質問をすることでしか得られない、回答やアドバイスがある。

15分調べてもわからないことは、質問しよう!

ただいまの
回答率

88.77%

機械学習をさせるための自作データセットの作り方について

解決済

回答 1

投稿 編集

  • 評価
  • クリップ 0
  • VIEW 1,852

Kuro3210

score 13

前提・実現したいこと

<Python3.5 / Windows10>

CNNに用いるデータセットを自身で作成しようと考えています。

最終的には、
A×AのRGBを持つカラートレーニング画像(x_train)がn個あるとき
x_train.sahpe 
>>(n, A, A, 3)

ラベルの数がm種類の時、
y_train
>>([0, 1, 2, ... , m, ..., ])

y_train.shape
>>(n,)

というようにラベルデータとサンプルデータが別に扱えるような形状に仕上げたいと考えております。
(cifar10やMNISTのようなデータセットを作れると理想)
データセットを作るプロトコルを考えましたが、このアプローチが現実的かどうか分かりません。
また、このアプローチを実際にコードに起こす段階でも行き詰っております。
ウェブ上で参照できる実装例にはウェブスクレイピングなどを用いたり、顔認識などによる自動切り取りを組み込んでいるものが多いですが、あくまでファイル上に保存された画像データをもとにした基本的な方法を知りたいです。

コードベースで教えていただけたら幸いです。

試したこと

データセットを作るプロトコルを考えました。

①画像をnumpyを用いてnumpy配列として読み込む。
(多量の画像を読み込む方法が不明)

②ラベル付けを行う
(下記のサイトを参考にするも実装に失敗。)

テストデータとトレーニングデータに分ける
(下記のサイトを参考にするも実装に失敗)

(x_train, y_train), (x_test, y_test)の形状に仕上げる

しかし、まずこのアプローチの仕方が正しいのかすら分かりません。

こちらのサイトhttps://qiita.com/tigerz17/items/e4d1d5b8e00f7a771177
では、あらかじめフォルダを作成してそれをラベルとして使用しているのでしょうか

  • 気になる質問をクリップする

    クリップした質問は、後からいつでもマイページで確認できます。

    またクリップした質問に回答があった際、通知やメールを受け取ることができます。

    クリップを取り消します

  • 良い質問の評価を上げる

    以下のような質問は評価を上げましょう

    • 質問内容が明確
    • 自分も答えを知りたい
    • 質問者以外のユーザにも役立つ

    評価が高い質問は、TOPページの「注目」タブのフィードに表示されやすくなります。

    質問の評価を上げたことを取り消します

  • 評価を下げられる数の上限に達しました

    評価を下げることができません

    • 1日5回まで評価を下げられます
    • 1日に1ユーザに対して2回まで評価を下げられます

    質問の評価を下げる

    teratailでは下記のような質問を「具体的に困っていることがない質問」、「サイトポリシーに違反する質問」と定義し、推奨していません。

    • プログラミングに関係のない質問
    • やってほしいことだけを記載した丸投げの質問
    • 問題・課題が含まれていない質問
    • 意図的に内容が抹消された質問
    • 過去に投稿した質問と同じ内容の質問
    • 広告と受け取られるような投稿

    評価が下がると、TOPページの「アクティブ」「注目」タブのフィードに表示されにくくなります。

    質問の評価を下げたことを取り消します

    この機能は開放されていません

    評価を下げる条件を満たしてません

    評価を下げる理由を選択してください

    詳細な説明はこちら

    上記に当てはまらず、質問内容が明確になっていない質問には「情報の追加・修正依頼」機能からコメントをしてください。

    質問の評価を下げる機能の利用条件

    この機能を利用するためには、以下の事項を行う必要があります。

質問への追記・修正、ベストアンサー選択の依頼

  • Orlofsky

    2019/04/06 20:27

    URLの https://teratail.com/help#about-markdown の [リンク] の設定が間違っています。修正してください。

    キャンセル

  • Kuro3210

    2019/04/06 20:32

    失礼いたしました。修正致しました。

    キャンセル

回答 1

checkベストアンサー

0

使用する Deep Learning のライブラリが要求する配列が最終的に作れればいいのですから、どのような形式でデータを保存しているかは重要ではありません。
質問者さんの好みの形式で保存しておけばよいです。

ライブラリが要求する配列はライブラリによって異なりますが、例えば Tensorflow/Keras の場合は
画像は (サンプル数, 高さ, 幅, チャンネル数) の numpy 配列
ラベルは (サンプル数,) の numpy 配列

①画像をnumpyを用いてnumpy配列として読み込む。
(多量の画像を読み込む方法が不明)

OpenCV の cv2.imread() か PIL の PIL.Image.open() を使う。
ファイルパスのリストアップは glob

②ラベル付けを行う
(下記のサイトを参考にするも実装に失敗。)

クラス分類であれば、フォルダごとに分けておくだけでもよい。
分ける作業 (ラベル付け) は基本手動でやる

テストデータとトレーニングデータに分ける
(下記のサイトを参考にするも実装に失敗)
(x_train, y_train), (x_test, y_test)の形状に仕上げる

フォルダ分けした段階で分けておいてもいいし、読み込んだあとに train_test_split() などで分けてもよい。

sklearn.model_selection.train_test_split — scikit-learn 0.20.3 documentation

投稿

  • 回答の評価を上げる

    以下のような回答は評価を上げましょう

    • 正しい回答
    • わかりやすい回答
    • ためになる回答

    評価が高い回答ほどページの上位に表示されます。

  • 回答の評価を下げる

    下記のような回答は推奨されていません。

    • 間違っている回答
    • 質問の回答になっていない投稿
    • スパムや攻撃的な表現を用いた投稿

    評価を下げる際はその理由を明確に伝え、適切な回答に修正してもらいましょう。

  • 2019/04/06 23:07

    回答ありがとうございます。
    この方針で一度チャレンジしようと思います。
    しかし、やはり悩ましい部分があります。例えばcv2を用いて
    cat_im = cv2.imread("C:\...path...\cat\cat1.jpg")
    によって猫の画像cat1.jpgが配列で呼び出せることは分かりました。
    しかし、catフォルダ内にあるすべての猫画像はまとめて呼び出すことはできないのでしょうか?

    キャンセル

  • 2019/04/07 05:53

    指定したフォルダ内の画像の一覧は glob で取得できます。
    なので、for で glob で取得したパス一覧に対して、cv2.imread() を呼び出してリストに詰めていけばよいと思います。

    キャンセル

  • 2019/04/07 14:33

    無事にラベル付けまで行うことができました。
    ありがとうございました。

    キャンセル

15分調べてもわからないことは、teratailで質問しよう!

  • ただいまの回答率 88.77%
  • 質問をまとめることで、思考を整理して素早く解決
  • テンプレート機能で、簡単に質問をまとめられる

関連した質問

同じタグがついた質問を見る