目录
前言
提示:首先,数据集的处理在整个实验中占着至关重要的位置,数据集的好与坏关乎着整个实验结果的成功与否。
提示:以下是本篇文章正文内容,下面案例可供参考
一、数据集的获取
现在在网络上有很多公开的数据集可以进行下载,我在这里提供一个阿里云的数据集网址仅供参考
数据集-阿里系唯一对外开放数据分享平台 (aliyun.com)https://tianchi.aliyun.com/dataset?spm=5176.12281949.J_3941670930.15.605a3b74WpcCBx
二、图像分类数据集的注意事项
1.删除与数据集无关的图片(包括可能存在的动图)
删除gif图像:
for fruit in tqdm(os.listdir(dataset_paths)):
for file in os.listdir(os.path.join(dataset_paths, fruit)):
file_path = os.path.join(dataset_paths, fruit, file)
img = cv2.imread(file_path)
if img is None:
print(file_path, '读取错误,删除')
os.remove(file_path)
删除非三通道(红绿蓝构成)的图像:
import numpy as np
from PIL import Image
for fruit in tqdm(os.listdir(dataset_paths)):
for file in os.listdir(os.path.join(dataset_paths, fruit)):
file_path = os.path.join(dataset_paths, fruit, file)
img = np.array(Image.open(file_path))
try:
channel = img.shape[2]
if channel != 3:
print(file_path, '非三通道,删除')
os.remove(file_path)
except:
print(file_path, '非三通道,删除')
os.remove(file_path)
其中,dataset_paths为所下载数据集的本地路径。
三、划分训练集与测试集
训练集与测试集的划分可以根据自己想要的比例进行划分。
X = StandardScaler().fit_transform(x)
Xtrain, Xtest, Ytrain, Ytest = train_test_split(X,y,test_size=0.3,random_state=420)
其中,用train_test_split就能对数据及其标签进行划分,test_size=0.3就是所划分的数据集占比为0.3.
总结
以上就是今天要讲的内容,本文仅仅简单介绍了数据集的重要性及其简单的操作,而数据集还有更多重要的操作需要我们去探索。