python 将Mnist数据集转为jpg，并按比例/标签拆分为多个子数据集

现有条件：Mnist数据集，下载地址：跳转 下载后的四个.gz文件解压后放到同一个文件夹下，如：/raw

Step 1：将Mnist数据集转为jpg图片(代码来自这篇博客)

 1 import os
 2 from skimage import io
 3 import torchvision.datasets.mnist as mnist
 4
 5 root='./raw'
 6 train_set = (
 7     mnist.read_image_file(os.path.join(root, 'train-images.idx3-ubyte')),
 8     mnist.read_label_file(os.path.join(root, 'train-labels.idx1-ubyte'))
 9         )
10 test_set = (
11     mnist.read_image_file(os.path.join(root, 't10k-images.idx3-ubyte')),
12     mnist.read_label_file(os.path.join(root, 't10k-labels.idx1-ubyte'))
13         )
14 # print("training set :",train_set[0].size())
15 # print("test set :",test_set[0].size())
16
17 def convert_to_img(train=True):
18     if(train):
19         f=open(root+'train.txt','w')
20         data_path=root+'/train/'
21         if(not os.path.exists(data_path)):
22             os.makedirs(data_path)
23         for i, (img,label) in enumerate(zip(train_set[0],train_set[1])):
24             img_path=data_path+str(i)+'.jpg'
25             # io.imsave(img_path,img.numpy())
26             f.write(img_path+' '+str(label)+'\n')
27         f.close()
28     else:
29         f = open(root + 'test.txt', 'w')
30         data_path = root + '/test/'
31         if (not os.path.exists(data_path)):
32             os.makedirs(data_path)
33         for i, (img,label) in enumerate(zip(test_set[0],test_set[1])):
34             img_path = data_path+ str(i) + '.jpg'
35             # io.imsave(img_path, img.numpy())
36             f.write(img_path + ' ' + str(label) + '\n')
37         f.close()
38
39 convert_to_img(True)#转换训练集
40 convert_to_img(False)#转换测试集

此时，转换后的jpg存储格式如下：

test和train中的图片全是未按标签分类的混合jpg图片

Step 1.1: 将数据根据txt文件按label分类

在train和test文件夹下分别手动创建10个文件夹，命名从0-9，如新建一个文件夹，文件夹名字为6

代码实现过程中由于有些需要重复操作，为了便于直接使用 我下面直接按使用步骤全部贴出（可能重复代码有点多，看懂后你可以直接修改

 1 # 1.1.1 将train文件中的tensor(换为=
 2     fileName = 'rawtrain.txt'
 3     f = open(fileName,'w')
 4     lines = f.readlines()
 5
 6     for line in lines:
 7         f.write(line.replace("tensor(","="))
 8     f.close()
 9 # 1.1.2 将train文件中的）去掉，不能同时执行tensor(和）的操作，必须顺序执行
10     fileName = 'rawtrain.txt'
11     f = open(fileName,'w')
12     lines = f.readlines()
13
14     for line in lines:
15         f.write(line.replace(")", ""))
16     f.close()
17
18 # 1.1.3 将上述的文件名换为'rawtest.txt' 重复执行
19
20 # 1.1.4 按rawtrain.txt文件将图片移动至对对应标签的文件夹下
21     fileName = 'rawtrain.txt'
22     f = open(fileName,'r')
23     lines = f.readlines()
24     label = [-1]
25     f = open(fileName,'w')
26
27     for line in lines:
28         splitL = line.split('=')
29         labelnum = int(splitL[1])
30         label.append(labelnum)
31     f.close()
32     del label[0]
33     #  此时label存储图片标签
34
35     # 读取图片并移动
36     root = './raw/train'
37     i = 0
38     lens = len(os.listdir(root))
39     while(lens > 10):
40         img_path = os.path.join(root, str(i)+'.jpg')
41         img_label = label[i]
42         img_new_path = os.path.join(root, str(img_label), str(i)+'.jpg')
43         shutil.move(img_path, img_new_path)
44         i += 1
45         lens = len(os.listdir(root))
46
47
48 # 1.1.5 按rawtest.txt文件将图片移动至对对应标签的文件夹下
49     fileName = 'rawtest.txt'
50     f = open(fileName,'r')
51     lines = f.readlines()
52     label = [-1]
53     f = open(fileName,'w')
54
55     for line in lines:
56         # f.write(line.replace("tensor(","="))
57         # f.write(line.replace(")", ""))
58         splitL = line.split('=')
59         labelnum = int(splitL[1])
60         label.append(labelnum)
61     f.close()
62     del label[0]
63     #  此时label存储图片标签
64
65     # 读取图片
66     root = './raw/test'
67     i = 0
68     lens = len(os.listdir(root))
69     while(lens > 10):
70         img_path = os.path.join(root, str(i)+'.jpg')
71         img_label = label[i]
72         img_new_path = os.path.join(root, str(img_label), str(i)+'.jpg')
73         shutil.move(img_path, img_new_path)
74         i += 1
75         lens = len(os.listdir(root))

