利用图像数据制作能够输入Tensorflow的数据格式
文件夹格式：
ROOT_FOLDER
|
------ SUBFOLDER(CLASS 0)
| |
--- image1.jpg
| |
.....
| |
------SUBFOLDER(CLASS 1)
| |
--- image1.jpg
| |
......
### 思路：
在我们学习Tensorflow时，一般是直接导入mnist的数据，而对于我们具有的几类图像，该如何导入数据用于卷积神经网络呢？
在Tensorflow中可以先把数据保存为TFrecord格式，最后再读取。不仅节省了时间，增加了效率，而且节省了内存。
# 首先将图片数据保存为TFrecord格式
import os
import numpy as np
import tensorflow as tf
from PIL import Image
# 可以更改的参数
height = 512 # 需要输出图片高度
weight = 512 # 需要输出图片宽度
channel = 3 # 图片模式
batch_size = 32
Data_Path = "Imgdata/"# 辅助函数
def _int64_feature(value):
return tf.train.Feature(int64_list=tf.train.Int64List(value=[value]))
def _bytes_feature(value):
return tf.train.Feature(bytes_list=tf.train.BytesList(value=[value]))# 生成TFRecord
def convert(data_path):
# 先读取出所有的文件夹 并生成相对应的标签
image_paths = []
labels = []
label = 0
classes = list(os.walk(data_path))[0][1] #os.walk() 返回一个三元组，（起始路径，起始路径下的文件夹，非目录文件的名字）
for c in classes:
image_path_tmp = []
labels_tmp = []
c_dir = os.path.join(data_path, c) # 获取文件夹的绝对路径
walk = list(os.walk(c_dir))[0][2] # 获取所有的文件
for sample in walk:
if sample.endswith('.jpg') or sample.endswith('.jpeg'):
image_path_tmp.append(os.path.join(c_dir, sample))
labels_tmp.append(label)
image_paths.append(image_path_tmp)
labels.append(labels_tmp)
label += 1
# 获取到了所有文件下的数据 （这里不用shuffle 后面读取的时候生成batch时可以打散）
# 开始读取数据
for i in range(len(image_paths)):
out_file = '/model/output_%d.tfrecords'%i # 输出文件名
writer = tf.python_io.TFRecordWriter(out_file)
for k, image_path in enumerate(image_paths[i]):
img = Image.open(image_path) # 读数据
img = img.resize((height, weight)) # resize
image_raw = img.tobytes() # 将图像矩阵转化为bytes
# 将一个样例转化为Example Protocol Buffer，并将所有信息写入这个数据结构
example = tf.train.Example(features=tf.train.Features(feature={
'label':_int64_feature(labels[i][k]),
'image_raw':_bytes_feature(image_raw)
}))
writer.write(example.SerializeToString())
writer.close() 测试
convert(Data_Path)
每个类别可以生成一个TFRecord文件
# 开始读取并生成batch
def READ(model_path):
# file = tf.train.match_filenames_once("E:\\PythonMachineLearning\\CARclassification\\data\\output_*")
# 上面这一句可以自动匹配所有的tfrecord文件，但是在测试时一直出错，所以这里我手动输入
# 还可以利用os.walk()来获取。
file_list = list(os.walk(model_path))[0][2]
file = [os.path.join(model_path, file_list[i]) for i in len(file_list)] # 最终是一个list
# file = ['/model/output_0.tfrecords', '/model/output_1.tfrecords']
# 创建输入队列
file_name_queue = tf.train.string_input_producer(file, shuffle=True) # 随机打散
# 读取并解析一个样本
reader = tf.TFRecordReader()
_, serialized_example = reader.read(file_name_queue)
features = tf.parse_single_example(serialized_example, features={
'image_raw': tf.FixedLenFeature([], tf.string),
'label': tf.FixedLenFeature([], tf.int64)
})
image = tf.decode_raw(features['image_raw'], tf.uint8)
image = tf.reshape(image, [512, 512, 3])
img = tf.cast(image, tf.float32) * (1/255) - 0.5 # 将数据值约束在 -0.5-0.5
label = tf.cast(features['label'], tf.float32) # 都要为float32 与tensorflow对应
# 将处理后的图像和标签数据整理成batch tf.train.shuffle_train
min_after_dequeue = 30
batch_size = 32
capacity = 1000 + 3 * batch_size
image_batch, label_batch = tf.train.shuffle_batch([img, label], batch_size=batch_size, capacity=capacity,
min_after_dequeue=min_after_dequeue)
return image_batch, label_batch
# 注意 在测试时：需要开启多线程
with tf.Session() as sess:
coord = tf.train.Coordinator()
threads = tf.train.start_queue_runners(sess=sess, coord=coord)
for _ in range(max_iter): # 迭代次数
batch_x, batch_y = sess.run([batch_img, batch_l])---------------------------------------------------------------------------
NameError Traceback (most recent call last)
<ipython-input-20-e83c91f4a613> in <module>()
4 coord = tf.train.Coordinator()
5 threads = tf.train.start_queue_runners(sess=sess, coord=coord)
----> 6 for _ in range(max_iter): # 迭代次数
7 batch_x, batch_y = sess.run([batch_img, batch_l])
NameError: name 'max_iter' is not defined