfrecords") # 要生成的文件 for index, name in enumerate(classes): class_path = cwd + name + '\\' for img_name in os.listdir(class_path): img_path = class_path + img_name # 每一个图片的地址 img = image.open(img_path) img = img.resize((224, 224)) img_raw = img.tobytes() # 将图片转化为二进制格式 example = tf.train.example(features=tf.train.features(feature={ "label": tf.train.feature(int64_list=tf.train.int64list(value=[index])), 'img_raw': tf.train.feature(bytes_list=tf.train.byteslist(value=[img_raw])) })) # example对象对label和image数据进行封装 writer.write(example.serializetostring()) # 序列化为字符串writer.close() |
首先将文件移动到对应的路径：
d:\pycharm community edition 2017.2.3\work\google_net\jpg
然后对每个文件下的图片进行读写和相应的大小惊醒改变，具体过程是使用tf.train.example来定义我们要填入的数据格式，其中label即为标签，也就是最外层的文件夹名字，img_raw为易经理二进制化的图片。然后使用tf.python_io.tfrecordwriter来写入。基本的，一个example中包含features，features里包含feature（这里没s）的字典。最后，feature里包含有一个 floatlist， 或者bytelist，或者int64list。就这样，我们把相关的信息都存到了一个文件中，所以前面才说不用单独的label文件。而且读取也很方便。
执行完以上代码就会出现如下图所示的tf文件
2、读取tfrecord文件
制作完文件后，将该文件读入到数据流中，具体代码如下：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
|
def read_and_decode(filename): # 读入dog_train.tfrecords filename_queue = tf.train.string_input_producer([filename]) # 生成一个queue队列 reader = tf.tfrecordreader() _, serialized_example = reader.read(filename_queue) # 返回文件名和文件 features = tf.parse_single_example(serialized_example, features={ 'label': tf.fixedlenfeature([], tf.int64), 'img_raw': tf.fixedlenfeature([], tf.string), }) # 将image数据和label取出来 img = tf.decode_raw(features['img_raw'], tf.uint8) img = tf.reshape(img, [224, 224, 3]) # reshape为128*128的3通道图片 img = tf.cast(img, tf.float32) * (1. / 255) - 0.5 # 在流中抛出img张量 label = tf.cast(features['label'], tf.int32) # 在流中抛出label张量 return img, label |
注意，feature的属性“label”和“img_raw”名称要和制作时统一 ，返回的img数据和label数据一一对应。
3、显示tfrecord格式的图片
为了知道tf 文件的具体内容，或者是怕图片对应的label出错，可以将数据流以图片的形式读出来并保存以便查看，具体的代码如下：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
|
filename_queue = tf.train.string_input_producer(["flower_train.tfrecords"]) # 读入流中reader = tf.tfrecordreader()_, serialized_example = reader.read(filename_queue) # 返回文件名和文件features = tf.parse_single_example(serialized_example, features={ 'label': tf.fixedlenfeature([], tf.int64), 'img_raw': tf.fixedlenfeature([], tf.string), }) # 取出包含image和label的feature对象image = tf.decode_raw(features['img_raw'], tf.uint8)image = tf.reshape(image, [224, 224, 3])label = tf.cast(features['label'], tf.int32)label = tf.one_hot(label, 17, 1, 0)with tf.session() as sess: # 开始一个会话 init_op = tf.initialize_all_variables() sess.run(init_op) coord = tf.train.coordinator() threads = tf.train.start_queue_runners(coord=coord) for i in range(100): example, l = sess.run([image, label]) # 在会话中取出image和label img = image.fromarray(example, 'rgb') # 这里image是之前提到的 img.save(cwd + str(i) + '_''label_' + str(l) + '.jpg') # 存下图片 print(example, l) coord.request_stop() coord.join(threads) |
执行以上代码后，当前项目对应的文件夹下会生成100张图片，还有对应的label，如下图所示：
在这里我们可以看到，前80个图片文件的label是1，后20个图片的label是2。 由此可见，我们一开始制作tfrecord文件时，图片分类正确。
完整代码如下：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
|
import osimport tensorflow as tffrom pil import image # 注意image,后面会用到import matplotlib.pyplot as pltimport numpy as np cwd = 'd:\pycharm community edition 2017.2.3\work\google_net\jpg\\'classes = {'daffodil', 'snowdrop', 'lilyvalley', 'bluebell', 'crocus', 'iris', 'tigerlily', 'tulip', 'fritiuary', 'sunflower', 'daisy', 'coltsfoot', 'dandelion', 'cowslip', 'buttercup', 'windflower', 'pansy'} # 花为 设定 17 类writer = tf.python_io.tfrecordwriter("flower_train.tfrecords") # 要生成的文件 for index, name in enumerate(classes): class_path = cwd + name + '\\' for img_name in os.listdir(class_path): img_path = class_path + img_name # 每一个图片的地址 img = image.open(img_path) img = img.resize((224, 224)) img_raw = img.tobytes() # 将图片转化为二进制格式 example = tf.train.example(features=tf.train.features(feature={ "label": tf.train.feature(int64_list=tf.train.int64list(value=[index])), 'img_raw': tf.train.feature(bytes_list=tf.train.byteslist(value=[img_raw])) })) # example对象对label和image数据进行封装 writer.write(example.serializetostring()) # 序列化为字符串writer.close() def read_and_decode(filename): # 读入dog_train.tfrecords filename_queue = tf.train.string_input_producer([filename]) # 生成一个queue队列 reader = tf.tfrecordreader() _, serialized_example = reader.read(filename_queue) # 返回文件名和文件 features = tf.parse_single_example(serialized_example, features={ 'label': tf.fixedlenfeature([], tf.int64), 'img_raw': tf.fixedlenfeature([], tf.string), }) # 将image数据和label取出来 img = tf.decode_raw(features['img_raw'], tf.uint8) img = tf.reshape(img, [224, 224, 3]) # reshape为128*128的3通道图片 img = tf.cast(img, tf.float32) * (1. / 255) - 0.5 # 在流中抛出img张量 label = tf.cast(features['label'], tf.int32) # 在流中抛出label张量 return img, label filename_queue = tf.train.string_input_producer(["flower_train.tfrecords"]) # 读入流中reader = tf.tfrecordreader()_, serialized_example = reader.read(filename_queue) # 返回文件名和文件features = tf.parse_single_example(serialized_example, features={ 'label': tf.fixedlenfeature([], tf.int64), 'img_raw': tf.fixedlenfeature([], tf.string), }) # 取出包含image和label的feature对象image = tf.decode_raw(features['img_raw'], tf.uint8)image = tf.reshape(image, [224, 224, 3])label = tf.cast(features['label'], tf.int32)label = tf.one_hot(label, 17, 1, 0)with tf.session() as sess: # 开始一个会话 init_op = tf.initialize_all_variables() sess.run(init_op) coord = tf.train.coordinator() threads = tf.train.start_queue_runners(coord=coord) for i in range(100): example, l = sess.run([image, label]) # 在会话中取出image和label img = image.fromarray(example, 'rgb') # 这里image是之前提到的 img.save(cwd + str(i) + '_''label_' + str(l) + '.jpg') # 存下图片 print(example, l) coord.request_stop() coord.join(threads) |
本人也是刚刚学习深度学习，能力有限，不足之处请见谅，欢迎大牛一起讨论，共同进步！
以上这篇对python制作自己的数据集实例讲解就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持服务器之家。
原文链接：https://blog.csdn.net/zhangjunp3/article/details/79627824
