把CIFAR-10数据集分类保存成图片

最新推荐文章于 2026-05-11 11:24:30 发布

原创最新推荐文章于 2026-05-11 11:24:30 发布 · 569 阅读

3 ·

本内容遵循CC 4.0 BY-SA版权协议

GEO检测

标签

#分类 #数据挖掘 #人工智能

Python教程专栏收录该内容

18 篇文章

订阅专栏

本文介绍了CIFAR-10数据集，一个常用于计算机视觉任务的10类图像分类数据集，包括其结构、用途和在深度学习模型中的应用。还展示了如何使用Python处理和组织CIFAR-10数据，包括训练集和测试集的分类保存及文件重命名操作。

一：cifar10数据集简介

CIFAR-10数据集是一个广泛用于计算机视觉领域的数据集，主要用于图像分类任务。该数据集由Hinton的学生Alex Krizhevsky和Ilya Sutskever整理得到。它包含10个不同类别的RGB彩色图片，每个图片的尺寸为32 × 32像素。这10个类别分别是飞机（airplane）、汽车（automobile）、鸟类（bird）、猫（cat）、鹿（deer）、狗（dog）、蛙类（frog）、马（horse）、船（ship）和卡车（truck）。每个类别有6000张图像，数据集中总共有60000张图片，其中50000张图片作为训练集，另外10000张图片作为测试集。

CIFAR-10数据集中的图像涵盖了广泛的对象类别，每个图像都有一个标签，表示它所属的类别。这个数据集通常用于计算机视觉领域的算法开发、模型训练和性能评估。由于图像尺寸较小且类别数较少，CIFAR-10数据集通常用于快速验证和原型开发，以及用于学习和理解各种计算机视觉算法的基本原理。它也被用作深度学习模型的基准数据集，用于评估模型在图像分类任务上的性能和泛化能力。

在代码示例中，CIFAR-10数据集常被用作各种深度学习模型（如ResNet50）的训练和测试数据，以展示模型的训练和评估过程。通过训练模型来识别CIFAR-10数据集中的图像，我们可以得到模型在测试数据上的识别结果，从而评估模型的性能。

下载地址：http://www.cs.toronto.edu/~kriz/cifar-10-python.tar.gz

二：分类保存成图片

import os
from imageio import imsave

def unpickle(file):
    import pickle
    with open(file, 'rb') as fo:
        dict = pickle.load(fo, encoding='bytes')
    return dict


# 训练集
filename = './cifar10/cifar-10-batches-py'  # 图片的路径
meta = unpickle(filename + '/batches.meta')
label_name = meta[b'label_names']
print(label_name) #打印标签

for i in range(len(label_name)):  #建立文件夹train
    file = label_name[i].decode()
    path = './cifar10/train/' + file
    isExist = os.path.exists(path)
    if not isExist:
        os.makedirs(path)

for i in range(1, 6):
    content = unpickle(filename + '/data_batch_' + str(i))  # 解压后的每个data_batch_
    for j in range(10000):
        img = content[b'data'][j]
        img = img.reshape(3, 32, 32)
        img = img.transpose(1, 2, 0)
        img_name = './cifar10/train/' + label_name[content[b'labels'][j]].decode() + '/batch_' + str(i) + '_num_' + str(j) + '.jpeg'
        imsave(img_name, img)


# 训练集改名
path = './cifar10/train/'
filelist = os.listdir(path)
for item in filelist:
    pathnew=os.path.join(path,item)
    imagelist = os.listdir(pathnew)
    j = 1
    for i in imagelist:
        src = os.path.join(os.path.abspath(pathnew), i)
        dst = os.path.join(os.path.abspath(pathnew), '' + item + '.' + str(j) + '.jpeg')
        j = j+1
        os.rename(src, dst)


# 测试集
meta1 = unpickle(filename + '/test_batch')  # 解压test_batch
label_name1 = meta[b'label_names']

for i in range(len(label_name1)):
    file = label_name1[i].decode()
    path = './cifar10/test/' + file
    isExist = os.path.exists(path)
    if not isExist:
        os.makedirs(path)

for j in range(10000):
    img = meta1[b'data'][j]
    img = img.reshape(3, 32, 32)
    img = img.transpose(1, 2, 0)
    img_name = './cifar10/test/' + label_name[
        meta1[b'labels'][j]].decode() + '/batch_' + str(j) + '_num_' + str(j) + '.jpeg'
    imsave(img_name, img)


# 测试集改名
path = './cifar10/test/'
filelist = os.listdir(path)
for item in filelist:
    pathnew=os.path.join(path,item)
    imagelist = os.listdir(pathnew)
    j = 1
    for i in imagelist:
        src = os.path.join(os.path.abspath(pathnew), i)
        dst = os.path.join(os.path.abspath(pathnew), '' + item + '.' + str(j) + '.jpeg')
        j = j+1
        os.rename(src, dst)