Python 基于MPII人体姿势数据集的Keras分类器训练_Python_Machine Learning_Keras_Computer Vision

Python 基于MPII人体姿势数据集的Keras分类器训练

python machine-learning keras computer-vision

Python 基于MPII人体姿势数据集的Keras分类器训练,python,machine-learning,keras,computer-vision,Python,Machine Learning,Keras,Computer Vision,我正在尝试使用MPII人类姿势数据集（found）来训练Keras中的神经网络。默认情况下，数据集是MATLAB格式的，但我使用scipy.io.loadmat将其加载到Numpy数组中。但是，我无法理解它生成的对象-它似乎包含一个名为'RELEASE'的键，并将数据集的注释作为值。我的问题是，我不知道如何访问数据集并将其拆分为注释我非常感谢您对此问题的帮助。MPII data annotations.mat文件来自matlab，它是matlab中的一种结构类型，因此如果您想使用scipy.i

我正在尝试使用MPII人类姿势数据集（found）来训练Keras中的神经网络。默认情况下，数据集是MATLAB格式的，但我使用

scipy.io.loadmat

将其加载到Numpy数组中。但是，我无法理解它生成的对象-它似乎包含一个名为

'RELEASE'

的键，并将数据集的注释作为值。我的问题是，我不知道如何访问数据集并将其拆分为注释

我非常感谢您对此问题的帮助。

MPII data annotations.mat文件来自matlab，它是matlab中的一种结构类型，因此如果您想使用scipy.io.loadmat处理它，您应该添加如下参数：

matph = './mpii_human_pose_v1_u12_1.mat'
mat = sio.loadmat(matph, struct_as_record=False) # add here

object1 = release[0,0]
print(object1._fieldnames)
['annolist', 'img_train', 'version', 'single_person', 'act', 'video_list']
annolist = object1.__dict__['annolist']
print(annolist, type(annolist), annolist.shape)
(array([[<scipy.io.matlab.mio5_params.mat_struct object at 0x7fd407de1810>,
        <scipy.io.matlab.mio5_params.mat_struct object at 0x7fd407de1850>,
        <scipy.io.matlab.mio5_params.mat_struct object at 0x7fd407de1910>,
        ...,
        <scipy.io.matlab.mio5_params.mat_struct object at 0x7fd3db7f1710>,
        <scipy.io.matlab.mio5_params.mat_struct object at 0x7fd3db7f1c50>,
        <scipy.io.matlab.mio5_params.mat_struct object at 0x7fd3db794490>]],
      dtype=object), <type 'numpy.ndarray'>, (1, 24987))

让我们来打印：

{'RELEASE': array([[<scipy.io.matlab.mio5_params.mat_struct object at 0x7f7b0ba51790>]],
  dtype=object), '__version__': '1.0', '__header__': 'MATLAB 5.0 MAT-file, Platform: GLNXA64, Created on: Tue Sep 23 22:09:02 2014', '__globals__': []}

让我们打印发行版的一些属性：

print(release, type(release), release.shape)
(array([[<scipy.io.matlab.mio5_params.mat_struct object at 0x7fd407de1790>]],
      dtype=object), <type 'numpy.ndarray'>, (1, 1))

我们得到了一个包含24987个元素的数组，其中还包含scipy.io.matlab.mio5_params.mat_struct对象。然后我们可以继续研究：

anno1 = annolist[0,0]
print(anno1._fieldnames)
['image', 'annorect', 'frame_sec', 'vididx']
annorect = anno1.__dict__['annorect']
print(annorect, type(annorect), annorect.shape)
(array([[<scipy.io.matlab.mio5_params.mat_struct object at 0x7fd407de19d0>,
        <scipy.io.matlab.mio5_params.mat_struct object at 0x7fd407de1710>]],
      dtype=object), <type 'numpy.ndarray'>, (1, 2))
anno2 = annorect[0,0]
print(anno2._fieldnames)
['scale', 'objpos']
objpos = anno2.__dict__['objpos']
print(objpos, type(objpos), objpos.shape)
(array([[<scipy.io.matlab.mio5_params.mat_struct object at 0x7fd398204b90>]],
      dtype=object), <type 'numpy.ndarray'>, (1, 1))
objpos1 = objpos[0,0]
print(objpos1._fieldnames)
['x', 'y']
y = objpos1.__dict__['y']
print(y, type(y), y.shape)
(array([[210]], dtype=uint8), <type 'numpy.ndarray'>, (1, 1))

