Deep learning 如何使用Keras ImageDataGenerator进行图像转换输入
我试图训练一个模型,将一幅图像转换成另一幅图像(因此,这不是一个图像分类问题)。它是自动着色,即将灰度图像转换为彩色 我已经建立了顺序DL模型 我想提供(image_x,image_y)和非(image_x,label)作为model.fit()方法的输入 我如何使用ImageDataGenerator来实现这一点 如果ImageDataGenerator不是合适的方法,您能让我参考合适的Keras方法来完成这项工作吗 我有目录中的图像Deep learning 如何使用Keras ImageDataGenerator进行图像转换输入,deep-learning,keras,Deep Learning,Keras,我试图训练一个模型,将一幅图像转换成另一幅图像(因此,这不是一个图像分类问题)。它是自动着色,即将灰度图像转换为彩色 我已经建立了顺序DL模型 我想提供(image_x,image_y)和非(image_x,label)作为model.fit()方法的输入 我如何使用ImageDataGenerator来实现这一点 如果ImageDataGenerator不是合适的方法,您能让我参考合适的Keras方法来完成这项工作吗 我有目录中的图像 train/grayscale/ train/color
train/grayscale/
train/color/
validation/grayscale
validation/color
test/grayscale
test/color
提前感谢。您的问题就像一个图像分割任务。中有一个将图像和遮罩(在您的示例中为彩色图像)与ImageDataGenerator一起转换的示例 以下是一个例子:
#我们创建两个具有相同参数的实例
数据根参数=dict(特征中心=True,
featurewise_std_normalization=True,
旋转范围=90。,
宽度\偏移\范围=0.1,
高度位移范围=0.1,
缩放(范围=0.2)
image\u datagen=ImageDataGenerator(**data\u gen\u args)
mask_datagen=ImageDataGenerator(**数据_gen_args)
#为fit和flow方法提供相同的种子和关键字参数
种子=1
image_datagen.fit(图像,augment=True,seed=seed)
mask_datagen.fit(mask,augment=True,seed=seed)
image\u generator=来自\u目录的image\u datagen.flow\u(
“数据/图像”,
class_模式=无,
种子=种子)
mask\u generator=来自\u目录的mask\u datagen.flow\u(
“数据/掩码”,
class_模式=无,
种子=种子)
#将生成器组合成一个生成图像和遮罩的生成器
序列生成器=zip(图像生成器、掩码生成器)
1.2型拟合发生器(
列车发电机,
每个历元的步数=2000,
时代=50)
请注意,在class_mode=None的情况下,数据仍然需要
驻留在目录的子目录中,以使其正常工作
例如,当您将train/grayscale
和train/color
传递给两个flow\u from\u directory
函数时,列车图像的目录应如下所示:
train/grayscale/images
train/color/images