不懂keras 讀取多標(biāo)簽圖像數(shù)據(jù)的方法？其實(shí)想解決這個(gè)問(wèn)題也不難，下面讓小編帶著大家一起學(xué)習(xí)怎么去解決，希望大家閱讀完這篇文章后大所收獲。
我所接觸的多標(biāo)簽數(shù)據(jù)，主要包括兩類(lèi)：
1、一張圖片屬于多個(gè)標(biāo)簽，比如，data:一件藍(lán)色的上衣圖片.jpg，label:藍(lán)色，上衣。其中l(wèi)abel包括兩類(lèi)標(biāo)簽，label1第一類(lèi)：上衣，褲子，外套。label2第二類(lèi)，藍(lán)色，黑色，紅色。這樣兩個(gè)輸出label1，label2都是是分類(lèi)，我們可以直接把label1和label2整合為一個(gè)label，直接編碼，比如[藍(lán)色，上衣]編碼為[011011]。這樣模型的輸出也只需要一個(gè)輸出。實(shí)現(xiàn)了多分類(lèi)。
2、一張圖片屬于多個(gè)標(biāo)簽，但是幾個(gè)標(biāo)簽不全是分類(lèi)。比如data：一張結(jié)婚現(xiàn)場(chǎng)的圖片.jpg,label:高興，3（表示高興程度）。這時(shí)label1是分類(lèi)，label2時(shí)回歸。這種情況就需要多個(gè)標(biāo)簽，模型需要多個(gè)輸出?！酒鋵?shí)最好的例子，就是目標(biāo)檢測(cè)，不但檢測(cè)什么物體（分類(lèi)），還要檢測(cè)到物體的坐標(biāo)（回歸）】
在這里我主要針對(duì)第二種情況加以說(shuō)明：
keras的ImageDataGenerator.flow_from_directory 只能簡(jiǎn)單的讀取單標(biāo)簽數(shù)據(jù)。所以我自己寫(xiě)了個(gè)data_generate，來(lái)生成bathsize多標(biāo)簽數(shù)據(jù)
重慶分公司
重慶分公司
#此模塊主要用來(lái)讀取數(shù)據(jù)集，返回一個(gè)數(shù)據(jù)可迭代對(duì)象
#重點(diǎn)是，此模塊分批次的把圖像讀入內(nèi)存的，而不是一次全讀入，有效的減少了內(nèi)存溢出
import os
import cv2
import numpy as np
import keras
from random import shuffle
#目標(biāo)圖像大小
image_size= (229, 229, 3)
#類(lèi)別編碼
class_dict=dict(zip(['neg','pos','neu'],[0,1,2]))
#處理.txt文件,并加載圖片文件夾里的圖片名
#txt_path，txt文件路徑，data_path，圖片文件夾路徑
def read_txt(txt_path,data_path):
# 中間數(shù)組
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))
#處理圖片數(shù)據(jù)集
all_picture_name = os.listdir(data_path)
#打亂數(shù)據(jù)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: # 若是灰度圖則轉(zhuǎn)為三通道
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，一個(gè)單獨(dú)數(shù)組，batch_score一個(gè)單獨(dú)的數(shù)組
'''
注釋掉的這段代碼生成的label是錯(cuò)誤的。
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] 
