Es posible Recortar/cambiar el tamaño de imágenes por lotes ?
Estoy usando Tensorflow conjunto de datos de la API de la siguiente manera:
dataset = dataset.shuffle().repeat().batch(batch_size, drop_remainder=True)
Quiero, en el lote de todas las imágenes deben tener el mismo tamaño. Sin embargo a través de los lotes puede tener diferentes tamaños.
Por ejemplo, lote 1 tiene todas las imágenes de la forma (batch_size, 300, 300, 3). Siguiente lote puede tener imágenes de forma (batch_size, 224, 224, 3). Otro lote puede tener imágenes de forma (batch_size, 400, 400, 3).
Básicamente quiero tener dymanically en forma de lotes, sin embargo todas las imágenes dentro del lote estática formas.
Si hacemos como sigue:
dataset = dataset.shuffle().repeat().batch(batch_size, drop_remainder=True).map(lambda x, y: map_fn(x, y))
Significa lo anterior .mapa() se aplica a cada lote por separado o de todo el conjunto de datos ?
Si anteriormente .mapa() no aplica para cada lote por separado, ¿cómo podemos hacer esto ? Podemos definir cualquier iterador después de conjunto de datos.lote(), se aplican tf.imagen.crop_and_resize() sobre cada imagen por lote y el uso posterior del conjunto de datos.concatenar() para combinar todos transformados de los lotes ?
Estoy creando el conjunto de datos de la siguiente manera:
# 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]
Aunque me dio SIZE = (300, 300) en tf.imagen.cambiar el tamaño(imágenes, TAMAÑO), el lote tiene un TAMAÑO = (480, 640). Y como en la siguiente imagen se tiene de diferente TAMAÑO = (640, 426), no de añadir al lote. Eso significa que de alguna manera no es capaz de aplicar .mapa() de la función en cada uno de los lotes. Cualquier ayuda/idea ?