TensorFlow2.X使用图片制作简单的数据集训练模型 使用图片制作简单的数据集训练模型 Tensorflow内置了许多数据集，但是实际自己应用的时候还是需要使用自己的数据集，这里TensorFlow 官网也给介绍文档，官方文档。 这里对整个流程做一个总结（以手势识别的数据集为例）。 1、、 收集手势图片 收集手势图片 数据集下载 方法多种多样了。我通过摄像头自己采集了一些手势图片。保存成如下形式， 以同样的形式在建立一个测试集，当然也可以不弄，在程序里处理。 2、构建数据集 、构建数据集 导入相关的包 import tensorflow as tf from tensorflow import keras from tensorflow.keras import datasets, layers, optimizers, Sequential, metrics from tensorflow.python.framework.convert_to_constants import convert_variables_to_constants_v2 import os import pathlib import random import matplotlib.pyplot as plt 读取文件 data_root = pathlib.Path('D:\code\PYTHON\gesture_recognition\Dataset') print(data_root) for item in data_root.iterdir(): print(item) 读取图片路径到list中 all_image_paths = list(data_root.glob('*/*')) all_image_paths = [str(path) for path in all_image_paths] random.shuffle(all_image_paths) image_count = len(all_image_paths) print(image_count) ##统计共有多少图片 for i in range(10): 

print(all_image_paths[i]) label_names = sorted(item.name for item in data_root.glob('*/') if item.is_dir()) print(label_names) #其实就是文件夹的名字 label_to_index = dict((name, index) for index, name in enumerate(label_names)) print(label_to_index) all_image_labels = [label_to_index[pathlib.Path(path).parent.name] for path in all_image_paths] print("First 10 labels indices: ", all_image_labels[:10]) 预处理 def preprocess_image(image): image = tf.image.decode_jpeg(image, channels=3) image = tf.image.resize(image, [100, 100]) image /= 255.0 # normalize to [0,1] range # image = tf.reshape(image,[100*100*3]) return image def load_and_preprocess_image(path,label): image = tf.io.read_file(path) return preprocess_image(image),label 构建一个 tf.data.Dataset ds = tf.data.Dataset.from_tensor_slices((all_image_paths, all_image_labels)) train_data = ds.map(load_and_preprocess_image).batch(16) 同样的方式在制作一个测试集，就可以用于模型训练和测试了。 总结总结 您可能感兴趣的文章:详解如何从TensorFlow的mnist数据集导出手写体数字图片Tensorflow之构建自己的图片数据集TFrecords的方法 您可能感兴趣的文章 TensorFlow车牌识别完整版代码（含车牌数据集）tensorflow实现加载mnist数据集Tensorflow 训练自己的数据集将数据直接导入到内存 详解tensorflow训练自己的数据集实现CNN图像分类