Keras-SegNet使用ImageDataGenerator和fit或fit_generator
Keras-SegNet使用ImageDataGenerator和fit或fit_generator
提问于 2017-12-21 03:56:18
有关导入数据集的问题将使我发疯。
这是我的segnet代码的一部分。
我将重点讨论有关图像和掩码数据导入的问题。
print("CNN Model created.")
###training data
data_gen_args = dict()
image_datagen = ImageDataGenerator(**data_gen_args)
mask_datagen = ImageDataGenerator(**data_gen_args)
seed1 = 1
image_datagen.fit(images, augment=True, seed=seed1)
mask_datagen.fit(masks, augment=True, seed=seed1)
train_image_generator = image_datagen.flow_from_directory(TRAIN_im,target_size=(500, 500),batch_size=BATCH_SIZE, class_mode = None)
train_mask_generator = mask_datagen.flow_from_directory(TRAIN_mask,target_size=(500, 500),batch_size=BATCH_SIZE, class_mode = None)
train_generator = zip(train_image_generator,train_mask_generator)
###validation data
valid_gen_args = dict()
val_image_datagen = ImageDataGenerator(**valid_gen_args)
val_mask_datagen = ImageDataGenerator(**valid_gen_args)
seed2 = 5
val_image_datagen.fit(val_images, augment=True, seed=seed2)
val_mask_datagen.fit(val_masks, augment=True, seed=seed2)
val_image_generator = val_image_datagen.flow_from_directory(VAL_im,target_size=(500, 500),batch_size=BATCH_SIZE, class_mode = None)
val_mask_generator = val_mask_datagen.flow_from_directory(VAL_mask,target_size=(500, 500),batch_size=BATCH_SIZE, class_mode = None)
val_generator = zip(val_image_generator,val_mask_generator)
###
model.fit_generator(
train_generator,steps_per_epoch=nb_train_samples//BATCH_SIZE,epochs=EPOCHS,validation_data=val_generator,validation_steps=nb_validation_samples//BATCH_SIZE)我的问题是：
- 我将输入大小更改为500*500，因此调整了池和上样例层的大小。这能实现吗？此外，我是否可以制作经典的网络(比如AlexNet，VGG，Segnet.)接受任意输入图像大小，通过调整它们的池和上采样层的大小和过滤器的数目？
- 我想知道变量“图像”和“掩码”的数据类型是什么： Image_datagen.fit(图像，augment=True，seed=seed1) mask_datagen.fit(面具，augment=True，seed=seed1) 这部分来自Keras官方教程。(Ans:现在我知道它们都是numpy数组。)
- 根据上面的问题。我怎样才能得到它们？ 我应该在下面编写一个类似于mnist.load_data()的函数吗？ 我需要一些例子。 (x_train_image，y_train_label)，(x_test_image，y_test_label) = mnist.load_data()
- 我使用这个函数 flow_from_directory 这是否意味着不需要自己定义像"mnist.load_data()“这样的函数，并且我可以使用它直接从目录结构中获取(批处理、洗牌)数据？
这是我的目录结构：
Dataset -training----------images----"many images"
| |
| |-----mask-----"ground truth images(mask)"
|
|
validation----------val_images----"many images"
| |
| |------val_mask------"ground truth images(mask)"
|
|
testing---------------test images (no ground truth)非常感谢!
回答 1
Stack Overflow用户
回答已采纳
发布于 2017-12-21 14:04:33
我们开始吧。
- SegNet是一个FCN (完全卷积网络->它不使用密集层)，它与您指定的任何输入/输出大小一起工作。让我推荐在这些编解码结构中使用16的乘法器。为什么？因为在你的例子中，我们将从500到250到125到62，在另一边从62到124到248到496。突然你的决心就不一样了。AlexNet和VGG使用密集层。这意味着您可以更改初始输入大小，以满足您的需要，但您将无法使用来自不同分辨率的预先训练的权重。参数的数量根本不匹配。附带注意: VGG和AlexNet是分类体系结构，而SegNet是分段结构。
images和masks是具有(num_imgs, width, height, num_channels)形状的四维numpy阵列.这些变量从何而来？您必须在前面的步骤中从它们各自的图像文件中读取它们。- 您希望遍历这两个文件夹中的每一个，读取每个图像，将它们添加到列表中，一旦完成，就将此列表转换为numpy数组。确保图像和面具按照相同的方式排序，这样它们才能匹配对方。
flow_from_directory是一个函数，可以与IDG一起使用，以便为您读取图像。非常方便。但是，如果您不需要featurewise_center、featurewise_std_normalization和zca_whitening，那么我们只需要绕过它，因为在本例中，您需要已经可用的numpy数组来执行IDGfit()函数。顺便说一句，这个fit函数与启动模型培训的fit()函数无关。它只是使用相同的命名约定。
页面原文内容由Stack Overflow提供。腾讯云小微IT领域专用引擎提供翻译支持
原文链接：
https://stackoverflow.com/questions/47917729
复制相关文章
相似问题
腾讯云开发者