Step 2: 将raw下的jpg图片随机分为10个数据集，每个数据集中的图片数相同(包括train and test)，并且每个数据集下的图片按标签分类

分类后的结构如下图：

代码实现：

Step 2.1：新建所需要的所有文件夹

 1 root = './newDataSet/'
 2     for labelname in range(10):
 3         # domain
 4         domain_path = os.path.join(root, "domain"+str(labelname))
 5         # train / test
 6         for use2 in range(2):
 7             useName = ''
 8             if use2 == 0:
 9                 useName = 'train'
10             else:
11                 useName = 'test'
12             use_path = os.path.join(domain_path, useName)
13             # label
14             for i in range(10):
15                 label_path = os.path.join(use_path, str(i))
16                 if os.path.exists(label_path) != True:
17                     try:
18                         os.mkdir(label_path)  # 创建单层文件夹
19                     except Exception as e:
20                         os.makedirs(label_path)  # 创建多层文件夹

Step 2.2: 将raw下的数据按一定比例复制到新的文件夹下(我的代码下不同子数据集的训练数据是来自train的每个标签200张-无交叉，test每个标签50张)

 1    num = 0
 2     d_num = 0
 3     src_root = './raw/train'
 4     # src_root = './raw/test'  # 先执行train 执行结束后再注释掉train 执行test图片复制
 5     dst_root = './newDataSet/'
 6     aims = 'train'
 7     # aims = 'test'
 8     for label in os.listdir(src_root):  # 0
 9         label_path = os.path.join(src_root, label)
10         for img in os.listdir(label_path):  # 1.jpg
11             img_path = os.path.join(label_path, str(img))
12             img_new_path = os.path.join(dst_root, "domain"+str(d_num), aims, str(label), str(img))
13             shutil.copyfile(img_path, img_new_path)
14             num += 1
15             if num == 200:
16             # if num == 50:  # for test
17                 d_num += 1
18                 num = 0
19                 if d_num == 10:
20                     d_num = 0
21                     break

Step 3: 将raw下的jpg图片分为10个数据集，每个数据集中的图片数相同(包括train and test)，并且每个数据集下的图片仅包含一个标签的图片，虽然文件夹结构和第2步相同，但是，如/domain 8/train/1路径下无图片，仅/domain 8/train/8下有数字8的图片，而domain0也仅是Label为0的文件夹下有数字为0的图片

Step 3.1：新建所需的所有文件夹，代码参考Step 2.1 只是需要将root名称换一个

Step 3.2: 将raw下数据按标签和一定比例复制到新的文件夹下。

 1  num = 0
 2     # src_root = './raw/test'
 3     src_root = './raw/train'  # 对train文件操作后需要对test文件执行相同的操作
 4     dst_root = './newDatSet1/'
 5     aims = 'train'
 6     # aims = 'test'
 7     for label in os.listdir(src_root):  # 0
 8         label_path = os.path.join(src_root, label)
 9         for img in os.listdir(label_path):  # 1.jpg
10             img_path = os.path.join(label_path, str(img))
11             img_new_path = os.path.join(dst_root, "domain" + str(label), aims, str(label), str(img))
12             shutil.copyfile(img_path, img_new_path)
13             num += 1
14             if num == 2000:  # train数据为2k,测试数据为500，全部为一个Label的数据
15             # if num == 500:
16                 num = 0
17                 break

至此 两个需要的新的拆分格式的数据集创建完毕。所有代码已经测试，均正常运行。

后续：我的方法好像有点繁琐了...参考这篇tensorflow的博客好像更简单。。。

Step 2: 将raw下的jpg图片随机分为10个数据集，每个数据集中的图片数相同(包括train and test)，并且每个数据集下的图片按标签分类