深度学习中，有时我们需要对数据集进行预处理，这样能够更好的读取数据。

一、png格式生成.npy格式

import numpy as np
import os
from PIL import Imagedir="C:/Users/Administrator/Desktop/trainA"def getFileArr(dir):result_arr=[]label_list=[]map={}map_file_result={}map_file_label={}map_new={}count_label=0count=0file_list=os.listdir(dir)for file in file_list:file_path=os.path.join(dir,file)label=file.split(".")[0].split("_")[0]map[file]=labelif label not in label_list:label_list.append(label)map_new[label]=count_labelcount_label=count_label+1img=Image.open(file_path)result=np.array([])r,g,b=img.split()r_arr=np.array(r).reshape(4096)g_arr=np.array(g).reshape(4096)b_arr=np.array(b).reshape(4096)img_arr=np.concatenate((r_arr,g_arr,b_arr))result=np.concatenate((result,img_arr))result=result.reshape((64,64,3))result=result/255.0map_file_result[file]=resultresult_arr.append(result)count=count+1for file in file_list:map_file_label[file]=map_new[map[file]]#map[file]=map_new[map[file]]ret_arr=[]for file in file_list:each_list=[]label_one_zero=np.zeros(count_label)result=map_file_result[file]label=map_file_label[file]label_one_zero[label]=1.0#print(label_one_zero)each_list.append(result)each_list.append(label_one_zero)ret_arr.append(each_list)os.makedirs("C:/Users/Administrator/Desktop/npy")np.save('C:/Users/Administrator/Desktop/npy/test_data.npy', ret_arr)return ret_arr
if __name__=="__main__":ret_arr=getFileArr(dir)

二、.npy格式生成png格式

import numpy as np
from PIL import Image
import osdir="C:/Users/Administrator/Desktop/npy/"#npy文件路径
dest_dir="C:/Users/Administrator/Desktop/train/"
def npy2jpg(dir,dest_dir):if os.path.exists(dir)==False:os.makedirs(dir)if os.path.exists(dest_dir)==False:os.makedirs(dest_dir)file=dir+'test_data.npy'con_arr=np.load(file)count=0for con in con_arr:arr=con[0]label=con[1]print(np.argmax(label))arr=arr*255#arr=np.transpose(arr,(2,1,0))arr=np.reshape(arr,(3,64,64))r=Image.fromarray(arr[0]).convert("L")g=Image.fromarray(arr[1]).convert("L")b=Image.fromarray(arr[2]).convert("L")img=Image.merge("RGB",(r,g,b))label_index=np.argmax(label)img.save(dest_dir+str(label_index)+"_"+str(count)+".png")count=count+1if __name__=="__main__":npy2jpg(dir,dest_dir)

三、注意

根据自己的数据集需要改尺寸和维度以及改路径。

数据集.npy格式与png格式互换相关推荐

penpyxl 格式_【上海校区】数据集.npy格式与png格式互换
深度学习中,有时我们需要对数据集进行预处理,这样能够更好的读取数据. 一.png格式生成.npy格式 import numpy as np import os from PIL import Imag ...
ML之FE：基于FE特征工程对RentListingInquries数据集进行预处理并导出为三种格式文件(csv格式/txt格式/libsvm稀疏txt格式)
ML之FE:基于FE特征工程对RentListingInquries数据集进行预处理并导出为三种格式文件(csv格式/txt格式/libsvm稀疏txt格式) 目录输出结果设计思路核心代码输出 ...
Dataset之MNIST：自定义函数mnist.load_mnist根据网址下载mnist数据集(四个ubyte.gz格式数据集文件)
Dataset之MNIST:自定义函数mnist.load_mnist根据网址下载mnist数据集(四个ubyte.gz格式数据集文件) 目录下载结果运行代码下载结果运行代码 mnist.py ...
DAGM2007数据集扩增（COCO格式以及VOC格式的灰度图数据集都可用）
文章目录前言 COCO格式的数据集扩增代码 AugmentMethodClass.py DatasetAugment.py VOC格式的数据集扩增代码 AugmentMethodClass.py ...
【目标检测数据集汇总】YOLO txt格式各种数据集
提示:文章写完后,目录可以自动生成,如何生成可参考右边的帮助文档 [目标检测数据集汇总]目标检测YOLO txt格式数据集~各种数据集前言相关连接: 一.安全帽数据集(10755张,nc2) 二. ...
voc数据集格式转换为coco数据集格式+修改xml格式文件
voc数据集格式转换为coco格式+修改xml格式文件中部分内容 voc数据集格式→coco数据集格式修改xml格式文件中部分内容 voc数据集格式→coco数据集格式下面这份代码只需修改文件所在 ...
widerface人脸数据集，yolo训练集格式，voc训练集格式
在wideface官网下载测试集1.2万张和验证集0.3万,直接下载的数据集不符合自己训练集格式要求,需要进行格式转换.YOLO需要TXT格式,有些算法需要voc格式.转换为YOLO格式后进行训练RT ...
BDD 100K数据集label转换为yolo训练格式
提示:文章写完后,目录可以自动生成,如何生成可参考右边的帮助文档 BDD 100K数据集label转换为yolo训练格式前言数据集介绍: 代码如下: 补充说明: 总结前言因为最近要做车辆,行人 ...
常用图像数据集原始数据(.png或.jpg格式)生成方法
引言在计算机视觉方面的工作,我们常常需要用到很多图像数据集．像ImageNet这样早已大名鼎鼎的数据集,我等的百十个G的硬盘容量怕是怎么也承载不下:本文中,将给出一些Hello world级的图像数 ...

数据集.npy格式与png格式互换

一、png格式生成.npy格式

二、.npy格式生成png格式

三、注意

数据集.npy格式与png格式互换相关推荐

最新文章

热门文章