我所接触的多标签数据，主要包括两类：
1、一张图片属于多个标签，比如，data:一件蓝色的上衣图片.jpg，label:蓝色，上衣。其中label包括两类标签，label1第一类：上衣，裤子，外套。label2第二类，蓝色，黑色，红色。这样两个输出label1，label2都是是分类，我们可以直接把label1和label2整合为一个label，直接编码，比如[蓝色，上衣]编码为[011011]。这样模型的输出也只需要一个输出。实现了多分类。
2、一张图片属于多个标签，但是几个标签不全是分类。比如data：一张结婚现场的图片.jpg,label:高兴，3（表示高兴程度）。这时label1是分类，label2时回归。这种情况就需要多个标签，模型需要多个输出。【其实最好的例子，就是目标检测，不但检测什么物体（分类），还要检测到物体的坐标（回归）】
在这里我主要针对第二种情况加以说明：
keras的ImageDataGenerator.flow_from_directory 只能简单的读取单标签数据。所以我自己写了个data_generate，来生成bathsize多标签数据
#此模块主要用来读取数据集，返回一个数据可迭代对象
#重点是，此模块分批次的把图像读入内存的，而不是一次全读入，有效的减少了内存溢出
import os
import cv2
import numpy as np
import keras
from random import shuffle
#目标图像大小
image_size= (229, 229, 3)
#类别编码
class_dict=dict(zip(['neg','pos','neu'],[0,1,2]))
#处理.txt文件,并加载图片文件夹里的图片名
#txt_path，txt文件路径，data_path，图片文件夹路径
def read_txt(txt_path,data_path):
# 中间数组
labels_class = []
labels_score = []
with open(txt_path) as f:
lines_list = f.readlines()
for lines in lines_list:
line = lines.split(' ')
labels_class.append(line[0].rstrip(".jpg"))
labels_score.append(line[2])
labels_dict=dict(zip(labels_class,labels_score))
#处理图片数据集
all_picture_name = os.listdir(data_path)
#打乱数据集
shuffle(all_picture_name)
all_picture_path=[os.path.join(data_path,one)for one in all_picture_name]
return all_picture_name,all_picture_path,labels_dict
class data_generate:
def __init__(self,all_piture_name,all_picture_path,labels_dict,batch_size):
self.index=0
self.all_picture_name=all_piture_name
self.all_picture_path=all_picture_path
self.labels_dict=labels_dict
self.batch_size = batch_size
def get_mini_batch(self):
while True:
batch_images=[]
batch_labels=[]
batch_class=[]
batch_score=[]
for i in range(self.batch_size):
if(self.index==len(self.all_picture_name)):
self.index=0
bgr_image = cv2.imread(self.all_picture_path[self.index])
if len(bgr_image.shape) == 2: # 若是灰度图则转为三通道
bgr_image = cv2.cvtColor(bgr_image, cv2.COLOR_GRAY2BGR)
rgb_image = cv2.cvtColor(bgr_image, cv2.COLOR_BGR2RGB)
rgb_image=cv2.resize(rgb_image,(image_size[0], image_size[1]))
img = np.array(rgb_image)
img=keras.applications.inception_v3.preprocess_input(img)
batch_images.append(img)
#label=[]
label1=self.all_picture_name[self.index].rstrip(".jpg")
batch_class.append(keras.utils.to_categorical(class_dict[label1[:3]], 3))
batch_score.append(np.array(self.labels_dict[label1]))
#batch_labels.append(label)
self.index =1
batch_images=np.array(batch_images)
batch_class = np.array(batch_class)
batch_score = np.array(batch_score)
#注意label的生成batch_class，一个单独数组，batch_score一个单独的数组
'''
注释掉的这段代码生成的label是错误的。
batch_images=[]
batch_labels=[]
for i in range(self.batch_size):
if(self.index==len(self.images)):
self.index=0
batch_images.append(self.images[self.index])
batch_labels.append(self.labels[self.index])
self.index =1
batch_images=np.array(batch_images)
batch_labels=np.array(batch_labels)
yield batch_images,batch_labels
'''
yield batch_images,[batch_class,batch_score]接下来就是放入keras.fit_generate中了
代码语言：javascript复制history=model.fit_generator(generator=train_data.get_mini_batch(),
steps_per_epoch=146,
epochs=300,
validation_data=test_data.get_mini_batch(),
validation_steps=34,
)以上这篇keras 读取多标签图像数据方式就是小编分享给大家的全部内容了，希望能给大家一个参考。
