1、根据使用目的分类:图像分类任务和目标检测任务;
2、使用工具:mxnet的im2rec.py;如果搭建mxnet环境可以在你安装的python路径下面找,找到mxnet文件夹,然后找到tools文件夹下找到im2rec.py (我自己的:“miniconda3\envs\gluon\Lib\site-packages\mxnet\tools”)。
3、创建文件夹:
首先需要在任意目录底下创建如下文件目录,im2rec为mxnet自带的源码,mxrec是空文件夹,用于存放打包之后的文件,images文件夹底下又有2个文件夹,dog与cat分别存放相应的图片,如果是10类那就要建立10个文件夹。
# .
# └── data
# ├── mxrec
# ├── im2rec.py
# └── images
# ├── dog
# └── cat
4、使用im2rec.py进行打包。
首先进入到上一步创建的文件夹,然后在文件夹地址栏输入cmd,进入命令窗口界面,然后输入(如果出现报错提示,缺少什么组件就安装什么组件。)
conda activate gluon
python im2rec.py --list --recursive --train-ratio 0.8 mxrec/animal images
--list 说明要产生lst文件
–recursive 遍历所有子文件夹,并会给每一个子文件夹一个编号
--train_ratio 确定训练集和测试集的比例
mxrec/animal 指的是文件命名前缀,存下来的文件会在mxrec文件夹,以animal为开头
images指的是我们要遍历的文件夹名字。
执行完这一步,我们就产生了文件列表。
#hot_dog_classification_train.lst
#hot_dog_classification_val.lst
5、根据lst,打包生成rec与idx文件。
#使用如下命令
python im2rec.py mxrec/animal images --resize 512
--resize 512 是指将图片缩放至 512*512的大小
注意:你的路径不能用中文,中文这步通过不了。