python 將Mnist數據集轉為jpg，並按比例/標簽拆分為多個子數據集

現有條件：Mnist數據集，下載地址：跳轉 下載后的四個.gz文件解壓后放到同一個文件夾下，如：/raw

Step 1：將Mnist數據集轉為jpg圖片(代碼來自這篇博客)

import os  2 from skimage import io  3 import torchvision.datasets.mnist as mnist  4 
root='./raw'
train_set = (  7     mnist.read_image_file(os.path.join(root, 'train-images.idx3-ubyte')),  8     mnist.read_label_file(os.path.join(root, 'train-labels.idx1-ubyte'))  9  ) 10 test_set = ( 11     mnist.read_image_file(os.path.join(root, 't10k-images.idx3-ubyte')), 12     mnist.read_label_file(os.path.join(root, 't10k-labels.idx1-ubyte')) 13  ) 14 # print("training set :",train_set[0].size())
# print("test set :",test_set[0].size())

def convert_to_img(train=True): 18     if(train): 19         f=open(root+'train.txt','w') 20         data_path=root+'/train/'
        if(not os.path.exists(data_path)): 22  os.makedirs(data_path) 23         for i, (img,label) in enumerate(zip(train_set[0],train_set[1])): 24             img_path=data_path+str(i)+'.jpg'
            # io.imsave(img_path,img.numpy())
            f.write(img_path+' '+str(label)+'\n') 27  f.close() 28     else: 29         f = open(root + 'test.txt', 'w') 30         data_path = root + '/test/'
        if (not os.path.exists(data_path)): 32  os.makedirs(data_path) 33         for i, (img,label) in enumerate(zip(test_set[0],test_set[1])): 34             img_path = data_path+ str(i) + '.jpg'
            # io.imsave(img_path, img.numpy())
            f.write(img_path + ' ' + str(label) + '\n') 37  f.close() 38 
convert_to_img(True)#轉換訓練集
convert_to_img(False)#轉換測試集

此時，轉換后的jpg存儲格式如下：

test和train中的圖片全是未按標簽分類的混合jpg圖片

Step 1.1: 將數據根據txt文件按label分類

在train和test文件夾下分別手動創建10個文件夾，命名從0-9，如新建一個文件夾，文件夾名字為6

代碼實現過程中由於有些需要重復操作，為了便於直接使用 我下面直接按使用步驟全部貼出（可能重復代碼有點多，看懂后你可以直接修改

# 1.1.1 將train文件中的tensor(換為=
    fileName = 'rawtrain.txt'
    f = open(fileName,'w')  4     lines = f.readlines()  5 
    for line in lines:  7         f.write(line.replace("tensor(","="))  8  f.close()  9 # 1.1.2 將train文件中的）去掉，不能同時執行tensor(和）的操作，必須順序執行
    fileName = 'rawtrain.txt'
    f = open(fileName,'w') 12     lines = f.readlines() 13 
    for line in lines: 15         f.write(line.replace(")", "")) 16  f.close() 17 
# 1.1.3 將上述的文件名換為'rawtest.txt' 重復執行

# 1.1.4 按rawtrain.txt文件將圖片移動至對對應標簽的文件夾下
    fileName = 'rawtrain.txt'
    f = open(fileName,'r') 23     lines = f.readlines() 24     label = [-1] 25     f = open(fileName,'w') 26 
    for line in lines: 28         splitL = line.split('=') 29         labelnum = int(splitL[1]) 30  label.append(labelnum) 31  f.close() 32     del label[0] 33     # 此時label存儲圖片標簽

    # 讀取圖片並移動
    root = './raw/train'
    i = 0 38     lens = len(os.listdir(root)) 39     while(lens > 10): 40         img_path = os.path.join(root, str(i)+'.jpg') 41         img_label = label[i] 42         img_new_path = os.path.join(root, str(img_label), str(i)+'.jpg') 43  shutil.move(img_path, img_new_path) 44         i += 1
        lens = len(os.listdir(root)) 46 

# 1.1.5 按rawtest.txt文件將圖片移動至對對應標簽的文件夾下
    fileName = 'rawtest.txt'
    f = open(fileName,'r') 51     lines = f.readlines() 52     label = [-1] 53     f = open(fileName,'w') 54 
    for line in lines: 56         # f.write(line.replace("tensor(","="))
        # f.write(line.replace(")", ""))
        splitL = line.split('=') 59         labelnum = int(splitL[1]) 60  label.append(labelnum) 61  f.close() 62     del label[0] 63     # 此時label存儲圖片標簽

