深度學習訓練資料打標籤過程

2021-10-01 08:47:11 字數 2170 閱讀 7848

對於生成的新增label,並儲存成pkl格式

在這裡只選擇兩張進行舉例。

import numpy as np

from pil import image

import pickle

import matplotlib.pyplot as plt

%matplotlib inline

讀取

)

# 顯示

plt.imshow(img_640)

把資料轉換成numpy.ndarray

img_640_n = np.array(img_640)

img_910_n = np.array(img_910)

type

(img_640_n)

對資料進行儲存

# 建立乙個空list,用於儲存影象資料因為是兩張說以建立2個(480, 640, 3)的矩陣。

image_data =

# 把資料存放進來
# 新增標籤,假設這兩張是兩個類別,把他們標註為型別1和2

image_data_label = np.empty(2)

image_data_label[0]

=1image_data_label[1]

=2

# 把標籤的型別轉換成int型別,為了方便出來也把data轉換成numpy.ndarray型別

把資料儲存到pkl檔案中

# 把資料合併成乙個元組進行儲存

train_data =

(image_data,image_data_label)

# 把資料寫入pkl檔案中

write_file=

open

('./input/train_data.pkl'

,'wb'

) pickle.dump(train_data,write_file)

write_file.close(

)

讀取標籤和資料

# 從pkl檔案中讀取資料和標籤

read_file=

open

('./input/train_data.pkl'

,'rb'

)(train_data,lab_data)

=pickle.load(read_file)

read_file.close(

)

# 檢視讀取出來的資料

到這裡就完成了把加標籤後儲存與讀取,為後續神經網路資料的輸入做準備,當我們需要資料的時候,把pkl檔案載入進來就可以。

深度學習框架caffe訓練過程

1.資料準備 2.生成訓練資料和測試資料的label,生成 3.生成訓練資料和測試資料對應的lmdb build tools convert imageset shuffle true backend lmdb data cigarettetrain20170413 data cigarettetr...

自行準備深度學習訓練資料

深度學習的模型訓練中,資料的收集十分重要,取得足夠的資料集對於最終模型的表現有十分重要的意義。但是開源的資料集都指定了特定的目標進行標註,如行人,車輛。當要訓練自己所需要的特定檢測模型,卻又沒有開源資料集的時候,就需要自己去收集和標註影象資料用於訓練了。先輸入下面兩行指令,按序號為所有檔案命名,而且...

的訓練過程 高階 深度學習訓練過程視覺化

給機器學習演算法與python學習加星標,提公升ai技能 編輯丨極市平台 機器學習實驗室 datawhale 深度學習訓練過程一直處於黑匣子狀態,有很多同學問我具體怎麼解釋?其實很多還是無法可解釋,但是通過視覺化,具體可以知道深度學習在訓練過程到底學習了哪些特徵?到底對該目標的哪些特徵感興趣?這些我...