Python 带有附加文本输入的ImageDataGenerator
我试图实现的体系结构如下: . “我的图像”按标签拆分为文件夹,如下所示:Python 带有附加文本输入的ImageDataGenerator,python,python-3.x,keras,deep-learning,conv-neural-network,Python,Python 3.x,Keras,Deep Learning,Conv Neural Network,我试图实现的体系结构如下: . “我的图像”按标签拆分为文件夹,如下所示: root/ ├── train/ │ ├── class1/ │ ├── class2/ │ ... │ └── validation/ ├── class1/ ├── class2/ ... 我还有一个CSV文件,其中包含图像名称、图像标签(一个图像可以有多个类标签)和其他信息: +--------+--------
root/
├── train/
│ ├── class1/
│ ├── class2/
│ ...
│
└── validation/
├── class1/
├── class2/
...
我还有一个CSV文件,其中包含图像名称、图像标签(一个图像可以有多个类标签)和其他信息:
+--------+---------------+-------+------+
| File | Labels | Info1 | Info2 |
+-------+---------------+-------+-------+
| 1.png | class1 | 0.512 | 1 |
| 2.png | class2 | 0.4 | 0 |
| 3.png | class1|class2 | 0.64 | 1 |
+-------+---------------+-------+-------+
我的网络模型有两个输入,一个用于处理图像,另一个连接到密集层之前的最后一层:
input_shape=(img_高度,img_宽度,1)
img_输入=输入(输入_形状)
向量输入=输入((2,))
res=零填充2D((3,3))(img_输入)
#处理。。。
res=展平()(res)
res=Concatenate()([res,vec_输入])
res=密集(类,激活class='softmax',name='fc'+str(类))(res)
要获取图像,我正在使用ImageDataGenerator和来自\u目录的flow\u,它只用于获取图像数据:
validation\u datagen=ImageDataGenerator(重缩放=1./255)
验证\u生成器=验证\u datagen.flow\u来自\u目录(
行政总监,
目标大小=(目标大小,目标大小),
批次大小=批次大小,
class_模式=class_模式,
颜色模式=颜色模式)
#同样,对于列车数据生成器。。。
#使用上述定义的数据生成器训练模型
历史=model.fit\u生成器(
列车发电机,
时代,
验证\数据=验证\生成器)
我现在需要使用每个图像的附加信息作为模型中的vec_输入。我已经看过如何使用来自数据帧的flow_并创建自定义生成器,但不确定如何实现这一点。如果需要的话,我可以通过将图像放在同一个文件夹中来重新构造图像,不过我想我不能使用来自目录的flow\u。有什么办法可以做到这一点吗
编辑:
如果有人需要解决方案,以下是我能想到的:
class CustomSequenceGenerator(Sequence):
def __init__(self, image_dir, csv_file_path, label_path, dim=448, batch_size=8,
n_classes=15, n_channels=1, vec_size=3, shuffle=True):
# Keras generator
self.image_dir = image_dir
self.image_file_list = os.listdir(image_dir)
self.batch_size = batch_size
self.csv_file = pd.read_csv(csv_file_path)
self.n_classes = n_classes
self.dim = dim
self.n_channels = n_channels
self.shuffle = shuffle
self.vec_size = vec_size
self.labels = get_class_labels(label_path)
self.labels_dict = dict(zip(self.labels, range(0, len(self.labels))))
self.csv_file.set_index('File', inplace=True, drop=True)
def __len__(self):
"""It is mandatory to implement it on Keras Sequence"""
return int(np.ceil(len(self.image_file_list) / float(self.batch_size)))
def __getitem__(self, index):
# Generate indexes of the batch
samples = self.image_file_list[index * self.batch_size:(index + 1) * self.batch_size]
x, y = self.__data_generation(samples, index)
return x, y
def __data_generation(self, samples, start_index):
x_batch_image = np.empty((self.batch_size, self.dim, self.dim, self.n_channels))
x_batch_vector = np.empty((self.batch_size, self.vec_size))
y_batch = np.empty((self.batch_size, self.n_classes))
self.csv_file.reindex()
for i, sample in enumerate(samples):
image_file_path = self.image_dir + "/" + sample
image = self.preprocess_image(Image.open(image_file_path), 448)
features, labels = self.preprocess_csv(self.csv_file, sample, self.labels_dict, self.n_classes)
x_batch_image[i] = image
x_batch_vector[i] = features
y_batch[i] = labels
return [x_batch_image, x_batch_vector], y_batch
我认为实现这一点的最佳方法是实现一个定制,可能继承
ImageDataGenerator
的方法。也许您所需要的并不需要像ImageDataGenerator
那样复杂(即随机变换、图像保存、插值),在这种情况下,您不需要继承它。我认为实现这一点的最佳方法是实现自定义,可能继承ImageDataGenerator
的方法。也许您所需要的并不需要ImageDataGenerator
的所有复杂性(即随机变换、图像保存、插值),在这种情况下,您不需要继承它