您的位置:首页 > 技术中心 > 其他 >

Python图片存储和访问的三种方式是什么

时间:2023-05-17 08:16

前言

ImageNet 是一个著名的公共图像数据库,用于训练对象分类、检测和分割等任务的模型,它包含超过 1400 万张图像。

在 Python 中处理图像数据的时候,例如应用卷积神经网络(也称CNN)等算法可以处理大量图像数据集,这里就需要学习如何用最简单的方式存储、读取数据。

对于图像数据处理应该有有个定量的比较方式,读取和写入文件需要多长时间,以及将使用多少磁盘内存。

分别用不同的方式去处理、解决图像的存储、性能优化的问题。

数据准备

一个可以玩的数据集

我们熟知的图像数据集 CIFAR-10,由 60000 个 32x32 像素的彩色图像组成,这些图像属于不同的对象类别,例如狗、猫和飞机。相对而言 CIFAR 不是一个非常大的数据集,但如使用完整的 TinyImages 数据集,那么将需要大约 400GB 的可用磁盘空间。

文中的代码应用的数据集下载地址 CIFAR-10 数据集 。

这份数据是使用cPickle进行了序列化和批量保存。不需要进行额外代码或转换,pickle模块可序列化Python的任意对象。然而,处理大量数据可能会带来无法评估的安全风险。

图像加载到 NumPy 数组中

import numpy as npimport picklefrom pathlib import Path# 文件路径data_dir = Path("data/cifar-10-batches-py/")# 解码功能def unpickle(file):    with open(file, "rb") as fo:        dict = pickle.load(fo, encoding="bytes")    return dictimages, labels = [], []for batch in data_dir.glob("data_batch_*"):    batch_data = unpickle(batch)    for i, flat_im in enumerate(batch_data[b"data"]):        im_channels = []        # 每个图像都是扁平化的,通道按 R, G, B 的顺序排列          for j in range(3):            im_channels.append(                flat_im[j * 1024 : (j + 1) * 1024].reshape((32, 32))            )        # 重建原始图像        images.append(np.dstack((im_channels)))        # 保存标签        labels.append(batch_data[b"labels"][i])print("加载 CIFAR-10 训练集:")print(f" - np.shape(images)     {np.shape(images)}")print(f" - np.shape(labels)     {np.shape(labels)}")

图像存储的设置

安装三方库 Pillow 用于图像处理 。

pip install Pillow

LMDB

"闪电内存映射数据库"(LMDB)也被称为"闪电数据库",因为其速度快并且使用内存映射文件。它是键值存储,而不是关系数据库。

安装三方库 lmdb 用于图像处理 。

pip install lmdb

HDF5

HDF5 代表 Hierarchical Data Format,一种称为 HDF4 或 HDF5 的文件格式。这种可移植、紧凑的科学数据格式来源于美国国家超级计算应用中心。

安装三方库 h6py 用于图像处理 。

pip install h6py

单一图像的存储

3种不同的方式进行数据读取操作

from pathlib import Pathdisk_dir = Path("data/disk/")lmdb_dir = Path("data/lmdb/")hdf5_dir = Path("data/hdf5/")

同时加载的数据可以创建文件夹分开保存

disk_dir.mkdir(parents=True, exist_ok=True)lmdb_dir.mkdir(parents=True, exist_ok=True)hdf5_dir.mkdir(parents=True, exist_ok=True)

存储到 磁盘

使用 Pillow 完成输入是一个单一的图像 image,在内存中作为一个 NumPy 数组,并且使用唯一的图像 ID 对其进行命名image_id。

单个图像保存到磁盘

from PIL import Imageimport csvdef store_single_disk(image, image_id, label):    """ 将单个图像作为 .png 文件存储在磁盘上。        参数:        ---------------        image       图像数组, (32, 32, 3) 格式        image_id    图像的整数唯一 ID        label       图像标签    """    Image.fromarray(image).save(disk_dir / f"{image_id}.png")    with open(disk_dir / f"{image_id}.csv", "wt") as csvfile:        writer = csv.writer(            csvfile, delimiter=" ", quotechar="|", quoting=csv.QUOTE_MINIMAL        )        writer.writerow([label])

