TensorFlow2.0（10）：加載自定義圖片數據集到Dataset

 

前面的博客中咱們說過，在加載數據和預處理數據時使用tf.data.Dataset對象將極大將咱們從建模前的數據清理工做中釋放出來，那麼，怎麼將自定義的數據集加載爲DataSet對象呢？這對不少新手來講都是一個難題，由於絕大多數案例教學都是以mnist數據集做爲例子講述如何將數據加載到Dataset中，而英文資料對這方面的介紹隱藏得有點深。本文就來捋一捋如何加載自定義的圖片數據集實現圖片分類，後續將繼續介紹如何加載自定義的text、mongodb等數據。

 

若是你已有數據集，那麼，請將全部數據存放在同一目錄下，而後將不一樣類別的圖片分門別類地存放在不一樣的子目錄下,目錄樹以下所示：

$ tree flower_photos -L 1

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

 

全部的數據都存放在flower_photos目錄下，每個子目錄（daisy、dandelion等等）存放的都是一個類別的圖片。若是你已有本身的數據集，那就按上面的結構來存放，若是沒有，想操做學習一下，你能夠經過下面代碼下載上述圖片數據集：

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)  # 打印出數據集所在目錄

 

下載好後，建議將整個flower_photos目錄移動到項目根目錄下。

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]  # 全部圖片路徑的列表
random.shuffle(all_image_paths)  # 打散

image_count = len(all_image_paths)
image_count

Out[1]:

3670

 

查看一下前5張：

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']

 

讀取圖片的同時，咱們也不能忘記圖片與標籤的對應，要建立一個對應的列表來存放圖片標籤，不過，這裏所說的標籤不是daisy、dandelion這些具體分類名，而是整型的索引，畢竟在建模的時候y值通常都是整型數據，因此要建立一個字典來創建分類名與標籤的對應關係：

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，如今咱們能夠建立一個Dataset了：

In [7]:

ds = tf.data.Dataset.from_tensor_slices((all_image_paths, all_image_labels))

 

不過，這個ds可不是咱們想要的，畢竟，裏面的元素只是圖片路徑，因此咱們要進一步處理。這個處理包含讀取圖片、從新設置圖片大小、歸一化、轉換類型等操做，咱們將這些操做通通定義到一個方法裏：

In [8]:

def load_and_preprocess_from_path_label(path, label):
    image = tf.io.read_file(path)  # 讀取圖片
    image = tf.image.decode_jpeg(image, channels=3)
    image = tf.image.resize(image, [192, 192])  # 原始圖片大小爲(266, 320, 3)，重設爲(192, 192)
    image /= 255.0  # 歸一化到[0,1]範圍
    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)>

 

這時候，其實就已經將自定義的圖片數據集加載到了Dataset對象中，不過，咱們還能秀，能夠繼續shuffle隨機打散、分割成batch、數據repeat操做。這些操做有幾點須要注意：
（1）先shuffle、repeat、batch三種操做順序有講究：

• 在repeat以後shuffle，會在epoch之間數據隨機（當有些數據出現兩次的時候，其餘數據尚未出現過）
• 在batch以後shuffle，會打亂batch的順序，可是不會在batch之間打亂數據。

（2）shuffle操做時，buffer_size越大，打亂效果越好，但消耗內存越大，可能形成延遲。

 

推薦經過使用 tf.data.Dataset.apply 方法和融合過的 tf.data.experimental.shuffle_and_repeat 函數來執行這些操做:

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，本文內容其實就結束了，由於已經將自定義的圖片數據集加載到了Dataset中。

下面的內容做爲擴展閱讀。

 

擴展¶

 

上面的方法是簡單的在每次epoch迭代中單獨讀取每一個文件，在本地使用 CPU 訓練時這個方法是可行的，可是可能不足以進行GPU訓練而且徹底不適合任何形式的分佈式訓練。

 

可使用tf.data.Dataset.cache在epoch迭代過程間緩存計算結果。這能極大提高程序效率，特別是當內存能容納所有數據時。

在被預處理以後（解碼和調整大小），圖片就被緩存了：

In [13]:

ds = image_label_ds.cache()  # 緩存
ds = ds.apply(tf.data.experimental.shuffle_and_repeat(buffer_size=image_count))

 

使用內存緩存的一個缺點是必須在每次運行時重建緩存，這使得每次啓動數據集時有相同的啓動延遲。若是內存不夠容納數據，使用一個緩存文件：

In [14]:

ds = image_label_ds.cache(filename='./cache.tf-data')
ds = ds.apply(tf.data.experimental.shuffle_and_repeat(buffer_size=image_count))

 

參考¶

 

https://tensorflow.google.cn/tutorials/load_data/images