TensorFlow下如何将图片制作成数据集_将分好类的图片制作tensorflow可以使用的数据集

引言：

在做TensorFlow案例时发现好多的图片数据集都是处理好的，直接在库中调用的。比如Mnist，CIFAR-10等等。但是在跑自己项目的时候如何去读取自己的数据集呢？其实，一方面TensorFlow官方已经给出方法，那就是将图片制作成tfrecord格式的数据，供TensorFlow读取。另一方面Python以及Python的图像处理第三方库都有读取制作的方法，种类繁杂。

下面我将介绍两种方法：1.用python制作数据集2.基于TensorFlow制作tfrecord格式的数据集

一 用python制作数据集

代码比较简单这里做一下简单的说明：

1.一定要把.py文件放到图片所在的文件夹内，因为程序获取的路径是.py文件下的路径，但是你的源图片路径也得有图片否则回报错（目前是什么原因造成的还没发现，以后补充）。

2.程序已经写成函数了，所以只需要把图片路径以及将图片放到.py文件下就行了。参数有路径path和需要制作的标签Lables。

直接上代码：

import os
import matplotlib.pyplot as plt
import matplotlib.image as mpimg
import numpy as np
 
def make_data(path,labels):
 
    def getAllimages(folder):
        assert os.path.exists(folder)
        assert os.path.isdir(folder)
        imageList = os.listdir(folder)
        imageList = [os.path.abspath(item) for item in imageList if os.path.isfile(os.path.join(folder, item))]
        return imageList
 
    ImageList=getAllimages(path)
    TrainList=[]
    Lable=[]
    Img_data=[]
 
    for i in range(len(ImageList)):
        string=str(ImageList[i])
        List=mpimg.imread(string)
        TrainList.append(List)
        Lable1=labels
        Lable.append(Lable1)
    Img = np.hstack((TrainList, Lable))
    Img_data=Img[:len(TrainList)]
    Img_lable=Img[len(TrainList):]
 
    return Img_data,Img_lable
path=(r'/home/wcy/图片')
img,lable=make_data(path,0)
print(lable)

注意：/home/wcy/图片目录下有需要制作的图片以及.py文件夹下也应该有图片。

二 基于TensorFlow制作tfrecord格式的数据集

整个程序分为两部分一个是make_image_TFRecord另一部分是read_Tfrecord。

1.make_image_TFRecord.py

import os
import tensorflow as tf
from PIL import Image
import numpy as np
import pandas as pd
# 原始图片的存储位置
orig_picture = os.getcwd()+'\\image\\test'
# 生成图片的存储位置
gen_picture = os.getcwd()+'\\image'
# 需要的识别类型
classes = {'0', '1'}
# 样本总数
num_samples = 40
# 制作TFRecords数据
def create_record():
    writer = tf.python_io.TFRecordWriter("test.tfrecords")
    for index, name in enumerate(classes):
        class_path = orig_picture + "/" + name + "/"
        for img_name in os.listdir(class_path):
            img_path = class_path + img_name
            img = Image.open(img_path)
            img = img.resize((32, 32))  # 设置需要转换的图片大小
            ###图片灰度化######################################################################
            # img=img.convert("L")
            ##############################################################################################
            img_raw = img.tobytes()  # 将图片转化为原生bytes
            example = tf.train.Example(
                features=tf.train.Features(feature={
                    "label": tf.train.Feature(int64_list=tf.train.Int64List(value=[index])),
                    'img_raw': tf.train.Feature(bytes_list=tf.train.BytesList(value=[img_raw]))
                }))
            writer.write(example.SerializeToString())
    writer.close()
# =======================================================================================
def read_and_decode(filename,is_batch):
    # 创建文件队列,不限读取的数量    
    filename_queue = tf.train.string_input_producer([filename])
    # create a reader from file queue    
    reader = tf.TFRecordReader()
    # reader从文件队列中读入一个序列化的样本    
    _, serialized_example = reader.read(filename_queue)
    # get feature from serialized example    
    # 解析符号化的样本    
    features = tf.parse_single_example(
        serialized_example,
        features={
            'label': tf.FixedLenFeature([], tf.int64),
            'img_raw': tf.FixedLenFeature([], tf.string)
        })
    label = features['label']
    img = features['img_raw']
    img = tf.decode_raw(img, tf.uint8)
    img = tf.reshape(img, [32, 32, 3])
    # img = tf.cast(img, tf.float32) * (1. / 255) - 0.5
    label = tf.cast(label, tf.int32)
 
    if is_batch:
        batch_size = 3
        min_after_dequeue = 10
        capacity = min_after_dequeue + 3 * batch_size
        img, label = tf.train.shuffle_batch([img, label],
                                              batch_size=batch_size,
                                              num_threads=3,
                                              capacity=capacity,
                                              min_after_dequeue=min_after_dequeue)
    return img, label
# =======================================================================================

2.read_Tfrecord.py

import tensorflow as tf
import os
import pandas as pd
from make_image_TFRecord import create_record
from make_image_TFRecord import read_and_decode
from PIL import Image
 
 
num_samples = 40
create_record()
train_image, train_label = read_and_decode('test.tfrecords', is_batch=False)
# 初始化变量
init_op = tf.group(tf.global_variables_initializer(), tf.local_variables_initializer())
# 创建一个session用于run输出结果
with tf.Session() as sess:  # 开始一个会话
    sess.run(init_op)
    coord = tf.train.Coordinator()
    threads = tf.train.start_queue_runners(coord=coord)
    data = pd.DataFrame()
    for i in range(num_samples):
        example, lab = sess.run([train_image, train_label])  # 在会话中取出image和label
        img = Image.fromarray(example, 'RGB')  # 这里Image是之前提到的
        # img.save(gen_picture + '/' + str(i) + 'samples' + str(lab) + '.jpg')  # 存下图片;注意cwd后边加上‘/’
        # img.save( '/' + str(i) + 'samples' + str(lab) + '.jpg')  # 存下图片;注意cwd后边加上‘/’
        # print(example, lab)
        print(lab)
    coord.request_stop()
    coord.join(threads)
    sess.close()  # 关闭会话
    # ========================================================================================
 
 

第一个程序运行完之后会生成一个.tfrecords格式的文件，然后再第二个程序中直接读取调用就行。