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
#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,也希望大家多多支持呐喊教程。
声明:本文内容来源于网络,版权归原作者所有,内容由互联网用户自发贡献自行上传,本网站不拥有所有权,未作人工编辑处理,也不承担相关法律责任。如果您发现有涉嫌版权的内容,欢迎发送邮件至:notice#nhooo.com(发邮件时,请将#更换为@)进行举报,并提供相关证据,一经查实,本站将立刻删除涉嫌侵权内容。