本项目仅用于参考,提供思路和想法并非标准答案!请谨慎抄袭!
食物图片分类
项目描述
训练一个简单的卷积神经网络,实现食物图片的分类。
数据集介绍
本次使用的数据集为food-11数据集,共有11类
Bread, Dairy product, Dessert, Egg, Fried food, Meat, Noodles/Pasta, Rice, Seafood, Soup, and Vegetable/Fruit.
(面包,乳制品,甜点,鸡蛋,油炸食品,肉类,面条/意大利面,米饭,海鲜,汤,蔬菜/水果)
Training set: 9866张
Validation set: 3430张
Testing set: 3347张
数据格式
下载 zip 档后解压缩会有三个资料夹,分别为training、validation 以及 testing
training 以及 validation 中的照片名称格式为 [类别]_[编号].jpg,例如 3_100.jpg 即为类别 3 的照片(编号不重要)
实现方式
paddlepaddle
思路方法
-
解压数据集
-
查看数据内容:
training
、validation
和testing
文件夹
类似于work/food-11/training/0_101.jpg 文件
[类别]_[编号].jpg -
制作图片和标签文档
-
继承
paddle.io.dataset
类生成数据集 -
创建CNN网络
-
训练数据
-
测试数据
说明:
本项目素材和内容源于李宏毅老师课程,但是是使用飞桨实现的!
本项目仅仅是跑通了,对于准确率没有要求和细细琢磨,仅供参考!
# !unzip -d work data/data75768/food-11.zip # 解压缩food-11数据集
import paddle
print(f'当前Paddle版本:{paddle.__version__}')
当前Paddle版本:2.0.1
import os
import paddle
import paddle.vision.transforms as T
import numpy as np
from PIL import Image
import paddle.nn.functional as F
读取文件
data_path = '/home/aistudio/work/food-11/' # 设置初始文件地址
character_folders = os.listdir(data_path) # 查看地址下文件夹
character_folders
['testing', 'validation', 'training']
data = '10_alksn'
data[0:data.rfind('_', 1)] # 判断_位置并截取下划线前面数据
'10'
# 新建标签列表
if(os.path.exists('./training_set.txt')): # 判断有误文件
os.remove('./training_set.txt') # 删除文件
if(os.path.exists('./validation_set.txt')):
os.remove('./validation_set.txt')
if(os.path.exists('./testing_set.txt')):
os.remove('./testing_set.txt')
for character_folder in character_folders: # 循环文件夹列表
with open(f'./{character_folder}_set.txt', 'a') as f_train: # 新建文档以追加的形式写入
character_imgs = os.listdir(os.path.join(data_path,character_folder)) # 读取文件夹下面的内容
count = 0
if character_folder in 'testing': # 检查是否是训练集
for img in character_imgs: # 循环列表
f_train.write(os.path.join(data_path,character_folder,img) + '\n') # 把地址写入文档
count += 1
print(character_folder,count) # 输出文件夹及图片数量
else:
for img in character_imgs:
f_train.write(os.path.join(data_path,character_folder,img) + '\t' + img[0:img.rfind('_', 1)] + '\n') # 写入地址及标签
count += 1
print(character_folder,count)
testing 3347
validation 3430
training 9866
训练集和验证集样式:
测试集: