Tensorflow 读取带有标签的图像

Question

我正在使用 Tensorflow 构建标准图像分类模型。为此，我有输入图像，每个图像都分配有一个标签（{0,1} 中的数字）。因此可以使用以下格式将数据存储在列表中：

/path/to/image_0 label_0
/path/to/image_1 label_1
/path/to/image_2 label_2
...

我想使用 TensorFlow 的排队系统来读取我的数据并将其提供给我的模型。忽略标签，可以使用 string_input_producer 和 wholeFileReader 轻松实现这一点。这里的代码：

def read_my_file_format(filename_queue):
  reader = tf.WholeFileReader()
  key, value = reader.read(filename_queue)
  example = tf.image.decode_png(value)
  return example

#removing label, obtaining list containing /path/to/image_x
image_list = [line[:-2] for line in image_label_list]

input_queue = tf.train.string_input_producer(image_list)                                                     
input_images = read_my_file_format(input_queue)

但是，由于图像数据作为输入管道的一部分被有意打乱，因此标签会在该过程中丢失。通过输入队列将标签与图像数据一起推送的最简单方法是什么？

Answer 1

解决这个问题主要有三个步骤：

使用包含原始 space 分隔字符串（包含文件名和标签）的字符串列表填充 tf.train.string_input_producer()。

使用 tf.read_file(filename) 而不是 tf.WholeFileReader() 来读取您的图像文件。 tf.read_file() 是一个无状态操作，它使用单个文件名并生成包含文件内容的单个字符串。它的优点是它是一个纯函数，因此很容易将数据与输入和输出相关联。例如，您的 read_my_file_format 函数将变为：

def read_my_file_format(filename_and_label_tensor):
  """Consumes a single filename and label as a ' '-delimited string.

  Args:
    filename_and_label_tensor: A scalar string tensor.

  Returns:
    Two tensors: the decoded image, and the string label.
  """
  filename, label = tf.decode_csv(filename_and_label_tensor, [[""], [""]], " ")
  file_contents = tf.read_file(filename)
  example = tf.image.decode_png(file_contents)
  return example, label

通过从 input_queue:
传递单个出队元素来调用 read_my_file_format 的新版本
```
image, label = read_my_file_format(input_queue.dequeue())         
```

然后您可以在模型的其余部分使用 image 和 label 张量。

Answer 2

使用 slice_input_producer 提供了一种更简洁的解决方案。 Slice Input Producer 允许我们创建一个包含任意多个可分离值的输入队列。这个问题的片段看起来像这样：

def read_labeled_image_list(image_list_file):
    """Reads a .txt file containing pathes and labeles
    Args:
       image_list_file: a .txt file with one /path/to/image per line
       label: optionally, if set label will be pasted after each line
    Returns:
       List with all filenames in file image_list_file
    """
    f = open(image_list_file, 'r')
    filenames = []
    labels = []
    for line in f:
        filename, label = line[:-1].split(' ')
        filenames.append(filename)
        labels.append(int(label))
    return filenames, labels

def read_images_from_disk(input_queue):
    """Consumes a single filename and label as a ' '-delimited string.
    Args:
      filename_and_label_tensor: A scalar string tensor.
    Returns:
      Two tensors: the decoded image, and the string label.
    """
    label = input_queue[1]
    file_contents = tf.read_file(input_queue[0])
    example = tf.image.decode_png(file_contents, channels=3)
    return example, label

# Reads pfathes of images together with their labels
image_list, label_list = read_labeled_image_list(filename)

images = ops.convert_to_tensor(image_list, dtype=dtypes.string)
labels = ops.convert_to_tensor(label_list, dtype=dtypes.int32)

# Makes an input queue
input_queue = tf.train.slice_input_producer([images, labels],
                                            num_epochs=num_epochs,
                                            shuffle=True)

image, label = read_images_from_disk(input_queue)

# Optional Preprocessing or Data Augmentation
# tf.image implements most of the standard image augmentation
image = preprocess_image(image)
label = preprocess_label(label)

# Optional Image and Label Batching
image_batch, label_batch = tf.train.batch([image, label],
                                          batch_size=batch_size)

另请参阅完整输入管道的 generic_input_producer from the TensorVision 示例。

Answer 3

除了提供的答案之外，您还可以做一些其他事情：

将您的标签编码到文件名中。 如果您有 N 个不同的类别，您可以将文件重命名为：0_file001, 5_file002, N_file003。之后，当您从 reader key, value = reader.read(filename_queue) 读取数据时，您的 key/value 是：

The output of Read will be a filename (key) and the contents of that file (value)

然后解析你的文件名，提取标签并将其转换为int。这将需要对数据进行一些预处理。

使用 TFRecords 可以将数据和标签存储在同一个文件中。

Tensorflow 读取带有标签的图像

Tensorflow read images with labels

python

tensorflow