制作图片数据集-CSDN博客

在学习卷积神经网络的时候，遇到了cifar10图像数据集，用着挺好，但不想局限于固定的几种图像的识别，所以就有了自己制作数据集来识别的想法。

一、cifar10数据集。
据原网站介绍，数据集为二进制。将cifar10解压后，得到data_batch_1等数据集，打开看一下：
import pickle
f = open('./data_batch_1','rb') #以二进制读模式打开
d = pickle.load(f)
print(d)
可知数据集为dict型，主要有’data’和’labels’等四种键值。

二、爬取图片
首先要感谢被爬网站的开放性和包容心，潭州教育坚持对爬虫技术的无私分享以及博主Jimmy。

import requests
import urllib.parse
import threading

设置最大线程锁（与电脑配置和带宽有关）

thread_lock = threading.BoundedSemaphore(value=10)

def get_page(url):

page = requests.get(url)
page = page.content
page = page.decode('utf-8')
# 将 bytes 转换成 字符串
return page

def pages_from_duitang(label):

pages = []
#找到图片链接规律

url = 'https://www.duitang.com/napi/blog/list/by_search/?
kw={}&start={}&limit=1000'

#将中文转成url编码
label = urllib.parse.quote(label)
for index in range(0,3600,100):
    u = url.format(label, index)
    print(u)
    page = get_page(u)
    pages.append(page)
return pages

def findall_in_page(page,startpart,endpart):

all_strings = []
end = 0
while page.find(startpart,end) != -1:
     start = page.find(startpart, end) + len(startpart)
     end = page.find(endpart,start)
     string = page[start:end]
     all_strings.append(string)
return all_strings

def pic_urls_from_pages(pages):

pic_urls = []
for page in pages:
    urls = findall_in_page(page, 'path":"', '"')
    pic_urls.extend(urls)
return pic_urls

def download_pics(url,n):

r = requests.get(url)
path = 'pics/fish/' + str(n) + '.jpg'
with open(path, 'wb') as f:
    f.write(r.content)
#下载结束，解锁
thread_lock.release()

def main(label):

pages = pages_from_duitang(label)
pic_urls = pic_urls_from_pages(pages)
n = 0
for url in pic_urls:
    n += 1
    print('正在下载第 {} 张图片'.format(n))
    #上锁
    thread_lock.acquire()
    t = threading.Thread(target=download_pics, args = (url, n))
    t.start()

main('鱼')

三、制作数据集

from PIL import Image

import numpy as np
import pickle,glob,os

arr = [[]]

number of pictures

n = 1
for infile in glob.glob('D:/py/pics/trees/*.jpg'):

    file,ext = os.path.splitext(infile)#分离文件名和扩展名
    Img = Image.open(infile)
    print(Img.mode,file)#图片尺寸和文件名（用于调试过程中定位错误）

if Img.mode != 'RGB':#将所有非'RGB'通道图片转化为RGB

    Img = Img.convert('RGB')
width = Img.size[0]
height = Img.size[1]

print('{} imagesize is:{} X {}'.format(n,width,height))
n += 1

Img = Img.resize([32,32],Image.ANTIALIAS)

抗锯齿的过滤属性，这些都是为了保证剪切图片的时候，最大降低失真度，这样出

的图片体积就稍微大些了。

r,g,b = Img.split()
r_array = np.array(r).reshape([1024])
g_array = np.array(g).reshape([1024])
b_array = np.array(b).reshape([1024])
merge_array = np.concatenate((r_array,g_array,b_array))
if arr == [[]]:
    arr = [merge_array]
    continue
#拼接

arr = np.concatenate((arr,[merge_array]),axis=0)

#打乱顺序

arr = np.random.shuffle(arr)

生成标签

labelset = np.zeros((arr.shape[0],))
labelset = np.reshape(labelset,[arr.shape[0],])

字典分割出训练集和测试集

train_dic = {'data':arr[:2000],'labels':labelset[:2000]}
test_dic = {'data':arr[2000:],'labels':labelset[2000:]}

f = open('./data_batch_8','wb')#二进制写模式打开，如果不存在，直接生成
pickle.dump(train_dic,f,protocol=2)

序列化操作

由于阿里云平台用的是Python2.7版本，我的是3.6，所以要进行退档操作protocol=2

g = open('./test_batch_1','wb')
pickle.dump(test_dic,g,protocol=2)

四、训练和测试
由于本机硬件水平较低，采用阿里云平台进行测试，根据自己的数据集规模，调整平台提供的代**码。经测试，精度达到76%。对于这个结果还是相当满意的，因为数据集中干扰> > 太多，没有进行筛选。

五、问题
在制作数据集过程中，遇到两个问题：
1、r,g,b = img.split()：（已解决）
valueError:too many values to unpack（expected 3）
unpack的个数对不上，比如:a,b = tuple(1,2,3) 就会报出这个错误
通过Img.mode发现有的图片是“1”、“L”、“P”和“RGBA”模式，需要convert。
2、r,g,b = img.split()：（待解决）
OSError：cannot identify image file：路径+格式
暂时理解为系统兼容性问题