深度学习中猫🐱和狗🐶的分类 1

以猫狗分类，讲述深度学习的分类算法。

Cat and Dog

第1部分，数据集，包括：

下载数据集：使用Kaggle API下载数据集；
预处理数据集：将数据集划分为训练和测试两部分；
展示数据集：使用Pillow绘制多幅图片的组合；

下载

数据集：https://www.kaggle.com/c/dogs-vs-cats/data

Data

使用Kaggle API进行下载，GitHub，命令如下：

kaggle competitions download -c dogs-vs-cats

Kaggle API

下载数据集：

Download

训练集：25000张图片，12500张猫，12500张狗；
测试集：12500张图片，没有区分类别；

关于Kaggle API的配置：

登录账号，在My Account页面的API项目中，点击Create New API Token，下载kaggle.json，json中包含username和key。

kaggle.json

将kaggle.json放置入.kaggle文件夹，如果不存在，则需要创建文件夹。
修改kaggle.json为可读权限，即chmod 600 .kaggle/kaggle.json。
安装Kaggle API，即pip install kaggle。
执行下载命令，如kaggle competitions download -c dogs-vs-cats。

预处理

将1000张猫和1000张狗作为训练集，将400张猫和400张狗作为测试集。

第一步：将数据集读入内存，区分猫和狗两部分。

def list_dataset(dataset_dir):
    """
    将训练数据集读入内存，分为猫和狗两部分
    """
    paths_list, names_list = traverse_dir_files(dataset_dir)
    cats_dict, dogs_dict = dict(), dict()

    for path, name in zip(paths_list, names_list):
        [clz, num, _] = name.split('.')
        num = int(num)
        if clz == 'cat':
            cats_dict[num] = path
        elif clz == 'dog':
            dogs_dict[num] = path
        else:
            continue

    # print('cat: {}, dog: {}'.format(len(cats_dict.keys()), len(dogs_dict.keys())))
    return cats_dict, dogs_dict

第二步：复制数据集，将若干张猫或狗，复制到新的文件夹。

def copy_files(target_folder, clz_name, n_start, n_end):
    cats_dict, dogs_dict = list_dataset(O_DATASET_DIR)

    new_train = os.path.join(DATASET_DIR, 'train')
    new_test = os.path.join(DATASET_DIR, 'test')

    mkdir_if_not_exist(DATASET_DIR)
    mkdir_if_not_exist(new_train)
    mkdir_if_not_exist(new_test)

    # 测试数据
    # target_folder = 'train'
    # clz_name = 'cat'
    # n_start = 0
    # n_end = 10

    for i in range(n_start, n_end):
        data_dict = cats_dict if clz_name == 'cat' else dogs_dict
        folder = new_train if target_folder == 'train' else new_test
        shutil.copy(data_dict[i], folder)
    print("[完成]目标文件夹: {}, 类别: {}, 起止: {} ~ {}".format(
        target_folder, clz_name, n_start, n_end))

第三步：构建1000张猫+1000张狗训练集、400张猫+400张狗测试集。

def main():
    # 1000张猫+1000张狗训练集；400张猫+400张狗测试集
    copy_files('train', 'cat', 0, 1000)
    copy_files('train', 'dog', 0, 1000)
    copy_files('test', 'cat', 0, 400)
    copy_files('test', 'dog', 0, 400)

展示

将多张图片组合成一张图片，其中每张图片保持比例，最长边为416，使用Pillow的Image库。

def draw_multi_imgs(path_list, file_name):
    """
    绘制相似图片组
    :param path_list: 图片路径列表
    :param file_name: 输出文件名
    :return: None
    """
    img_w, img_h = 4, 3
    img_size = 416

    try:
        o_images = [Image.open(p) for p in path_list]
        images = []

        for img in o_images:
            wp = img_size / float(img.size[0])
            hsize = int(float(img.size[1]) * float(wp))
            img = img.resize((img_size, hsize), Image.ANTIALIAS)
            images.append(img)

    except Exception as e:
        print('Exception: {}'.format(e))
        return

    new_im = Image.new('RGB', (img_size * img_w, img_size * img_h), color=(255, 255, 255))

    x_offset, y_offset = 0, 0
    for i in range(img_h):
        for j in range(img_w):
            im = images[i * img_w + j]
            new_im.paste(im, (x_offset, y_offset))
            x_offset += 416
        y_offset += 416
        x_offset = 0

    new_im.save(file_name)  # 保存图片

展示训练集中随机的12张猫图片，和12张狗图片。

def main():
    new_train = os.path.join(DATASET_DIR, 'train')
    new_test = os.path.join(DATASET_DIR, 'test')

    cats_dict, dogs_dict = list_dataset(new_train)
    cats_list = list(cats_dict.values())
    dogs_list = list(dogs_dict.values())
    random.shuffle(cats_list)
    random.shuffle(dogs_list)

    draw_multi_imgs(cats_list[:12], os.path.join(DATA_DIR, 'train_cat.jpg'))
    draw_multi_imgs(dogs_list[:12], os.path.join(DATA_DIR, 'train_dog.jpg'))

数据集：

cats

dogs

至此，完成构建数据集。