欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页  >  IT编程

TensorFlow2.0(10):加载自定义图片数据集到Dataset

程序员文章站 2023-02-07 10:26:57
前面的博客中我们说过,在加载数据和预处理数据时使用tf.data.Dataset对象将极大将我们从建模前的数据清理工作中释放出来,那么,怎么将自定义的数据集加载为DataSet对象呢?这对很多新手来说都是一个难题,因为绝大多数案例教学都是以mnist数据集作为例子讲述如何将数据加载到Dataset中... ......

 

前面的博客中我们说过,在加载数据和预处理数据时使用tf.data.dataset对象将极大将我们从建模前的数据清理工作中释放出来,那么,怎么将自定义的数据集加载为dataset对象呢?这对很多新手来说都是一个难题,因为绝大多数案例教学都是以mnist数据集作为例子讲述如何将数据加载到dataset中,而英文资料对这方面的介绍隐藏得有点深。本文就来捋一捋如何加载自定义的图片数据集实现图片分类,后续将继续介绍如何加载自定义的text、mongodb等数据。

 

如果你已有数据集,那么,请将所有数据存放在同一目录下,然后将不同类别的图片分门别类地存放在不同的子目录下,目录树如下所示:

$ tree flower_photos -l 1

flower_photos
├── daisy
├── dandelion
├── license.txt
├── roses
├── sunflowers
└── tulips

 

所有的数据都存放在flower_photos目录下,每一个子目录(daisy、dandelion等等)存放的都是一个类别的图片。如果你已有自己的数据集,那就按上面的结构来存放,如果没有,想操作学习一下,你可以通过下面代码下载上述图片数据集:

in [ ]:
import tensorflow as tf
import pathlib
data_root_orig = tf.keras.utils.get_file(origin='https://storage.googleapis.com/download.tensorflow.org/example_images/flower_photos.tgz',
                                         fname='flower_photos', untar=true)
data_root = pathlib.path(data_root_orig)
print(data_root)  # 打印出数据集所在目录
 

下载好后,建议将整个flower_photos目录移动到项目根目录下。

in [1]:
import tensorflow as tf
import random
import pathlib
data_path = pathlib.path('./data/flower_photos')
all_image_paths = list(data_path.glob('*/*'))  
all_image_paths = [str(path) for path in all_image_paths]  # 所有图片路径的列表
random.shuffle(all_image_paths)  # 打散

image_count = len(all_image_paths)
image_count
out[1]:
3670
 

查看一下前5张:

in [2]:
all_image_paths[:5]
out[2]:
['data/flower_photos/sunflowers/9448615838_04078d09bf_n.jpg',
 'data/flower_photos/roses/15222804561_0fde5eb4ae_n.jpg',
 'data/flower_photos/daisy/18622672908_eab6dc9140_n.jpg',
 'data/flower_photos/roses/459042023_6273adc312_n.jpg',
 'data/flower_photos/roses/16149016979_23ef42b642_m.jpg']
 

读取图片的同时,我们也不能忘记图片与标签的对应,要创建一个对应的列表来存放图片标签,不过,这里所说的标签不是daisy、dandelion这些具体分类名,而是整型的索引,毕竟在建模的时候y值一般都是整型数据,所以要创建一个字典来建立分类名与标签的对应关系:

in [3]:
label_names = sorted(item.name for item in data_path.glob('*/') if item.is_dir())
label_names
out[3]:
['daisy', 'dandelion', 'roses', 'sunflowers', 'tulips']
in [4]:
label_to_index = dict((name, index) for index, name in enumerate(label_names))
label_to_index
out[4]:
{'daisy': 0, 'dandelion': 1, 'roses': 2, 'sunflowers': 3, 'tulips': 4}
in [5]:
all_image_labels = [label_to_index[pathlib.path(path).parent.name] for path in all_image_paths]
in [6]:
for image, label in zip(all_image_paths[:5], all_image_labels[:5]):
    print(image, ' --->  ', label)
 
data/flower_photos/sunflowers/9448615838_04078d09bf_n.jpg  --->   3
data/flower_photos/roses/15222804561_0fde5eb4ae_n.jpg  --->   2
data/flower_photos/daisy/18622672908_eab6dc9140_n.jpg  --->   0
data/flower_photos/roses/459042023_6273adc312_n.jpg  --->   2
data/flower_photos/roses/16149016979_23ef42b642_m.jpg  --->   2
 

好了,现在我们可以创建一个dataset了:

in [7]:
ds = tf.data.dataset.from_tensor_slices((all_image_paths, all_image_labels))
 

不过,这个ds可不是我们想要的,毕竟,里面的元素只是图片路径,所以我们要进一步处理。这个处理包含读取图片、重新设置图片大小、归一化、转换类型等操作,我们将这些操作统统定义到一个方法里:

in [8]:
def load_and_preprocess_from_path_label(path, label):
    image = tf.io.read_file(path)  # 读取图片
    image = tf.image.decode_jpeg(image, channels=3)
    image = tf.image.resize(image, [192, 192])  # 原始图片大小为(266, 320, 3),重设为(192, 192)
    image /= 255.0  # 归一化到[0,1]范围
    return image, label
in [9]:
image_label_ds  = ds.map(load_and_preprocess_from_path_label)
in [10]:
image_label_ds 
out[10]:
<mapdataset shapes: ((192, 192, 3), ()), types: (tf.float32, tf.int32)>
 

这时候,其实就已经将自定义的图片数据集加载到了dataset对象中,不过,我们还能秀,可以继续shuffle随机打散、分割成batch、数据repeat操作。这些操作有几点需要注意:
(1)先shuffle、repeat、batch三种操作顺序有讲究:

  • 在repeat之后shuffle,会在epoch之间数据随机(当有些数据出现两次的时候,其他数据还没有出现过)
  • 在batch之后shuffle,会打乱batch的顺序,但是不会在batch之间打乱数据。

(2)shuffle操作时,buffer_size越大,打乱效果越好,但消耗内存越大,可能造成延迟。

 

推荐通过使用 tf.data.dataset.apply 方法和融合过的 tf.data.experimental.shuffle_and_repeat 函数来执行这些操作:

in [12]:
ds = image_label_ds.apply(tf.data.experimental.shuffle_and_repeat(buffer_size=image_count))
batch_size = 32
ds = ds.batch(batch_size)
 

好了,至此,本文内容其实就结束了,因为已经将自定义的图片数据集加载到了dataset中。

下面的内容作为扩展阅读。

 

扩展

 

上面的方法是简单的在每次epoch迭代中单独读取每个文件,在本地使用 cpu 训练时这个方法是可行的,但是可能不足以进行gpu训练并且完全不适合任何形式的分布式训练。

 

可以使用tf.data.dataset.cache在epoch迭代过程间缓存计算结果。这能极大提升程序效率,特别是当内存能容纳全部数据时。

在被预处理之后(解码和调整大小),图片就被缓存了:

in [13]:
ds = image_label_ds.cache()  # 缓存
ds = ds.apply(tf.data.experimental.shuffle_and_repeat(buffer_size=image_count))
 

使用内存缓存的一个缺点是必须在每次运行时重建缓存,这使得每次启动数据集时有相同的启动延迟。如果内存不够容纳数据,使用一个缓存文件:

in [14]:
ds = image_label_ds.cache(filename='./cache.tf-data')
ds = ds.apply(tf.data.experimental.shuffle_and_repeat(buffer_size=image_count))
 

参考