简单分类--------将自己的图片数据集制作成TFRecord格式（一）

用自己的数据集训练深度学习网络，需要将数据集加载到网络中去，这里我们把数据集转化成tfrecord格式来进行加载。

TFRecord 数据文件是一种将图像和标签统一存储的二进制文件，它能更好的利用内存，在 TensorFlow 中快速的复制，移动，存储，读取等。

1. 整理好自己的数据集。将某一类图片放到一个文件夹内，如下图所示六类图片：

{'bo_luo_tai', 'chi_hen', 'dian_ci','hou_tai','lie_wen','zheng_chang'}

图片大小为256*256，保存地址为E: \Tongue_tfrecord_data\Ping_heng_Yuan_tongue_photes

2. 制作 d TFRecord 文件

TFRecord 会根据你选着输入的文件类，自动给每一类打上同样的标

签。在本列中，有 0,1,2 ,3,4,5六类。（（二）、中会介绍将标签转化为one_hot独热编码格式）

3. python代码如下：

import os
import tensorflow as tf
from PIL import Image  # 注意Image,后面会用到
import matplotlib.pyplot as plt
import numpy as np
import sys
import urllib

# 数据集的实际地址
# 文件夹的命名应避开关键词，否则会提示找不到路径
cwd = 'E:\Etodesktop\ML\SY_CNN_model_Tongue_phengheng\Tongue_tfrecord_data\Ping_heng_Yuan_tongue_photes\\'
# 人为的将数据设定为六类
classes = {'bo_luo_tai', 'chi_hen', 'dian_ci','hou_tai','lie_wen','zheng_chang'}
# 要生成的XX.TFRecord格式文件
writer = tf.python_io.TFRecordWriter("train.tfrecords")

#--------------------------------------------把数据存储为TFRrcord格式--------------------------------------------------#
'''
注意： 
 "label"和'img_raw'的名称和数据类型在生成TFRecord代码和将TFRecord读出时的代码一样
'''
for index, name in enumerate(classes):       # enumerate()可以同时获得索引和元素
    class_path = cwd + name + '\\'
    for img_name in os.listdir(class_path):  # os.listdir 返回指定目录下所有的文件和目录
        img_path = class_path + img_name     # 每一个图片的地址
        img = Image.open(img_path)
        img = img.resize((256, 256))         # 图片设置为256*256
        img_raw = img.tobytes()              # 将每一个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])),  # index 为标签
                    '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()

4. 生成的TFRecord数据格式如下图所示：

简单分类--------将自己的图片数据集制作成TFRecord格式（一）

猜你喜欢