存储到 LMDB

LMDB 是一个键值对存储系统,其中每个条目都保存为一个字节数组,键将是每个图像的唯一标识符,值将是图像本身。

键和值都应该是字符串。 常见的用法是将值序列化为字符串,然后在读回时将其反序列化。

用于重建的图像尺寸,某些数据集可能包含不同大小的图像会使用到这个方法。

class CIFAR_Image:    def __init__(self, image, label):        self.channels = image.shape[2]        self.size = image.shape[:2]        self.image = image.tobytes()        self.label = label    def get_image(self):        """ 将图像作为 numpy 数组返回 """        image = np.frombuffer(self.image, dtype=np.uint8)        return image.reshape(*self.size, self.channels)

单个图像保存到 LMDB

import lmdbimport pickledef store_single_lmdb(image, image_id, label):    """ 将单个图像存储到 LMDB        参数:        ---------------        image       图像数组, (32, 32, 3) 格式        image_id    图像的整数唯一 ID        label       图像标签    """    map_size = image.nbytes * 10    # Create a new LMDB environment    env = lmdb.open(str(lmdb_dir / f"single_lmdb"), map_size=map_size)    # Start a new write transaction    with env.begin(write=True) as txn:        # All key-value pairs need to be strings        value = CIFAR_Image(image, label)        key = f"{image_id:08}"        txn.put(key.encode("ascii"), pickle.dumps(value))    env.close()

存储 HDF5

一个 HDF5 文件可以包含多个数据集。可以创建两个数据集,一个用于图像,一个用于元数据。

import h6pydef store_single_hdf5(image, image_id, label):    """ 将单个图像存储到 HDF5 文件        参数:        ---------------        image       图像数组, (32, 32, 3) 格式        image_id    图像的整数唯一 ID        label       图像标签    """    # 创建一个新的 HDF5 文件    file = h6py.File(hdf5_dir / f"{image_id}.h6", "w")    # 在文件中创建数据集    dataset = file.create_dataset(        "image", np.shape(image), h6py.h6t.STD_U8BE, data=image    )    meta_set = file.create_dataset(        "meta", np.shape(label), h6py.h6t.STD_U8BE, data=label    )    file.close()

存储方式对比

将保存单个图像的所有三个函数放入字典中。

_store_single_funcs = dict(    disk=store_single_disk,     lmdb=store_single_lmdb,     hdf5=store_single_hdf5)

以三种不同的方式存储保存 CIFAR 中的第一张图像及其对应的标签。

from timeit import timeitstore_single_timings = dict()for method in ("disk", "lmdb", "hdf5"):    t = timeit(        "_store_single_funcs[method](image, 0, label)",        setup="image=images[0]; label=labels[0]",        number=1,        globals=globals(),    )    store_single_timings[method] = t    print(f"存储方法: {method}, 使用耗时: {t}")

来一个表格看看对比。

存储方法存储耗时使用内存
Disk2.1 ms8 K
LMDB1.7 ms32 K
HDF58.1 ms8 K

多个图像的存储

同单个图像存储方法类似,修改代码进行多个图像数据的存储。

多图像调整代码

将多个图像保存为.png文件可以被看作是多次调用store_single_method()方法。LMDB或HDF5无法采用此方法,因为每个图像都存在于不同的数据库文件中。

将一组图像存储到磁盘

 store_many_disk(images, labels):    """ 参数:        ---------------        images       图像数组 (N, 32, 32, 3) 格式        labels       标签数组 (N,1) 格式    """    num_images = len(images)    # 一张一张保存所有图片    for i, image in enumerate(images):        Image.fromarray(image).save(disk_dir / f"{i}.png")    # 将所有标签保存到 csv 文件    with open(disk_dir / f"{num_images}.csv", "w") as csvfile:        writer = csv.writer(            csvfile, delimiter=" ", quotechar="|", quoting=csv.QUOTE_MINIMAL        )        for label in labels:            writer.writerow([label])

