制作具有内存限制的h5py文件的有效方法

问题描述

假设我的图片如下：

root
|___dog
|    |___img1.jpg
|    |___img2.jpg
|    |___...
|    
|___cat
|___...

我想将图像文件转换为h5py文件。

首先，我尝试读取所有图像文件并将其制作为h5文件。

import os
import numpy as np
import h5py
import PIL.Image as Image



datafile = h5py.File(data_path,'w')


label_list = os.listdir('root')
for i,label in enumerate(label_list):
    files = os.listdir(os.path.join('root',label_list))
    for filename in files:
        img = Image.open(os.path.join('root',label,filename))
        ow,oh = 128,128
        img = img.resize((ow,oh),Image.BILINEAR)
        data_x.append(np.array(img).tolist())
        data_y.append(i)


datafile = h5py.File(data_path,'w')
datafile.create_dataset("data_image",dtype='uint8',data=data_x)
datafile.create_dataset("data_label",dtype='int64',data=data_y)

但是由于内存限制，我无法做到这一点（每个文件夹的图像超过200,000张，尺寸为224x224）。

那么，将此图像制作为h5文件的最佳方法是什么？

解决方法

HDF5 / h5py数据集对象的内存占用空间比相同大小的NumPy数组小得多。 （这是使用HDF5的优点之一。）您可以在开始循环播放图像文件之前创建HDF5文件并分配数据集。然后您可以一次对图像进行操作（读取，调整大小和写入图像0，然后写入图像1，等等）。

下面的代码创建必要的数据集，大小可预先设置为200,000张图像。重新排列了代码逻辑，使其按照我的描述工作。 img_cnt变量用于在现有数据集中放置新图像数据。 （注意：我认为这是按书面要求进行的。但是，由于没有数据，我无法测试，因此可能需要进行一些细微调整。）如果以后要调整数据集大小，则可以添加maxshape=() create_dataset()函数的参数。

# Open HDF5 and create datasets in advance
datafile = h5py.File(data_path,'w')
datafile.create_dataset("data_image",(200000,224,224),dtype='uint8')
datafile.create_dataset("data_label",),dtype='int64')

label_list = os.listdir('root')
img_cnt = 0
for i,label in enumerate(label_list):
    files = os.listdir(os.path.join('root',label_list))
    for filename in files:
        img = Image.open(os.path.join('root',label,filename))
        ow,oh = 128,128
        img = img.resize((ow,oh),Image.BILINEAR)
        datafile["data_image"][img_cnt,:,:] = np.array(img).tolist())
        datafile["data_label"][img_cnt] = i
        img_cnt += 1

datafile.close()