在学习卷积神经网络的时候，遇到了cifar10图像数据集，用着挺好，但不想局限于固定的几种图像的识别，所以就有了自己制作数据集来识别的想法。

一、cifar10数据集。

据原网站介绍，数据集为二进制。将cifar10解压后，得到data_batch_1等数据集，打开看一下：

import pickle

f = open('./data_batch_1','rb') #以二进制读模式打开

d = pickle.load(f)

print(d)

可知数据集为dict型，主要有’data’和’labels’等四种键值。

二、爬取图片

首先要感谢被爬网站的开放性和包容心，潭州教育坚持对爬虫技术的无私分享以及博主Jimmy。

import requests

import urllib.parse

import threading

设置最大线程锁(与电脑配置和带宽有关)

thread_lock = threading.BoundedSemaphore(value=10)

def get_page(url):

page = requests.get(url)

page = page.content

page = page.decode('utf-8')

# 将 bytes 转换成 字符串

return page

def pages_from_duitang(label):

pages = []

#找到图片链接规律

#将中文转成url编码

label = urllib.parse.quote(label)

for index in range(0,3600,100):

u = url.format(label, index)

print(u)

page = get_page(u)

pages.append(page)

return pages

def findall_in_page(page,startpart,endpart):

all_strings = []

end = 0

while page.find(startpart,end) != -1:

start = page.find(startpart, end) + len(startpart)

end = page.find(endpart,start)

string = page[start:end]

all_strings.append(string)

return all_strings

def pic_urls_from_pages(pages):

pic_urls = []

for page in pages:

urls = findall_in_page(page, 'path":"', '"')

pic_urls.extend(urls)

return pic_urls

def download_pics(url,n):

r = requests.get(url)

path = 'pics/fish/' + str(n) + '.jpg'

with open(path, 'wb') as f:

f.write(r.content)

#下载结束，解锁

thread_lock.release()

def main(label):

pages = pages_from_duitang(label)

pic_urls = pic_urls_from_pages(pages)

n = 0

for url in pic_urls:

n += 1

print('正在下载第 {} 张图片'.format(n))

#上锁

thread_lock.acquire()

t = threading.Thread(target=download_pics, args = (url, n))

t.start()

main('鱼')

三、制作数据集

from PIL import Image

import numpy as np

import pickle,glob,os

arr = [[]]

number of pictures

n = 1

for infile in glob.glob('D:/py/pics/trees/*.jpg'):

file,ext = os.path.splitext(infile)#分离文件名和扩展名

Img = Image.open(infile)

print(Img.mode,file)#图片尺寸和文件名(用于调试过程中定位错误)

if Img.mode != 'RGB':#将所有非'RGB'通道图片转化为RGB

Img = Img.convert('RGB')

width = Img.size[0]

height = Img.size[1]

print('{} imagesize is:{} X {}'.format(n,width,height))

n += 1

Img = Img.resize([32,32],Image.ANTIALIAS)

抗锯齿的过滤属性，这些都是为了保证剪切图片的时候，最大降低失真度，这样出

的图片体积就稍微大些了。

r,g,b = Img.split()

r_array = np.array(r).reshape([1024])

g_array = np.array(g).reshape([1024])

b_array = np.array(b).reshape([1024])

merge_array = np.concatenate((r_array,g_array,b_array))

if arr == [[]]:

arr = [merge_array]

continue

#拼接

arr = np.concatenate((arr,[merge_array]),axis=0)

#打乱顺序

arr = np.random.shuffle(arr)

生成标签

labelset = np.zeros((arr.shape[0],))

labelset = np.reshape(labelset,[arr.shape[0],])

字典分割出训练集和测试集

train_dic = {'data':arr[:2000],'labels':labelset[:2000]}

test_dic = {'data':arr[2000:],'labels':labelset[2000:]}

f = open('./data_batch_8','wb')#二进制写模式打开，如果不存在，直接生成

pickle.dump(train_dic,f,protocol=2)

序列化操作

由于阿里云平台用的是Python2.7版本，我的是3.6，所以要进行退档操作protocol=2

g = open('./test_batch_1','wb')

pickle.dump(test_dic,g,protocol=2)

四、训练和测试

由于本机硬件水平较低，采用阿里云平台进行测试，根据自己的数据集规模，调整平台提供的代**码。经测试，精度达到76%。对于这个结果还是相当满意的，因为数据集中干扰> > 太多，没有进行筛选。

五、问题

在制作数据集过程中，遇到两个问题：

1、r,g,b = img.split()：(已解决)

valueError:too many values to unpack(expected 3)

unpack的个数对不上，比如:a,b = tuple(1,2,3) 就会报出这个错误

通过Img.mode发现有的图片是“1”、“L”、“P”和“RGBA”模式，需要convert。

2、r,g,b = img.split()：(待解决)

OSError：cannot identify image file：路径+格式

暂时理解为系统兼容性问题