TensorFlow2.0制作自己的数据集。

第一步：

准备好需要训练的图片，这个自行准备，并将图片分类好，并且给每一类图片所在的文件夹命名。如图，我这里共分5类，分别为00000，00001，00002，00003，00004。

第二步

获取图片和标签并存放到对应列表中。
1.导入需要的包

import tensorflow as tf
import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'
import numpy as np
import cv2 as cv
import random
import csv
import time

#训练图片的路径
train_dir = 'D:\\pic\\train'
test_dir = 'D:\\pic\\test'
AUTOTUNE = tf.data.experimental.AUTOTUNE

2.获取图片，存放到对应的列表中，同时贴上标签，存放到label列表中

#获取图片，存放到对应的列表中，同时贴上标签，存放到label列表中
def get_files(file_dir):
	# 存放图片类别和标签的列表：第0类
	list_0 = []
	label_0 = []
	# 存放图片类别和标签的列表：第1类
	list_1 = []
	label_1 = []
	# 存放图片类别和标签的列表：第2类
	list_2 = []
	label_2 = []
	# 存放图片类别和标签的列表：第3类
	list_3 = []
	label_3 = []
	# 存放图片类别和标签的列表：第4类
	list_4 = []
	label_4 = []


	for file in os.listdir(file_dir):
		# print(file)
		#拼接出图片文件路径
		image_file_path = os.path.join(file_dir,file)
		for image_name in os.listdir(image_file_path):
			# print('image_name',image_name)
			#图片的完整路径
			image_name_path = os.path.join(image_file_path,image_name)
			# print('image_name_path',image_name_path)
			#将图片存放入对应的列表
			if image_file_path[-1:] == '0':
				list_0.append(image_name_path)
				label_0.append(0)
			elif image_file_path[-1:] == '1': 
				list_1.append(image_name_path)
				label_1.append(1)
			elif image_file_path[-1:] == '2':
				list_2.append(image_name_path)
				label_2.append(2)
			elif image_file_path[-1:] == '3':
				list_3.append(image_name_path)
				label_3.append(3)
			else:
				list_4.append(image_name_path)
				label_4.append(4)

	# 合并数据
	image_list = np.hstack((list_0, list_1, list_2, list_3, list_4))
	label_list = np.hstack((label_0, label_1, label_2, label_3, label_4))
	#利用shuffle打乱数据
	temp = np.array([image_list, label_list])
	temp = temp.transpose()  # 转置
	np.random.shuffle(temp)
	
	#将所有的image和label转换成list
	image_list = list(temp[:, 0])
	image_list = [i for i in image_list]
	label_list = list(temp[:, 1])
	label_list = [int(float(i)) for i in label_list]
	# print(image_list)
	# print(label_list)
	return image_list, label_list

此时如果输出 image_list 和 label_list，会看到两个列表分别存放图片路径和对应的标签。

第三步

3.将图片转成tensor对象

def get_tensor(image_list, label_list):
	ims = []
	for image in image_list:
		#读取路径下的图片
		x = tf.io.read_file(image)
		#将路径映射为照片,3通道
		x = tf.image.decode_jpeg(x, channels=3)
		#修改图像大小
		x = tf.image.resize(x,[32,32])
		#将图像压入列表中
		ims.append(x)
	#将列表转换成tensor类型
	img = tf.convert_to_tensor(ims)
	y = tf.convert_to_tensor(label_list)
	return img,y

第四步

4.图像预处理（需要怎样的预处理根据需求自定）

def preprocess(x,y):
	#归一化
	x = tf.cast(x,dtype=tf.float32) / 255.0
	y = tf.cast(y, dtype=tf.int32)
	return x,y

第五步

5.将图像与标签写入CSV文件，格式为： 【图像，标签】

if __name__ == "__main__":
	#训练图片与标签
	image_list, label_list = get_files(train_dir)
	#测试图片与标签
	test_image_list,test_label_list = get_files(test_dir)
	# for i in range(len(image_list)):
		# print('图片路径 [{}] : 类型 [{}]'.format(image_list[i], label_list[i]))
	x_train, y_train = get_tensor(image_list, label_list)
	x_test, y_test = get_tensor(test_image_list,test_label_list)
	# print('image_list:{}, label_list{}'.format(image_list, label_list))
	print('--------------------------------------------------------')
	# print('x_train:', x_train.shape, 'y_train:', y_train.shape)
	#生成图片，对应标签的CSV文件（只用保存一次就可以了）
	#with open('./image_label.csv',mode='w', newline='') as f:
	#	Write = csv.writer(f)
	#	for i in range(len(image_list)):
	#		Write.writerow([image_list[i],str(label_list[i])])
	#f.close()
	#载入训练数据集
	db_train = tf.data.Dataset.from_tensor_slices((x_train, y_train))
	# # shuffle:打乱数据,map:数据预处理，batch:一次取喂入10样本训练
	db_train = db_train.shuffle(1000).map(preprocess).batch(10)

	#载入训练数据集
	db_test = tf.data.Dataset.from_tensor_slices((x_test, y_test))
	# # shuffle:打乱数据,map:数据预处理，batch:一次取喂入10样本训练
	db_test = db_test.shuffle(1000).map(preprocess).batch(10)
	#生成一个迭代器输出查看其形状
	sample_train = next(iter(db_train))
	sample_test = next(iter(db_test))
	print(sample_train)
	print(sample_test)
	print('sample_train:', sample_train[0].shape, sample_train[1].shape)
	print('sample_test:', sample_test[0].shape, sample_test[1].shape)

另：CSV结果如图：

OK啦~以后获取训练集的时候只需要你读入CSV文档就可以了。