keras 读取多标签图像数据方式

心已赠人 2023-02-18 08:24 29阅读 0赞

keras 读取多标签图像数据方式

更多python视频教程请到菜鸟教程https://www.piaodoo.com/

**我所接触的多标签数据，主要包括两类：**

1、一张图片属于多个标签，比如，data:一件蓝色的上衣图片.jpg，label:蓝色，上衣。其中label包括两类标签，label1第一类：上衣，裤子，外套。label2第二类，蓝色，黑色，红色。这样两个输出label1，label2都是是分类，我们可以直接把label1和label2整合为一个label，直接编码，比如\[蓝色，上衣\]编码为\[011011\]。这样模型的输出也只需要一个输出。实现了多分类。

2、一张图片属于多个标签，但是几个标签不全是分类。比如data：一张结婚现场的图片.jpg,label:高兴，3（表示高兴程度）。这时label1是分类，label2时回归。这种情况就需要多个标签，模型需要多个输出。【其实最好的例子，就是目标检测，不但检测什么物体（分类），还要检测到物体的坐标（回归）】

在这里我主要针对第二种情况加以说明：

keras的ImageDataGenerator.flow\_from\_directory 只能简单的读取单标签数据。所以我自己写了个data\_generate，来生成bathsize多标签数据

![20200612154446.jpg][]

#此模块主要用来读取数据集，返回一个数据可迭代对象
    #重点是，此模块分批次的把图像读入内存的，而不是一次全读入，有效的减少了内存溢出
    import os
    import cv2
    import numpy as np
    import keras
    from random import shuffle

\#目标图像大小  
image\_size= (229, 229, 3)  
\#类别编码  
class\_dict=dict(zip(\[‘neg’,‘pos’,‘neu’\],\[0,1,2\]))  
\#处理.txt文件,并加载图片文件夹里的图片名  
\#txt\_path，txt文件路径，data\_path，图片文件夹路径

def read\_txt(txt\_path,data\_path):

# 中间数组 #

labels\_class = \[\]  
labels\_score = \[\]  
with open(txt\_path) as f:  
lines\_list = f.readlines()  
for lines in lines\_list:  
line = lines.split(’ ')  
labels\_class.append(line\[0\].rstrip(".jpg"))  
labels\_score.append(line\[2\])  
labels\_dict=dict(zip(labels\_class,labels\_score))  
\#处理图片数据集  
all\_picture\_name = os.listdir(data\_path)  
\#打乱数据集  
shuffle(all\_picture\_name)  
all\_picture\_path=\[os.path.join(data\_path,one)for one in all\_picture\_name\]  
return all\_picture\_name,all\_picture\_path,labels\_dict

class data\_generate:  
def **init**(self,all\_piture\_name,all\_picture\_path,labels\_dict,batch\_size):  
self.index=0  
self.all\_picture\_name=all\_piture\_name  
self.all\_picture\_path=all\_picture\_path  
self.labels\_dict=labels\_dict  
self.batch\_size = batch\_size  
def get\_mini\_batch(self):  
while True:  
batch\_images=\[\]  
batch\_labels=\[\]  
batch\_class=\[\]  
batch\_score=\[\]  
for i in range(self.batch\_size):  
if(self.index==len(self.all\_picture\_name)):  
self.index=0

bgr\_image = cv2.imread(self.all\_picture\_path\[self.index\])  
if len(bgr\_image.shape) == 2: \# 若是灰度图则转为三通道  
bgr\_image = cv2.cvtColor(bgr\_image, cv2.COLOR\_GRAY2BGR)  
rgb\_image = cv2.cvtColor(bgr\_image, cv2.COLOR\_BGR2RGB)  
rgb\_image=cv2.resize(rgb\_image,(image\_size\[0\], image\_size\[1\]))  
img = np.array(rgb\_image)  
img=keras.applications.inception\_v3.preprocess\_input(img)  
batch\_images.append(img)  
\#label=\[\]  
label1=self.all\_picture\_name\[self.index\].rstrip(".jpg")  
batch\_class.append(keras.utils.to\_categorical(class\_dict\[label1\[:3\]\], 3))  
batch\_score.append(np.array(self.labels\_dict\[label1\]))  
\#batch\_labels.append(label)  
self.index+=1  
batch\_images=np.array(batch\_images)  
batch\_class = np.array(batch\_class)  
batch\_score = np.array(batch\_score)  
\#注意label的生成batch\_class，一个单独数组，batch\_score一个单独的数组  
‘’’  
注释掉的这段代码生成的label是错误的。  
batch\_images=\[\]  
batch\_labels=\[\]  
for i in range(self.batch\_size):  
if(self.index==len(self.images)):  
self.index=0  
batch\_images.append(self.images\[self.index\])  
batch\_labels.append(self.labels\[self.index\])  
self.index+=1  
batch\_images=np.array(batch\_images)  
batch\_labels=np.array(batch\_labels)  
yield batch\_images,batch\_labels  
‘’’  
yield batch\_images,\[batch\_class,batch\_score\]

接下来就是放入keras.fit\_generate中了

history=model.fit_generator(generator=train_data.get_mini_batch(),
       steps_per_epoch=146,
       epochs=300,
       validation_data=test_data.get_mini_batch(),
       validation_steps=34,
       )

以上这篇keras 读取多标签图像数据方式就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多

[20200612154446.jpg]: https://img.jbzj.com/file_images/article/202006/20200612154446.jpg