从熊猫数据框中在Keras中加载一批图像

Question

我有一个带有两列的pandas数据框，一列具有图像的路径，另一列具有字符串类标签。

我还编写了以下函数，这些函数从数据帧加载图像，对其进行规范化并将类标签转换为一键矢量。

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。

这个站点上的其他答案告诉我，为此，我应该使用Keras ImageDataGenerator，但是老实说，我不理解如何从文档中做到这一点。

将延迟加载的批次中的数据馈送到模型的最简单方法是什么？

如果它是ImageDataGenerator，我该如何创建一个ImageDataGenerator来对Dataframe进行初始化，并将批处理通过我的函数传递以创建适当的numpy数组？以及如何使用ImageDataGenerator拟合模型？

Answer 1

ImageDataGenerator是一个高级类，它允许从多个来源（从np arrays，从目录…）产生数据，并且包括执行图像增强等功能的实用程序功能。

更新

从keras-preprocessing
1.0.4开始，ImageDataGenerator提供了flow_from_dataframe一种解决您的情况的方法。它要求dataframe和directory参数定义如下：

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.

因此，您不再需要自己实施它。

下面的原始答案

对于您的情况，使用描述的数据框，您还可以编写自己的自定义生成器，该生成器将prepare_data函数中的逻辑用作更简单的解决方案。最好使用Keras的Sequence对象这样做，因为它允许使用多重处理（如果您使用的是gpu，这将有助于避免瓶颈）。

您可以签出有关对象的文档Sequence，其中包含一个实现示例。最终，您的代码将遵循以下原则（这是样板代码，您将不得不添加诸如label2int函数或图像预处理逻辑之类的细节）：

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

您可以像自定义生成器一样传递此对象来训练模型：

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

如下所述，不需要实现改组逻辑。shuffle只需True在fit_generator()调用中将参数设置为即可。从文档：

shuffle：布尔值。是否在每个纪元开始时重新整理批次的顺序。仅用于Sequence实例（keras.utils.Sequence）。当steps_per_epoch不为None时无效。