    # 讀取圖片
    root = './raw/test'
    i = 0 68     lens = len(os.listdir(root)) 69     while(lens > 10): 70         img_path = os.path.join(root, str(i)+'.jpg') 71         img_label = label[i] 72         img_new_path = os.path.join(root, str(img_label), str(i)+'.jpg') 73  shutil.move(img_path, img_new_path) 74         i += 1
        lens = len(os.listdir(root))

 

Step 2: 將raw下的jpg圖片隨機分為10個數據集，每個數據集中的圖片數相同(包括train and test)，並且每個數據集下的圖片按標簽分類

分類后的結構如下圖：

代碼實現：

Step 2.1：新建所需要的所有文件夾

root = './newDataSet/'
    for labelname in range(10):  3         # domain
        domain_path = os.path.join(root, "domain"+str(labelname))  5         # train / test
        for use2 in range(2):  7             useName = ''
            if use2 == 0:  9                 useName = 'train'
            else: 11                 useName = 'test'
            use_path = os.path.join(domain_path, useName) 13             # label
            for i in range(10): 15                 label_path = os.path.join(use_path, str(i)) 16                 if os.path.exists(label_path) != True: 17                     try: 18                         os.mkdir(label_path)  # 創建單層文件夾
                    except Exception as e: 20                         os.makedirs(label_path)  # 創建多層文件夾

Step 2.2: 將raw下的數據按一定比例復制到新的文件夾下(我的代碼下不同子數據集的訓練數據是來自train的每個標簽200張-無交叉，test每個標簽50張)

   num = 0  2     d_num = 0  3     src_root = './raw/train'
    # src_root = './raw/test' # 先執行train 執行結束后再注釋掉train 執行test圖片復制
    dst_root = './newDataSet/'
    aims = 'train'
    # aims = 'test'
    for label in os.listdir(src_root):  # 0
        label_path = os.path.join(src_root, label) 10         for img in os.listdir(label_path):  # 1.jpg
            img_path = os.path.join(label_path, str(img)) 12             img_new_path = os.path.join(dst_root, "domain"+str(d_num), aims, str(label), str(img)) 13  shutil.copyfile(img_path, img_new_path) 14             num += 1
            if num == 200: 16             # if num == 50: # for test
                d_num += 1
                num = 0 19                 if d_num == 10: 20                     d_num = 0 21                     break

 

Step 3: 將raw下的jpg圖片分為10個數據集，每個數據集中的圖片數相同(包括train and test)，並且每個數據集下的圖片僅包含一個標簽的圖片，雖然文件夾結構和第2步相同，但是，如/domain 8/train/1路徑下無圖片，僅/domain 8/train/8下有數字8的圖片，而domain0也僅是Label為0的文件夾下有數字為0的圖片

Step 3.1：新建所需的所有文件夾，代碼參考Step 2.1 只是需要將root名稱換一個

Step 3.2: 將raw下數據按標簽和一定比例復制到新的文件夾下。

 num = 0  2     # src_root = './raw/test'
    src_root = './raw/train'  # 對train文件操作后需要對test文件執行相同的操作
    dst_root = './newDatSet1/'
    aims = 'train'
    # aims = 'test'
    for label in os.listdir(src_root):  # 0
        label_path = os.path.join(src_root, label)  9         for img in os.listdir(label_path):  # 1.jpg
            img_path = os.path.join(label_path, str(img)) 11             img_new_path = os.path.join(dst_root, "domain" + str(label), aims, str(label), str(img)) 12  shutil.copyfile(img_path, img_new_path) 13             num += 1
            if num == 2000:  # train數據為2k,測試數據為500，全部為一個Label的數據
            # if num == 500:
                num = 0 17                 break

至此 兩個需要的新的拆分格式的數據集創建完畢。所有代碼已經測試，均正常運行。

 

后續：我的方法好像有點繁瑣了...參考這篇tensorflow的博客好像更簡單。。。

Step 2: 將raw下的jpg圖片隨機分為10個數據集，每個數據集中的圖片數相同(包括train and test)，並且每個數據集下的圖片按標簽分類