anno1=annolist[0,0]
打印（anno1.\u字段名）
['image'，'annorect'，'frame_sec'，'vididx']
annorect=anno1.\u dict
打印（注释、类型（注释）、注释、形状）
（数组（[,，
]],
数据类型=对象，（1，2））
anno2=annorect[0,0]
打印（anno2.\u字段名）
['scale'，'objpos']
objpos=anno2._dict___['objpos']
打印（objpos，类型（objpos），objpos.shape）
（数组（[]]，
数据类型=对象，（1，1））
objpos1=objpos[0,0]
打印（objpos1.\u字段名）
['x'，'y']
y=objpos1._dict__['y']
打印（y，类型（y），y形状）
（数组（[[210]]，dtype=uint8），（1，1））

MPII data annotations.mat文件来自matlab，它是matlab中的一种结构类型，因此如果要使用scipy.io.loadmat处理它，应添加如下参数：

matph = './mpii_human_pose_v1_u12_1.mat'
mat = sio.loadmat(matph, struct_as_record=False) # add here

object1 = release[0,0]
print(object1._fieldnames)
['annolist', 'img_train', 'version', 'single_person', 'act', 'video_list']
annolist = object1.__dict__['annolist']
print(annolist, type(annolist), annolist.shape)
(array([[<scipy.io.matlab.mio5_params.mat_struct object at 0x7fd407de1810>,
        <scipy.io.matlab.mio5_params.mat_struct object at 0x7fd407de1850>,
        <scipy.io.matlab.mio5_params.mat_struct object at 0x7fd407de1910>,
        ...,
        <scipy.io.matlab.mio5_params.mat_struct object at 0x7fd3db7f1710>,
        <scipy.io.matlab.mio5_params.mat_struct object at 0x7fd3db7f1c50>,
        <scipy.io.matlab.mio5_params.mat_struct object at 0x7fd3db794490>]],
      dtype=object), <type 'numpy.ndarray'>, (1, 24987))

让我们来打印：

{'RELEASE': array([[<scipy.io.matlab.mio5_params.mat_struct object at 0x7f7b0ba51790>]],
  dtype=object), '__version__': '1.0', '__header__': 'MATLAB 5.0 MAT-file, Platform: GLNXA64, Created on: Tue Sep 23 22:09:02 2014', '__globals__': []}

让我们打印发行版的一些属性：

print(release, type(release), release.shape)
(array([[<scipy.io.matlab.mio5_params.mat_struct object at 0x7fd407de1790>]],
      dtype=object), <type 'numpy.ndarray'>, (1, 1))

我们得到了一个包含24987个元素的数组，其中还包含scipy.io.matlab.mio5_params.mat_struct对象。然后我们可以继续研究：

anno1 = annolist[0,0]
print(anno1._fieldnames)
['image', 'annorect', 'frame_sec', 'vididx']
annorect = anno1.__dict__['annorect']
print(annorect, type(annorect), annorect.shape)
(array([[<scipy.io.matlab.mio5_params.mat_struct object at 0x7fd407de19d0>,
        <scipy.io.matlab.mio5_params.mat_struct object at 0x7fd407de1710>]],
      dtype=object), <type 'numpy.ndarray'>, (1, 2))
anno2 = annorect[0,0]
print(anno2._fieldnames)
['scale', 'objpos']
objpos = anno2.__dict__['objpos']
print(objpos, type(objpos), objpos.shape)
(array([[<scipy.io.matlab.mio5_params.mat_struct object at 0x7fd398204b90>]],
      dtype=object), <type 'numpy.ndarray'>, (1, 1))
objpos1 = objpos[0,0]
print(objpos1._fieldnames)
['x', 'y']
y = objpos1.__dict__['y']
print(y, type(y), y.shape)
(array([[210]], dtype=uint8), <type 'numpy.ndarray'>, (1, 1))

