É possível Cortar/Redimensionar imagens por lote ?
Eu estou usando Tensorflow conjunto de dados API, conforme abaixo:
dataset = dataset.shuffle().repeat().batch(batch_size, drop_remainder=True)
Eu quero, no lote todas as imagens devem ter o mesmo tamanho. No entanto, entre os lotes podem ter tamanhos diferentes.
Por exemplo, 1º lote tem todas as imagens da forma (batch_size, 300, 300, 3). Próximo lote pode ter imagens de forma (batch_size, 224, 224, 3). Outro lote pode ter imagens de forma (batch_size, 400, 400, 3).
Basicamente, eu quero ter dymanically em forma de lotes, no entanto, todas as imagens dentro do lote formas estáticas.
Se fizermos como a seguir:
dataset = dataset.shuffle().repeat().batch(batch_size, drop_remainder=True).map(lambda x, y: map_fn(x, y))
O acima .mapa() aplica-se para cada lote separadamente, ou sobre todo o conjunto de dados ?
Se acima .mapa() não se aplica para cada lote separadamente, como podemos fazer isso ? Podemos definir qualquer iterador depois do conjunto de dados.em lotes(), aplicar tf.imagem.crop_and_resize() mais de cada imagem por lote e posterior uso de conjunto de dados.concatenate() para combinar, transformado lotes ?
Estou criando o conjunto de dados como abaixo:
# Dataset creation (read image data from files of COCO dataset)
dataset = tf.data.Dataset.list_files(self._file_pattern, shuffle=False)
dataset = dataset.shard(dataset_num_shards, dataset_shard_index)
dataset = dataset.shuffle(tf.cast(256 / dataset_num_shards, tf.int64))
dataset = dataset.interleave(map_func=tf.data.TFRecordDataset(filename).prefetch(1), cycle_length=32, block_length=1, num_parallel_calls=tf.data.experimental.AUTOTUNE)
dataset = dataset.map(tf_example_decoder.TfExampleDecoder().decode, num_parallel_calls=64)
dataset = dataset.shuffle(64).repeat()
# Parse each image for preprocessing
dataset = dataset.map(lambda data, _: _parse_example(data), num_parallel_calls=64)
dataset = dataset.batch(batch_size=batch_size, drop_remainder=True)
# Below code suggested by you to resize images to fixed shape in each batch
def resize_data(images, labels):
tf.print('Original shape -->', tf.shape(images))
SIZE = (300, 300)
return tf.image.resize(images, SIZE), labels
dataset = dataset.map(resize_data)
dataset = dataset.prefetch(tf.data.experimental.AUTOTUNE)
tf.estimator.Estimator(...).train(
input_fn=dataset,
steps=steps,
hooks=train_hooks)
INVALID_ARGUMENT: Cannot add tensor to the batch: number of elements does not match. Shapes are: [tensor]: [640,426,3], [batch]: [480,640,3]
Mesmo que eu dei TAMANHO = (300, 300) no tf.imagem.redimensionar(imagens, TAMANHO), lote tem TAMANHO = (480, 640). E como a próxima imagem tem TAMANHO diferente = (640, 426), ele falha ao adicionar o lote. Isso significa que, de alguma forma, não é capaz de aplicar .mapa() função em cada lote. Qualquer ajuda/ideia ?