图像分类数据预处理：训练集标签映射和数据读取

图像分类数据预处理：训练集标签映射和数据读取

在图像分类任务中，训练数据预处理是至关重要的步骤。本文将介绍如何进行训练数据预处理，包括类别标签映射和训练数据读取。

类别标签映射

在训练数据集中，每个类别通常用一个数字或字符串来表示。为了方便理解和使用，我们可以建立一个类别标签映射，将数字或字符串映射到对应的类别名称。

labels = {value: key for key, value in train_generator.class_indices.items()}
print('Label Mappings for classes present in the training and validation datasets\n')
for key, value in labels.items():
    print(f'{key} : {value}')

该代码片段使用字典 labels 来存储类别标签映射，其中 key 为数字或字符串，value 为对应的类别名称。

训练数据读取

读取训练数据时，需要将图像文件加载到内存中，并将其转换成合适的格式。以下代码片段展示了如何读取图像文件并将其存储在 x_train 和 y_train 中：

code = {'Brogue': 0, 'Clog': 1, 'Boat': 2, 'Sneaker': 3, 'Ballet Flat': 4}

def getcode(n):
    for x, y in code.items():
        if n == y:
            return x

x_train = []
y_train = []

for folder in os.listdir(train_dir):
    files = gb.glob(pathname=str(train_dir + folder + '/*'))
    for file in files:
        imag = cv2.imread(file)
        imag_array = cv2.resize(imag, (150, 150))
        x_train.append(imag_array)
        y_train.append(code[folder])

该代码片段使用 os.listdir() 获取训练数据目录中的所有文件夹，并使用 gb.glob() 获取每个文件夹中的所有图像文件。然后使用 cv2.imread() 加载图像文件，并使用 cv2.resize() 将图像大小调整为 (150, 150)。最后，将图像数据存储在 x_train 中，将对应的类别标签存储在 y_train 中。

简化代码

上述代码可以简化为以下形式：

x_train = []
y_train = []

for folder in os.listdir(train_dir):
    files = gb.glob(pathname=str(train_dir + folder + '/*'))
    for file in files:
        imag = cv2.imread(file)
        imag_array = cv2.resize(imag, (150, 150))
        x_train.append(imag_array)
        y_train.append(code[folder])

该代码片段省略了类别标签映射部分，直接使用 code 字典来获取类别标签。

通过以上步骤，我们完成了训练数据的预处理，并得到了用于后续模型训练的 x_train 和 y_train。