anno1=annolist[0,0]
打印（anno1.\u字段名）
['image'，'annorect'，'frame_sec'，'vididx']
annorect=anno1.\u dict
打印（注释、类型（注释）、注释、形状）
（数组（[,，
]],
数据类型=对象，（1，2））
anno2=annorect[0,0]
打印（anno2.\u字段名）
['scale'，'objpos']
objpos=anno2._dict___['objpos']
打印（objpos，类型（objpos），objpos.shape）
（数组（[]]，
数据类型=对象，（1，1））
objpos1=objpos[0,0]
打印（objpos1.\u字段名）
['x'，'y']
y=objpos1._dict__['y']
打印（y，类型（y），y形状）
（数组（[[210]]，dtype=uint8），（1，1））

受bobxxxl答案的启发，我编写了一个简单的函数将对象转换为dict格式，还编写了一个print\u dataset\u obj方法将其可视化。希望能有帮助


decoded1=scipy.io.loadmat（mat_path，struct_as_record=False）[“RELEASE”]
必须是列表字段=[“annolist”、“annorect”、“point”、“img\u train”、“单人”、“act”、“video\u list”]
def生成数据集obj（obj）：
如果类型（obj）=np.ndarray：
尺寸=对象形状[0]
如果dim==1：
ret=生成数据集对象（对象[0]）
其他：
ret=[]
对于范围内的i（昏暗）：
ret.append（生成数据集对象（对象[i]））
elif类型（obj）=scipy.io.matlab.mio5_参数.mat_结构：
ret={}
对于对象中的字段名称，字段名称：
field=生成数据集对象（对象.\uuuuuu dict\uuuuuu[字段名称]）
如果字段\中的名称必须\列表\字段和类型（字段）！=名单：
字段=[字段]
ret[field_name]=字段
其他：
ret=obj
回程网
def打印数据集对象（对象，深度=0，最大数组=20）：
前缀=“深度”
如果类型（obj）=dict：
对于obj.keys（）中的键：
打印（“{}{}”。格式（前缀、键））
打印数据集对象（对象[key]，深度+1）
elif类型（obj）=列表：
对于i，枚举中的值（obj）：
如果i>=最大阵列：
打破
打印（“{}{}”。格式（前缀，i））
打印数据集对象（值，深度+1）
其他：
打印（“{}{}”。格式（前缀，obj））
#转换成dict
dataset_obj=生成_dataset_obj（解码D1）
#打印出来
打印数据集对象（数据集对象）

受bobxxxl答案的启发，我编写了一个简单的函数将对象转换为dict格式，还编写了一个print\u dataset\u obj方法将其可视化。希望能有帮助


decoded1=scipy.io.loadmat（mat_path，struct_as_record=False）[“RELEASE”]
必须是列表字段=[“annolist”、“annorect”、“point”、“img\u train”、“单人”、“act”、“video\u list”]
def生成数据集obj（obj）：
如果类型（obj）=np.ndarray：
尺寸=对象形状[0]
如果dim==1：
ret=生成数据集对象（对象[0]）
其他：
ret=[]
对于范围内的i（昏暗）：
ret.append（生成数据集对象（对象[i]））
elif类型（obj）=scipy.io.matlab.mio5_参数.mat_结构：
ret={}
对于对象中的字段名称，字段名称：
field=生成数据集对象（对象.\uuuuuu dict\uuuuuu[字段名称]）
如果字段\中的名称必须\列表\字段和类型（字段）！=名单：
字段=[字段]
ret[field_name]=字段
其他：
ret=obj
回程网
def打印数据集对象（对象，深度=0，最大数组=20）：
前缀=“深度”
如果类型（obj）=dict：
对于obj.keys（）中的键：
打印（“{}{}”。格式（前缀、键））
打印数据集对象（对象[key]，深度+1）
elif类型（obj）=列表：
对于i，枚举中的值（obj）：
如果i>=最大阵列：
打破
打印（“{}{}”。格式（前缀，i））
打印数据集对象（值，深度+1）
其他：
打印（“{}{}”。格式（前缀，obj））
#转换成dict
dataset_obj=生成_dataset_obj（解码D1）
#打印出来
打印数据集对象（数据集对象）