图像识别数据集处理(一)

图像识别数据集处理(一)

单通道转三通道

import cv2
import os
def rddc(directory_name):
    for filename in os.listdir(directory_name):
        img = cv2.imread(directory_name + "/" + filename)
        cv2.waitKey(0)
        cv2.imwrite("C:/Users/Administrator/Desktop/4" + "/" + filename, img)
rddc("C:/Users/Administrator/Desktop/D")

缩放到合适大小

import PIL.Image as Image
import os
import sys
import numpy as np
import matplotlib.pyplot as plt

//图片存放地址
folder = r'C:/Users/Administrator/Desktop/1'
//图片保存地址
outfile = r'C:/Users/Administrator/Desktop/a'
path = os.listdir(folder)
for parent, dirnames, filenames in os.walk(folder):
    for filename in filenames:
        each_bmp = os.path.join(parent, filename)
        img = Image.open(each_bmp)
        out = img.resize((224, 224), Image.ANTIALIAS)
        newname = outfile + '\\' + filename[:-4] + "0.jpg"
        out.save(newname)
  • 0
    点赞
  • 3
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
卷积神经网络(Convolutional Neural Networks, CNN)是一种深度学习模型,特别适用于图像和视频等数据处理,因为它能够有效地捕捉输入中的空间特征。在图像识别任务中,CNN通过一系列的卷积层、池化层和全连接层来学习和提取图像中的特征,并用这些特征进行分类。 关于图像识别数据集,这里有几个常知名且常用于训练和测试CNN的: 1. **MNIST**:这是一个手写数字识别的数据集常适合初学者入门。包含60,000张训练图片和10,000张测试图片,每个图片都是28x28像素的灰度图像。 2. **CIFAR-10/100**:这两个数据集包含彩色图像,CIFAR-10有10个类别(如飞机、汽车等),每类10,000张32x32像素图片,CIFAR-100则有100个类别。 3. **ImageNet**:这是大规模的视觉识别挑战赛数据集,包含超过1400万张标注图片,共1000个类别,常用于评估模型的性能和预训练模型的迁移学习。 4. **PASCAL VOC**:主要用于物体识别和分割任务,包含多个子集,如VOC 2007和VOC 2012,具有标注的实例和类别信息。 5. **ILSVRC(ImageNet Large Scale Visual Recognition Challenge)**:ImageNet竞赛的主要数据集,与ImageNet数据集类似,但规模更大,包含更多种类的物体。 使用这些数据集时,通常会先对数据进行预处理,包括归一化、裁剪、增强等,然后将数据分为训练集、验证集和测试集,用于训练模型、调整参数和最终评估模型性能。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值