之前训练网络的data augmentation这一步我都是用matlab做的,每个patch以tiff的形式存为一张一张小图,每次训练的时候再依次去读取。昨天偶然在知乎上看到一个回答说tif的读取速度很慢,于是决定测试一下各种文件格式的读取速度。
我自己经常用的数据存储格式是.tif、.npy和.mat,所以主要测试这三种格式,测试从占用硬盘空间和读取速度两个维度来考虑。
占用硬盘空间方面,.npy和.tif都是无压缩格式,而MATLAB种保存的.mat文件是经过压缩的,体积约为无压缩状态下的1/2。
读取速度方面,我的3D数据的patch size 是64×64×165,测试时对每种格式的patch读取100次(即共读取16500张64×64的图片),比较所消耗时间如下:
read tiff time per slice: 0:00:43.222373
read tiff time as stack: 0:00:01.589284
read mat time: 0:00:01.220547
read npy time: 0:00:00.115923
可见,逐张读取.tif是最慢的,若把.tif存为1个stack,直接读取多channel的数据可以显著加快读取速度。.mat文件可能是因为还需要解压缩,所以读取速度不如.npy,但是.npy因为没有压缩,所以所占空间比.mat大一倍左右。而.mat和.npy还有一个缺点是无法直接用fiji进行可视化,需要在python里或matlab里查看,不是很方便,而在这一点上多channel的.tif可以直接可视化,会方便不少。
如果训练的batch size为2,那么100个iterations需要读取100×2×2=400次数据,其实网络反向传播和梯度下降所需的时间已经远大于5s这个量级,所以除逐张读取tiff这一方案之外,其余方案都差不多,综合可视化的因素,后续可以用多channel的.tif格式存储数据。