将本地图片数据集做成TFRecord文件

制作tfrecord文件时，先考虑我想保存图片的什么信息。

直接将图片输入到卷积神经网络中,需要图片的名称、维度和内容，所以制作tfrecord文件时需要将这三个内容记录下来。

第一步、读取文件夹中的图片。因为项目之后要用到opencv，所以我直接使用cv2读取文件。

def read_image(file_path, resize_h=0, resize_w=0, nomalization=False):
    """
    读取图片，默认情况下返回numpy.uint8类型的图片
    :param file_path:图片所在路径
    :param resize_h:重新调整图片的高度，默认情况下不对图片进行reshape
    :param resize_w:重新设置图片的宽度,默认情况下不对图片进行reshape
    :param nomalization:默认为False，此时不对图片归一化处理；当为True时，对图片像素值归一化处理
    :return:默认情况下返回np.unit8类型的图片，归一化时返回[resize_h, resize_w, 3]的float64类型的图片
    """
    or_image = cv2.imread(file_path)
    if resize_h > 0 and resize_w > 0:
        or_image = cv2.resize(or_image, (resize_w, resize_h))
    if nomalization:
        or_image = or_image / 255.0
    return or_image

 

第二步，对图片构造example信息。如何构造example信息在这里已经记录过了：https://blog.csdn.net/Mr_None/article/details/106384102

def create_example(img):
    """
     为每张图片创建一个example消息,并将其序列化
    :param img:需要创建example的图像
    :return:序列化后的Example对象
    """
    # np.tostring方法将np数组转化成bytes类型，方便写入tfrecord，但这个方法会丢失矩阵的维度信息，所以还需要记录图片的长宽信息
    img_content = img.tostring()
    example = tf.train.Example(features=tf.train.Features(feature={
            'img_content': bytes_feature(img_content),
            'img_height': int64_feature(img.shape[0]),
            'img_width': int64_feature(img.shape[1]),
            'img_chanel': int64_feature(img.shape[2])
        }))
    example_str = example.SerializeToString()
    return example_str

 

第三步，将每张图片的example信息写入record文件，此时需要遍历文件夹下的所有图片，这里我使用os模块，用os.listdir()读取当前文件夹下所有文件名称，返回一个列表，列表元素为每个文件的名称，类型为字符串。

def record(file_path, record_path, resize_h=0, resize_w=0, normalization=False):
    """
    将文件夹中的图片做成tfrecord文件
    :param file_path: 数据集所在的文件夹路径
    :param record_path: tfrecord文件所在路径
    :param resize_h: 需要重新设置的图片的高度,默认情况下不进行reshape
    :param resize_w: 需要重新设置的图片的宽度,默认情况下不进行reshape
    :param normalization: 归一化参数，默认为不归一化
    :return: None
    """
    img_list = os.listdir(file_path)
    tf_writer = tf.python_io.TFRecordWriter(record_path)
    for img_name in img_list:
        img_path = os.path.join(file_path, img_name)
        img = read_image(img_path, resize_h, resize_w, normalization)
        example = create_example(img)
        tf_writer.write(example)
    print('We had record your data to tfrecord file. You can see it in the file named: ' + record_path)
    tf_writer.close()

 有个额外的问题，当我使用argparse模块，将源图像文件夹的路径和生成的record文件的路径作为可选参数添加到参数列表后，成功运行

import argparse
import tensorflow as tf
import cv2
import os

# 创建一个解析器
parser = argparse.ArgumentParser(description='The source image path and record path')
# # 添加参数
parser.add_argument('--source_path', type=str, default='D:\\CHR\\data\\reconstruction materials\\video1', help='Raw data file path.')
parser.add_argument('--record_path', default='record', help='The path of tfrecord file.')
# parser.add_argument('--record_path', type=str, default='D:\\CHR\\code\\patent_spring\\ImgToRecord\\video2\\record', help='The path of tfrecord file.')
# 解析参数
args = parser.parse_args()

在命令行运行程序，更改record文件路径（也就是不适用上面代码提供的默认值），结果失败，如下：

 

但是我修改代码，将上面命令行中提供的路径修改成默认的record文件路径，可以运行成功，如下：

import argparse
# 创建一个解析器
parser = argparse.ArgumentParser(description='The source image path and record path')
# # 添加参数
parser.add_argument('--source_path', default='D:\\CHR\\data\\reconstruction materials\\video1', help='Raw data file path.')
# parser.add_argument('--record_path', default='D:\\CHR\\code\\data_build\\record', help='The path of tfrecord file.')
parser.add_argument('--record_path', default='D:\\CHR\\code\\patent_spring\\ImgToRecord\\video2\\record', help='The path of tfrecord file.')
# 解析参数
args = parser.parse_args()
....
record(args.source_path, args.record_path)

还要再学习学习argparse模块的用法