TensorFlow2.0（10）：加载自定义图片数据集到Dataset

 

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