imagenet数据集包含了多少幅图片,imagenet数据集有哪些种类

　　TF-slim(tensor flow . contrib . slim)是tensor flow的高级API，类似于layers，可以快速用于模型设计和评估，语法类似于keras。

　　Tensorflow models包含一个Slim图像分类库，您可以使用微调、训练和预训练模型对图像进行分类。主要的CNN网络有：

　　事件v1/2/3/4事件-resnet-v2 resnet 50/101/152 VG 16/19 mobilenetv1/2 nas net/PNAS net项目地址33603359 gg

　　怎么用很简单。三部曲也行。

　　安装模型和准备数据集的培训/微调/直接文档已经写的很清楚了，这样做基本没有问题。以下步骤来自文档教程：

　　四类数据集，安装tensorflow(1.0)克隆模型(https://github.com/tensor流/模型/)准备公式提供数据集：

　　鲜花、CIFAR-10、MNIST、ImageNet-2012

　　前三个数据集数据量较小，直接调用相关脚本会自动完成下载、转换、TF录制格式的过程。如下图。

　　data _ dir=/tmp/data/flowerspythondownload _ and _ convert _ data . py -dataset _ name=flowers _-data

　　训练可以从零开始(比如用ImageNet)，有三种：加载预训练模型直接分类，网上微调。方便官方直接提供脚本。

　　dataset _ dir=/tmp/flowers train _ dir=/tmp/flowers-mode/incidence _ v3 check point _ path=/tmp/my _ ch-train _ dir=$ { train _ dir }-dataset _ dir=-dataset _ split _ name=train -model _ name=incidence -training able _ scopes=incidence v3/logs，incidence v3/auxlogits指定为参数，很清楚。

　　ImageNet数据集的创建从上述步骤开始，并且实际上是自动化的。遵循教程的指导问题很少，应该不是这篇博文的重点。最近需要在ImageNet上训练Inception-ResNet-V2的变体版本，但捷径是使用TF-Slim，并在创建ImageNet数据集时遵循官方指导，从而提供可行的解决方案。我的环境是Ubuntu 14.04 CUDA 8 TF 1 . 0 . 1 Python 2.7。

　　官方教程步骤：

　　Bazel编译相关脚本。直接运行download _ and _ preprocess _ imagenet程序看似简单，实际上是有漏洞的。2分：

　　1.bazel编译失败(不知道有没有环境问题)())))))))))。

　　2.ImageNet下载速度太慢(数据超过100GB)。

　　所以可以考虑下载ImageNet-2012自己转换。看代码。发现问题时，会涉及到以下三个脚本：

　　处理数据集中的数据/preprocess _ imagenet _ validation _ data . py，val Datasets/process _ bounding _ boxes . py，bounding

　　就是转换格式，把图片分类保存。(稍后根据需要))))))))))))))。

　　后跟process_bounding_boxes.py:

　　将包围盒的坐标获取写入csv文件。以后需要合并成一个文件。

　　转到主程序build_imagenet_data.py:

　　如你所见，训练集和验证集的格式必须包含1000个子目录下的图像。现在，处理步骤基本清楚了。

　　培训和评估

　　将数据按文件夹分类，合并每个类的包围盒CSV文件，运行指定参数的build_imagenet_data.py。让我们更具体地说：

　　最初的ImageNet-2012下载包含三个文件：

　　ils 2012 _ bbox _ train _ v2 . tar . gzilsvrc 2012 _ img _ val . taril svrc 2012 _ img _ train . tartest数据不公开，此处无测试数据。

　　Bbox是包围盒的数据，另外两个是train和val的数据(都是JPEG图像)

　　使用我的脚本只需一步即可完成：

　　假设数据存储在models/research/slim/imagenet-ori目录下，则TFRecord文件的输出目录为models/research/slim/ils VR 2012/output，当前目录为models/research/slim。

　　# 创建相关目录mkdir-p ils vrc 2012 mkdir-p ils vrc 2012/raw-data mkdir-p ils vrc 2012/raw-data/imagenet-data mkdir-p ils vrc 2012/raw-data/imagenet-data/bounding _ box #做包围盒数据tar-xvf ImageNet-ori/ils vrc 2012 _ bbox _ train _ v2。焦油。gz-C ils vrc 2012/raw-data/ImageNet-data/bounding _ box。py ils vrc 2012/raw-data/ImageNet-data/bounding _ boxes/ImageNet _ ls vrc _ 2015 _ synsets。txt sort ils vrc 2012/raw-data/ImageNet _ 2012 _ bounding _ box。战斗支援车做验证集（解压时间久)mkdir-p ils VR c 2012/raw-data/imagenet-data/validation/tar xf ils VR c 2012 _ img _ val。tar-C ils VR C 2012/raw-data/imagenet-data/validation/python预处理_ imagenet _ validation _ data。py ils VR c 2012/raw-data/imagenet-data/validation/imagenet _ 2012 _ validation _ synset _ labels。txt #做训练集（解压时间更久，保持耐心！)mkdir-p ils VR c 2012/raw-data/ImageNet-data/train/mv ImageNet-ori/ils VR c 2012 _ img _ train。tar ils VR c 2012/raw-data/ImageNet-data/train/CD ils VR c 2012/raw-data/ImageNet-data/train/tar-xvf ils VR c 2012 _ img _ train。tar mv ils VR c2012 _ img _ train。水手./././ImageNet-ori/find .-姓名 *。tar 而读NAEdo mkdir -p ${NAE% .tar } ；tar -xvf ${NAE} -C ${NAE% .tar } ；RM-f $ { NAE } ；完成#执行准换python build _ imagenet _ data。py-train _ directory=ils VR c 2012/raw-data/imagenet-data/train-validation _ directory=ils VR c 2012/raw-data/imagenet-data/validation-output _ directory=ils VR c 2012/output-imagenet _ metadata _ file=imagenet _ metadata。txt-labels _ file=imagenet _ ls vrc _ 2015 _ synsets。txt-bounding _ box _ file=ils VR c 2012/raw-data/image相关目录都是可改的，注意下路径就行了，我本机测试没问题。