在学习卷积神经网络的时候,遇到了cifar10图像数据集,用着挺好,但不想局限于固定的几种图像的识别,所以就有了自己制作数据集来识别的想法。
一、cifar10数据集。
据原网站介绍,数据集为二进制。将cifar10解压后,得到data_batch_1等数据集,打开看一下:
import pickle
f = open('./data_batch_1','rb') #以二进制读模式打开
d = pickle.load(f)
print(d)
可知数据集为dict型,主要有’data’和’labels’等四种键值。
二、爬取图片
首先要感谢被爬网站的开放性和包容心,潭州教育坚持对爬虫技术的无私分享以及博主Jimmy。
import requests
import urllib.parse
import threading
# 设置最大线程锁(与电脑配置和带宽有关)
thread_lock = threading.BoundedSemaphore(value=10)
def get_page(url):
page = requests.get(url)
page = page.content
page = page.decode('utf-8')
# 将 bytes 转换成 字符串
return page
def pages_from_duitang(label):
pages = []
#找到图片链接规律
url = 'https://www.duitang.com/napi/blog/list/by_search/?
kw={}&start={}&limit=1000'
#将中文转成url编码
label = urllib.parse.quote(label)
for index in range(0,3600,100):
u = url.format(label, index)
print(u)
page = get_page(u)
pages.append(page)
return pages
def findall_in_page(page,startpart,endpart):
all_strings = []
end = 0
while page.find(startpart,end) != -1:
start = page.find(startpart, end) + len(startpart)
end = page.find(endpart,start)
string = page[start:end]
all_strings.append(string)
return all_strings
def pic_urls_from_pages(pages):
pic_urls = []
for page in pages:
urls = findall_in_page(page, 'path":"', '"')
pic_urls.extend(urls)
return pic_urls
def download_pics(url,n):
r = requests.get(url)
path = 'pics/fish/' + str(n) + '.jpg'
with open(path, 'wb') as f:
f.write(r.content)
#下载结束,解锁
thread_lock.release()
def main(label):
pages = pages_from_duitang(label)
pic_urls = pic_urls_from_pages(pages)
n = 0
for url in pic_urls:
n += 1
print('正在下载第 {} 张图片'.format(n))
#上锁
thread_lock.acquire()
t = threading.Thread(target=download_pics, args = (url, n))
t.start()
main('鱼')
三、制作数据集
from PIL import Image
import numpy as np
import pickle,glob,os
arr = [[]]
#number of pictures
n = 1
for infile in glob.glob('D:/py/pics/trees/*.jpg'):
file,ext = os.path.splitext(infile)#分离文件名和扩展名
Img = Image.open(infile)
print(Img.mode,file)#图片尺寸和文件名(用于调试过程中定位错误)
if Img.mode != 'RGB':#将所有非'RGB'通道图片转化为RGB
Img = Img.convert('RGB')
width = Img.size[0]
height = Img.size[1]
print('{} imagesize is:{} X {}'.format(n,width,height))
n += 1
Img = Img.resize([32,32],Image.ANTIALIAS)
#抗锯齿的过滤属性,这些都是为了保证剪切图片的时候,最大降低失真度,这样出
#的图片体积就稍微大些了。
r,g,b = Img.split()
r_array = np.array(r).reshape([1024])
g_array = np.array(g).reshape([1024])
b_array = np.array(b).reshape([1024])
merge_array = np.concatenate((r_array,g_array,b_array))
if arr == [[]]:
arr = [merge_array]
continue
#拼接
arr = np.concatenate((arr,[merge_array]),axis=0)
#打乱顺序
arr = np.random.shuffle(arr)
#生成标签
labelset = np.zeros((arr.shape[0],))
labelset = np.reshape(labelset,[arr.shape[0],])
#字典分割出训练集和测试集
train_dic = {'data':arr[:2000],'labels':labelset[:2000]}
test_dic = {'data':arr[2000:],'labels':labelset[2000:]}
f = open('./data_batch_8','wb')#二进制写模式打开,如果不存在,直接生成
pickle.dump(train_dic,f,protocol=2)
#序列化操作
#由于阿里云平台用的是Python2.7版本,我的是3.6,所以要进行退档操作protocol=2
g = open('./test_batch_1','wb')
pickle.dump(test_dic,g,protocol=2)
四、训练和测试
由于本机硬件水平较低,采用阿里云平台进行测试,根据自己的数据集规模,调整平台提供的代码。经测试,精度达到76%。对于这个结果还是相当满意的,因为数据集中干扰太多,没有进行筛选。
五、问题
在制作数据集过程中,遇到两个问题:
1、r,g,b = img.split():(已解决)
valueError:too many values to unpack(expected 3)
unpack的个数对不上,比如:a,b = tuple(1,2,3) 就会报出这个错误
通过Img.mode发现有的图片是“1”、“L”、“P”和“RGBA”模式,需要convert。
2、r,g,b = img.split():(待解决)
暂时理解为系统兼容性问题