将图片数据转化为TFRecord格式与读取
Posted negan-zw
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了将图片数据转化为TFRecord格式与读取相关的知识,希望对你有一定的参考价值。
将图片数据转化为TFRecord格式与读取
一、问题情景描述
目录下有一个叫做“Original”的文件夹,文件夹里有十个子文件,分别命名为1,2···一直到10(为了做10轮取平均),这10个子文件夹里还有四个子文件夹,分别命名为“train0”,"train1","test0","test1"。其中含义如其命名所示。这四个子文件夹里一共有若干张JPG格式图像数据。现欲将这份图像数据转化为TFRecord格式,用来做CNN训练。
二、实现代码
# 导入相关库
import os
import tensorflow as tf
import numpy as np
from PIL import Image
转为为TFRecord格式代码:
for i in range(1, 11): # 用来表示文件夹1到10
cwd = ‘Original/‘+str(i)+‘/‘ # 第i个文件夹路径
path_tfrecord = ‘Original_tfrecord/‘+str(i)+‘/‘ # tfrecord文件路径
if not os.path.exists(path_tfrecord):
os.makedirs(path_tfrecord)
print(path_tfrecord+" 开始转换")
else:
print(path_tfrecord+" 开始转换")
#f = open(path_tfrecord+‘fileQueue‘, ‘w‘) # 用写的方式打开fileQueue这个文件,并赋给f
with open(path_tfrecord+‘fileQueue‘, ‘w‘) as f:
# 创建一个writer来写 TFRecords 文件
writer1 = tf.python_io.TFRecordWriter(path_tfrecord+"train.tfrecords")
writer2 = tf.python_io.TFRecordWriter(path_tfrecord+"test.tfrecords")
class_path1 = cwd + ‘train0‘ + ‘/‘
class_path2 = cwd + ‘train1‘ + ‘/‘
class_path3 = cwd + ‘test0‘ + ‘/‘
class_path4 = cwd + ‘test1‘ + ‘/‘
# os.listdir返回指定的文件夹包含的文件或文件夹的名字的列表,它不包括 ‘.‘ 和‘..‘
for img in os.listdir(class_path1):
# print(img)
f.writelines(img + ‘train0‘ + ‘
‘)
img_path = class_path1 + img # 每张图片的地址
# 读取img文件
img_raw = Image.open(img_path).convert(‘L‘)
img_raw = img_raw.resize((28, 28)) # 转换图片大小
img_raw_new = img_raw.tobytes() # 将图片转化为原生bytes
# tf.train.Example来定义我们要填入的数据格式,然后使用tf.python_io.TFRecordWriter来写入
example = tf.train.Example(
# 一个Example中包含Features,Features里包含Feature(这里没s)的字典。最后,Feature里包含有一个 FloatList,
# 或者ByteList,或者Int64List
features=tf.train.Features(
feature={
# example对象对label和image数据进行封装
"label": tf.train.Feature(int64_list=tf.train.Int64List(value=[0])),
"img_raw": tf.train.Feature(bytes_list=tf.train.BytesList(value=[img_raw_new]))}))
writer1.write(example.SerializeToString()) # 序列化为字符串
for img in os.listdir(class_path2):
# print(img)
f.writelines(img + ‘train1‘ + ‘
‘)
img_path = class_path2 + img
img_raw = Image.open(img_path).convert(‘L‘)
img_raw = img_raw.resize((28, 28))
img_raw_new = img_raw.tobytes()
example = tf.train.Example(
features=tf.train.Features(
feature={
"label": tf.train.Feature(int64_list=tf.train.Int64List(value=[1])),
"img_raw": tf.train.Feature(bytes_list=tf.train.BytesList(value=[img_raw_new]))}))
writer1.write(example.SerializeToString())
writer1.close()
for img in os.listdir(class_path3):
# print(img)
f.writelines(img + ‘test0‘ + ‘
‘)
img_path = class_path3 + img
img_raw = Image.open(img_path).convert(‘L‘)
img_raw = img_raw.resize((28, 28))
img_raw_new = img_raw.tobytes()
example = tf.train.Example(
features=tf.train.Features(
feature={
"label": tf.train.Feature(int64_list=tf.train.Int64List(value=[0])),
"img_raw": tf.train.Feature(bytes_list=tf.train.BytesList(value=[img_raw_new]))}))
writer2.write(example.SerializeToString())
for img in os.listdir(class_path4):
# print(img)
f.writelines(img + ‘test1‘ + ‘
‘)
img_path = class_path4 + img
img_raw = Image.open(img_path).convert(‘L‘)
img_raw = img_raw.resize((28, 28))
img_raw_new = img_raw.tobytes()
example = tf.train.Example(
features=tf.train.Features(
feature={
"label": tf.train.Feature(int64_list=tf.train.Int64List(value=[1])),
"img_raw": tf.train.Feature(bytes_list=tf.train.BytesList(value=[img_raw_new]))}))
writer2.write(example.SerializeToString())
writer2.close()
#f.close()
print("结束")
定义解析TFRecord函数
# 生成了TFRecords文件,接下来就可以使用队列(queue)读取数据了
def read_and_decode11(filename):
filename_queue = tf.train.string_input_producer([filename]) # 根据文件名生成一个队列
reader = tf.TFRecordReader() # 定义一个 reader ,读取下一个 record
_, serialized_example = reader.read(filename_queue)
# 解析读入的一个record
features = tf.parse_single_example(
serialized_example,
features={"label": tf.FixedLenFeature([], tf.int64), "img_raw": tf.FixedLenFeature([], tf.string)})
img = tf.decode_raw(features["img_raw"], np.int8) # 将字符串解析成图像对应的像素组
img = tf.reshape(img, [28 * 28 * 1])
# img = tf.reshape(img,[28,28,1])
img = tf.cast(img, tf.float32) * (1. / 255)
label = tf.cast(features["label"], tf.int32)
return img, label
调用上述函数即可在代码中使用解析好的数据
for i in range(1,11:
path_tfrecord = ‘Original_tfrecord/‘+str(i)+‘/‘
img_train, label_train = read_and_decode11(path_tfrecord+"train.tfrecords")
img_test, label_test = read_and_decode11(path_tfrecord+"test.tfrecords")
label_train = tf.one_hot(indices=tf.cast(label1, tf.int32), depth=2) # 将一个值化为一个概率分布的向量
label_test = tf.one_hot(indices=tf.cast(label2, tf.int32), depth=2)
# 随机打乱生成batch
img_batch_train, label_batch_train = tf.train.shuffle_batch([img_train, label_train], batch_size=64, capacity=1000, min_after_dequeue=500)
img_batch_test, label_batch_test = tf.train.shuffle_batch([img_test, label_test], batch_size=13, capacity=13, min_after_dequeue=0)
三、未完待续
以上是关于将图片数据转化为TFRecord格式与读取的主要内容,如果未能解决你的问题,请参考以下文章