仿照CIFAR-10数据集格式，制作自己的数据集

本系列文章由 @yhl_leo 出品，转载请注明出处。

文章链接： http://blog.csdn.net/yhl_leo/article/details/50801226

---

前一篇博客：C/C++ 图像二进制存储与读取中，已经讲解了如何利用C/C++的方法存储与读取二进制图像文件，本文继续讲述如何根据CIFAR-10的格式制作自己的数据集。

所述博文与代码均已同步至GitHub：yhlleo/imageBinaryDataset

主要代码文件有三个：

• BinaryDataset.h
• BinaryDataset.cpp
• main.cpp

以main.cpp给出的一个小demo为例，首先指定一个原数据图片所在的文件夹：

std::string filefolder = "C:\\Samples\\train";

然后，自动获得该文件下的所有图片文件名：

std::vector<std::string> fileLists = binData.getFileLists(filefolder); // load file name

这里有一点需要说明一下，getFileLists()是按照文件名升序顺序读取（大家都知道，文件名为字符串，comparable），文件命名最好不要以1, 2, ..., 11, ...这种方式存储，因为这么存，你就会发现1之后的文件可能不是你想的2, 3, 4, ...，而是11, 12, 13, ...。

如果你想按照顺序的某一堆数据是一种类别（我是这么做的，因为便于产生对应的labels），建议使用等宽零位补齐的方式命名，例如：00001, 0002, ..., 0011, ...，那么文件读取的顺序就会如我们所设定。

总结一下实现方法（仅供参考）：

• 采集样本的时候可以先类别存于不同的文件夹，命名就随意吧，如果是使用一些抠图软件，也不用纠结一个一个手工修改成自己想要的命名（这么做工作量很大，真的很蛋疼。。。）；
• 每一类数据整理好后，依次将每一类的数据，用程序读取并另存一份（读取使用getFileLists()，反正是一类的，也无所谓先后顺序）：

    for ( int i=0; i<fileLists.size(); i++ )
    {
        char* curfile = new char[128];
        sprintf(curfile, "C:\\Samples\\class-1\\%04d.jpg", i);
        string fileName = filefolder + "\\";
        fileName += fileLists[i];
        cv::Mat image = cv::imread(fileName);
        cv::imwrite(curfile, image);
        delete[] curfile;
    }

• 后面的其他类别也可以这样，为了按照顺序区分，依次进行其他类别的时候，只需要在改动文件夹后，将sprintf(curfile, "C:\\Samples\\class-1\\%04d.jpg", i);中的第三个参数i改为i+k，这里k是前面一类或几类的样本总数。
• 最后，将重新命名的文件，存在一个文件夹里，记清楚类别对应的区间范围，以便生成labels。

读取上述最终文件内的所有文件，接下来，生成labels（labels一般用[0, 9]组成的整数字）：

std::vector<int> image_labels(size_list, 0);  // generate lables, here are all 0

当然，你也可以用image_labels.push_back()把所有的labels设置，但是熟悉vector的话，就会明白使用初始化长度，比那种做法更加高效（可以阅读本人的博客： C++ 容器（一）：顺序容器简介）。然后就相应地修改某些索引区间内的label值：

for ( int i=0; i<count_class_k; i++ )
    image_labels[i] = 1;

都准备好后，就可以开始生成想要的二进制文件了：

    std::string binfile = "C:\\Samples\\train.bin";
    binData.images2BinaryFile( filefolder, fileLists, image_labels, binfile );

到这里，已经制作好了二进制数据集，我很懒，想直接基于tensorflow/models/image/cifar10模块的源码跑我定义的数据集，想想只要跟cifar10数据集类似，那肯定没什么问题，下面是官网上下载的cifar-10-binary.tar解压后内容：

这份数据集比较大，训练样本有50000，测试样本10000（我的数据集并没有这么大，但是又有什么关系呢！）。

看，这是我的数据集：

是不是很迷你~

然后，将tensorflow/models/image/cifar10模块的拷贝中的部分参数修改成为适合自己数据集的，就OK了~

献上运行截图（训练测试集有5196张样本，所以5196*0.4 = 2078）：

训练了两天，跑完后，评估精度为：0.896。