您好,登录后才能下订单哦!
本篇内容介绍了“TensorFlow2.X如何用图片制作数据集训练模型”的有关知识,在实际案例的操作过程中,不少人都会遇到这样的困境,接下来就让小编带领大家学习一下如何处理这些情况吧!希望大家仔细阅读,能够学有所成!
Tensorflow内置了许多数据集,但是实际自己应用的时候还是需要使用自己的数据集,这里TensorFlow 官网也给介绍文档,官方文档。这里对整个流程做一个总结(以手势识别的数据集为例)。
1、 收集手势图片
数据集下载
方法多种多样了。我通过摄像头自己采集了一些手势图片。保存成如下形式,
以同样的形式在建立一个测试集,当然也可以不弄,在程序里处理。
2、构建数据集
导入相关的包
import tensorflow as tf from tensorflow import keras from tensorflow.keras import datasets, layers, optimizers, Sequential, metrics from tensorflow.python.framework.convert_to_constants import convert_variables_to_constants_v2 import os import pathlib import random import matplotlib.pyplot as plt
读取文件
data_root = pathlib.Path('D:\code\PYTHON\gesture_recognition\Dataset') print(data_root) for item in data_root.iterdir(): print(item)
读取图片路径到list中
all_image_paths = list(data_root.glob('*/*')) all_image_paths = [str(path) for path in all_image_paths] random.shuffle(all_image_paths) image_count = len(all_image_paths) print(image_count) ##统计共有多少图片 for i in range(10): print(all_image_paths[i])
label_names = sorted(item.name for item in data_root.glob('*/') if item.is_dir()) print(label_names) #其实就是文件夹的名字 label_to_index = dict((name, index) for index, name in enumerate(label_names)) print(label_to_index) all_image_labels = [label_to_index[pathlib.Path(path).parent.name] for path in all_image_paths] print("First 10 labels indices: ", all_image_labels[:10])
预处理
def preprocess_image(image): image = tf.image.decode_jpeg(image, channels=3) image = tf.image.resize(image, [100, 100]) image /= 255.0 # normalize to [0,1] range # image = tf.reshape(image,[100*100*3]) return image def load_and_preprocess_image(path,label): image = tf.io.read_file(path) return preprocess_image(image),label
构建一个 tf.data.Dataset
ds = tf.data.Dataset.from_tensor_slices((all_image_paths, all_image_labels)) train_data = ds.map(load_and_preprocess_image).batch(16)
同样的方式在制作一个测试集,就可以用于模型训练和测试了。
总结
“TensorFlow2.X如何用图片制作数据集训练模型”的内容就介绍到这里了,感谢大家的阅读。如果想了解更多行业相关的知识可以关注亿速云网站,小编将为大家输出更多高质量的实用文章!
免责声明:本站发布的内容(图片、视频和文字)以原创、转载和分享为主,文章观点不代表本网站立场,如果涉及侵权请联系站长邮箱:is@yisu.com进行举报,并提供相关证据,一经查实,将立刻删除涉嫌侵权内容。