Метка привязана к изображению

Вот грубый набросок того, как вы можете подойти к этой проблеме.

Загрузка каждого изображения

Первый шаг — это предварительная обработка каждого изображения. Для этого вы можете использовать Python Imaging Library.

Пример:

from PIL import Image

def load_image(path):
    image = Image.open(path)
    # Images can be in one of several different modes.
    # Convert to single consistent mode.
    image = image.convert("RGB")
    image = image.resize((64, 64))
    return image

Необязательный шаг: обрезка

Обрезка изображений, чтобы сосредоточиться на функции, на которую вы хотите обратить внимание сети, может повысить производительность, но требует некоторой работы для каждого обучающего примера и для каждого вывода.

Загрузка всех изображений

Я бы загружал изображения так:

import glob
import pandas as pd

image_search_path = "image_directory/*.png"

def load_all_images():
    images = []
    for path in glob.glob(image_search_path):
        image = load_image(path)
        images.append({
            'path': path,
            'img': image,
        })
    return pd.DataFrame(images)

Загрузка этикеток

Я бы использовал Pandas для загрузки меток. Предположим, у вас есть файл Excel со столбцами path и label с именем labels.xlsx.

labels = pd.read_excel("labels.xlsx")

Затем у вас возникает проблема, заключающаяся в том, что загружаемые изображения, вероятно, не в том же порядке, что и ваш файл, полный меток. Вы можете исправить это, объединив два набора данных.

images = load_all_images()
images_and_labels = images.merge(labels, on = "path", validate = "1:1")
# check that no rows were dropped or added, say by a missing label
assert len(images.index) == len(images_and_labels.index)
assert len(labels.index) == len(images_and_labels.index)

Преобразование изображений в numpy

Затем вам нужно преобразовать изображения и метки в пустой фрейм данных.

Пример для изображений:

import numpy as np

images_processed = []
for image in images_and_labels['img'].tolist():
    image = np.array(image)
    # Does the image have expected shape?
    assert image.shape == (64, 64, 3)
    images_process.append(image)
images_numpy = np.array(images_processed)
# Check that this has the expected shape. You'll need
# to replace 1200 with the number of training examples.
assert images_numpy.shape == (1200, 64, 64, 3)

Преобразование меток в numpy

Предполагая, что вы настраиваете классификатор, такой как MNIST, вам сначала нужно определиться с порядком категорий и сопоставить каждый элемент этого списка категорий с его позицией в этом порядке.

Порядок категорий произвольный, но вы должны быть последовательны в этом.

Пример:

categories = {
    'damage high': 0,
    'damage low': 1,
    'damage none': 2,
}

categories_num = labels_and_images['label'].map(categories)
# Are there any labels that didn't get mapped to something?
assert categories_num.isna().sum() == 0
# Convert labels to numpy
labels_np = categories_num.values
# Check shape. You'll need to replace 1200 with the number of training examples
assert labels_np.shape == (1200,)

Теперь у вас должны быть настроены переменные images_np и labels_np как пустые массивы в том же стиле, что и в примере MNIST.