深度学习（tensorflow） —— 自己数据集读取opencv

https://www.cnblogs.com/WSX1994/p/10954925.html （使用tfrecords创建自己数据集）
本节主要是采用矩阵读取方式

先来看一下我们的目录：

dataset1 和creat_dataset.py  属于同一目录       mergeImg1 和mergeImg2 为Dataset1的两子目录（两类为例子）目录中存储图像等文件

核心文件
creat_dataset.py 文件如下
#来生成训练集和测试集的矩阵
import cv2 as cv
import numpy as np
import os
 
dataset_path = ["mergeImg1","mergeImg2"]    #这里为了增加限制，只读取以下俩个（防止有其他文件夹 干扰）
#有效的path
def gain_data(path):
    train_data = [];train_label = []
    test_data = [];test_label = []
    category = 0
    for i in os.listdir(path):                   #dataset 目录下的两类
        if i in dataset_path:                    #读取指定的文件夹  因为会存在其他文件夹
            filepath = os.path.join(path,i)          #目录下/子目录
            if os.path.isdir(filepath):
                for file in os.listdir(filepath):    #目录下的文件
                    filename = os.path.join(filepath,file)
                    img = cv.imread(filename)        #打开文件
                    img = cv.resize(img,(160,160))  #将图片进行大小设置
                    train_data.append(img)
                    train_label.append(category)     #存储对应标签
                category = category + 1              #存储类别变更 （0 ， 1）
    data = np.array(train_data)
    label = train_label
    cv.destroyAllWindows()
    return data,label
 
#标签转化函数 (0,0,1,1) --> ([1,0],[1,0],[0,1],[0,1])
def label_cov(train_label):
    result = []
    calss_num = len(set(train_label))
    label = [0] * calss_num
    for i in train_label:
        label[i-1] = 1
        result.append(label)
        label = [0] * calss_num
    result = np.array(result)
    return result
 
#将数据x  和标签y 进行随机排列（打乱） 注x和y 应该为矩阵类型
def shuffle_data(x , y):
    num_example = x.shape[0]
    arr = np.arange(num_example)
    np.random.shuffle(arr)
    data_train = x[arr]
    label_train = y[arr]
    return data_train,label_train
 
def gain_data1(path):  #对于数据集1 进行获取
    train_data,train_label = gain_data(os.path.join(path,"Dataset1"))
    lab = label_cov(train_label)                    #标签转换
    lab = np.array(lab)
    train_data, lab = shuffle_data(train_data, lab)  #随机打乱
    return train_data,lab
 
def gain_data2(path):   #对于数据集2 获取
    train_data,train_label = gain_data(os.path.join(path,"Dataset2"))
    lab = label_cov(train_label)                    #标签转换 keras中不需要 tf需要
    lab = np.array(lab)
    train_data, lab = shuffle_data(train_data, lab)   #随机打乱
    return train_data,lab
 
a,b= gain_data1("目录")   #a,b返回的就是我们需要的数据 可以直接传入神经网络中

如果大家有什么不明白的可以与我交流。 读取数据所使用的函数都十分简单。