【halcon深度学习之那些封装好的库函数】read_dl_dataset_classification

halcon深度学习里，用到了很多封装好的函数，都很实用。如果要想更好的理解深度学习的过程。
我需要首先理解这些库函数，所以我今天开始再搞一个系列《halcon深度学习之那些封装好的库函数》

函数解析

该read_dl_dataset_classification过程的目的是生成用于深度学习分类模型的DLDataset字典。以下是该过程的简要描述和参数说明：

简短描述：
read_dl_dataset_classification用于为基于深度学习的分类模型生成一个DLDataset字典。

签名：

read_dl_dataset_classification( : : RawImageFolder, LabelSource : DLDataset)

描述：
此过程用于生成一个DLDataset字典，该字典用于深度学习分类模型。

• RawImageFolder 是包含图像的文件夹的元组。这些文件夹及其子文件夹中的所有图像都将添加到DLDataset字典中。
• 图像使用list_image_files过程列出。请注意，子文件夹和链接也会被包含。有关使用的默认目录的更多信息，请参阅该过程的文档。
• LabelSource 确定用于提取图像的地面真实标签的模式。支持三种LabelSource 模式：
  • ‘last_folder’: 使用包含图像的最后一个文件夹的名称作为标签。
  • ‘file_name’: 使用每个图像的文件名作为标签。
  • ‘file_name_remove_index’: 使用每个图像的文件名作为标签，但删除文件名末尾的所有连续数字和下划线（例如，‘01’，‘_20180101’）。如果要配置自己的LabelSource 模式，可以使用parse_filename 过程。
• 过程的输出是一个DLDataset字典，它充当数据库。字典的键包括：
  • ‘image_dir’: 所有图像的公共基本路径，由ImageDirectory中所有目录的最深层次共同父目录的路径给出。
  • ‘class_names’: 用于区分类别的字符串名称元组。
  • ‘class_ids’: 整数元组。
  • ‘samples’: 每个样本的字典元组。
    • 单个样本的字典具有以下条目：
      • ‘image_file_name’: 样本图像的相对路径。
      • ‘image_id’: 每个样本的唯一整数ID。
      • ‘image_label_id’: 分配给图像的类别ID。
• 请注意，该过程假定RawImageFolder 中的所有文件夹都包含在一个共同的父文件夹中。如果不是这种情况，将引发异常。

参数：

• RawImageFolder（输入控制）：包含带标签图像的图像文件夹的文件夹元组。
• LabelSource（输入控制）：用于提取地面真实标签的模式。默认为’last_folder’。
• DLDataset（输出控制）：生成的数据集字典。

可能用在该函数之后的函数：

• split_dl_dataset: 用于拆分DLDataset字典，生成训练、验证和测试集。

提出问题

last_folder: The name of the last folder containing the image is used as label.
怎么理解 这个last？最后？

回答

在这个上下文中，‘last_folder’ 意味着使用包含图像的路径中的最后一个文件夹的名称作为标签。在计算机文件系统中，文件路径是由多个文件夹名称组成的，这些文件夹名称之间通过路径分隔符（例如，在Windows上为反斜杠 \ 或在Unix/Linux上为正斜杠 /）分隔。

例如，考虑以下文件路径：

C:\Users\dell\Images\fruits\apple\image1.jpg

在这个路径中，‘last_folder’ 将使用 “apple” 作为图像的标签，因为 “apple” 是路径中的最后一个文件夹。在这种方式下，图像的标签是基于其所在路径的文件夹结构确定的，而不是文件名。

我的理解

read_dl_dataset_classification 这个函数的第一个参数是一个文件夹，这个文件夹我找到了，里面有四个文件夹：

第二个参数，是输入控制参数，就是决定每个类别的标签名称。
最后就会输出一个数据集。

那这个函数就很好用了，只要你把图片分类放到文件夹中，那么这个函数就能直接输出一个可以供halcon实用的数据集给你！

代码上下文

ImageBaseFolder := PathExample + '/images/food/'
RawImageFolder := ImageBaseFolder + ['apple_braeburn', 'apple_golden_delicious', 'apple_topaz', 'peach', 'pear']
read_dl_dataset_classification (RawImageFolder, 'last_folder', DLDataset)
* 
* Read the pretrained classification model.
read_dl_model ('pretrained_dl_classifier_compact.hdl', DLModelHandle)
* Set the class names for the model.
set_dl_model_param (DLModelHandle, 'class_names', DLDataset.class_names)
* 
* Preprocess the data in DLDataset.
split_dl_dataset (DLDataset, 70, 15, [])