从熊猫数据框加载Keras中的批量图像

Question

我有一个包含两列的pandas数据帧，一列有图像路径，另一列有字符串类标签。

我还编写了以下函数，这些函数从数据框加载图像，重新规范化它们并将类标签转换为单热矢量。

def prepare_data(df):
    data_X, data_y = df.values[:,0], df.values[:,1]

    # Load images
    data_X = np.array([np.array(imread(fname)) for fname in data_X])

    # Normalize input
    data_X = data_X / 255 - 0.5

    # Prepare labels
    data_y = np.array([label2int[label] for label in data_y])
    data_y = to_categorical(data_y)

    return data_X, data_y

我想将此数据帧提供给Keras CNN，但整个数据集太大而无法立即加载到内存中。

本网站的其他答案告诉我，为此我应该使用Keras ImageDataGenerator，但说实话，我不明白如何从文档中做到这一点。

将延迟加载批次中的数据提供给模型的最简单方法是什么？

如果它是ImageDataGenerator，我如何创建一个ImageDataGenerator，它接受Dataframe的初始化并通过我的函数传递批次以创建适当的numpy数组？ 我如何使用ImageDataGenerator拟合模型？

Answer 1

ImageDataGenerator是一个高级类，允许从多个源（来自np arrays ，来自目录......）生成数据，并且包括用于执行图像增强等的实用程序函数。

UPDATE

从keras-preprocessing 1.0.4开始， ImageDataGenerator附带了一个flow_from_dataframe方法 ，可以解决您的问题。 它需要定义如下的dataframe和directory参数：

dataframe: Pandas dataframe containing the filenames of the
           images in a column and classes in another or column/s
           that can be fed as raw target data.
directory: string, path to the target directory that contains all
           the images mapped in the dataframe.

所以不再需要自己实现它。

---

原答案如下

在您的情况下，使用您描述的数据框，您还可以编写自己的自定义生成器，将prepare_data函数中的逻辑用作更简约的解决方案。 最好使用Keras的Sequence对象来实现这一点，因为它允许使用多处理（这有助于避免瓶颈你的gpu，如果你使用的话）。

您可以查看Sequence对象上的文档 ，它包含一个实现示例。 最终，你的代码将是这些代码（这是样板代码，你必须添加像label2int函数或图像预处理逻辑的label2int ）：

from keras.utils import Sequence
class DataSequence(Sequence):
    """
    Keras Sequence object to train a model on larger-than-memory data.
    """
    def __init__(self, df, batch_size, mode='train'):
        self.df = df # your pandas dataframe
        self.bsz = batch_size # batch size
        self.mode = mode # shuffle when in train mode

        # Take labels and a list of image locations in memory
        self.labels = self.df['label'].values
        self.im_list = self.df['image_name'].tolist()

    def __len__(self):
        # compute number of batches to yield
        return int(math.ceil(len(self.df) / float(self.bsz)))

    def on_epoch_end(self):
        # Shuffles indexes after each epoch if in training mode
        self.indexes = range(len(self.im_list))
        if self.mode == 'train':
            self.indexes = random.sample(self.indexes, k=len(self.indexes))

    def get_batch_labels(self, idx):
        # Fetch a batch of labels
        return self.labels[idx * self.bsz: (idx + 1) * self.bsz]

    def get_batch_features(self, idx):
        # Fetch a batch of inputs
        return np.array([imread(im) for im in self.im_list[idx * self.bsz: (1 + idx) * self.bsz]])

    def __getitem__(self, idx):
        batch_x = self.get_batch_features(idx)
        batch_y = self.get_batch_labels(idx)
        return batch_x, batch_y

您可以传递此对象来训练模型，就像自定义生成器一样：

sequence = DataSequence(dataframe, batch_size)
model.fit_generator(sequence, epochs=1, use_multiprocessing=True)

如下所述，不需要实现混洗逻辑。 在fit_generator()调用中将shuffle参数设置为True就足够了。 来自文档 ：

shuffle：布尔值。 是否在每个时代开始时改组批次的顺序。 仅用于Sequence的实例（keras.utils.Sequence）。 当steps_per_epoch不是None时无效。

Answer 2

我是Keras的新手，所以请耐心等待我的建议。 我认为你应该使用flow_from_dataframe ImageDataGenerator，特别是flow_from_dataframe选项，因为你说你有一个Pandas数据帧。 Flow_from_dataframe读取数据帧的cols以获取文件名和标签。

下面是一个例子的片段。 在线查看教程。

train_datagen = ImageDataGenerator(horizontal_flip=True,
                                   vertical_flip=False,
                                   rescale=1/255.0)

train_generator = train_datagen.flow_from_dataframe(     
    dataframe=trainDataframe,  
    directory=imageDir,
    x_col="file", # name of col in data frame that contains file names
    y_col=y_col_list, # name of col with labels
    has_ext=True, 
    batch_size=batch_size,
    shuffle=True,
    save_to_dir=saveDir,
    target_size=(img_width,img_height),
    color_mode='grayscale',
    class_mode='categorical', # for classification task
    interpolation='bilinear')