keras 读取多标签图像数据方式

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

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,
  )

来源：https://blog.csdn.net/weixin_42269778/article/details/100384934