将一组图像存储到 LMDB

def store_many_lmdb(images, labels):    """ 参数:        ---------------        images       图像数组 (N, 32, 32, 3) 格式        labels       标签数组 (N,1) 格式    """    num_images = len(images)    map_size = num_images * images[0].nbytes * 10    # 为所有图像创建一个新的 LMDB 数据库    env = lmdb.open(str(lmdb_dir / f"{num_images}_lmdb"), map_size=map_size)    # 在一个事务中写入所有图像    with env.begin(write=True) as txn:        for i in range(num_images):            # 所有键值对都必须是字符串            value = CIFAR_Image(images[i], labels[i])            key = f"{i:08}"            txn.put(key.encode("ascii"), pickle.dumps(value))    env.close()

将一组图像存储到 HDF5

def store_many_hdf5(images, labels):    """ 参数:        ---------------        images       图像数组 (N, 32, 32, 3) 格式        labels       标签数组 (N,1) 格式    """    num_images = len(images)    # 创建一个新的 HDF5 文件    file = h6py.File(hdf5_dir / f"{num_images}_many.h6", "w")    # 在文件中创建数据集    dataset = file.create_dataset(        "images", np.shape(images), h6py.h6t.STD_U8BE, data=images    )    meta_set = file.create_dataset(        "meta", np.shape(labels), h6py.h6t.STD_U8BE, data=labels    )    file.close()

准备数据集对比

使用 100000 个图像进行测试

cutoffs = [10, 100, 1000, 10000, 100000]images = np.concatenate((images, images), axis=0)labels = np.concatenate((labels, labels), axis=0)# 确保有 100,000 个图像和标签print(np.shape(images))print(np.shape(labels))

创建一个计算方式进行对比

_store_many_funcs = dict(    disk=store_many_disk, lmdb=store_many_lmdb, hdf5=store_many_hdf5)from timeit import timeitstore_many_timings = {"disk": [], "lmdb": [], "hdf5": []}for cutoff in cutoffs:    for method in ("disk", "lmdb", "hdf5"):        t = timeit(            "_store_many_funcs[method](images_, labels_)",            setup="images_=images[:cutoff]; labels_=labels[:cutoff]",            number=1,            globals=globals(),        )        store_many_timings[method].append(t)        # 打印出方法、截止时间和使用时间        print(f"Method: {method}, Time usage: {t}")

PLOT 显示具有多个数据集和匹配图例的单个图

import matplotlib.pyplot as pltdef plot_with_legend(    x_range, y_data, legend_labels, x_label, y_label, title, log=False):    """ 参数:        --------------        x_range         包含 x 数据的列表        y_data          包含 y 值的列表        legend_labels   字符串图例标签列表        x_label         x 轴标签        y_label         y 轴标签    """    plt.style.use("seaborn-whitegrid")    plt.figure(figsize=(10, 7))    if len(y_data) != len(legend_labels):        raise TypeError(            "数据集的数量与标签的数量不匹配"        )    all_plots = []    for data, label in zip(y_data, legend_labels):        if log:            temp, = plt.loglog(x_range, data, label=label)        else:            temp, = plt.plot(x_range, data, label=label)        all_plots.append(temp)    plt.title(title)    plt.xlabel(x_label)    plt.ylabel(y_label)    plt.legend(handles=all_plots)    plt.show()# Getting the store timings data to displaydisk_x = store_many_timings["disk"]lmdb_x = store_many_timings["lmdb"]hdf5_x = store_many_timings["hdf5"]plot_with_legend(    cutoffs,    [disk_x, lmdb_x, hdf5_x],    ["PNG files", "LMDB", "HDF5"],    "Number of images",    "Seconds to store",    "Storage time",    log=False,)plot_with_legend(    cutoffs,    [disk_x, lmdb_x, hdf5_x],    ["PNG files", "LMDB", "HDF5"],    "Number of images",    "Seconds to store",    "Log storage time",    log=True,)

Python图片存储和访问的三种方式是什么

Python图片存储和访问的三种方式是什么

单一图像的读取

从 磁盘 读取

def read_single_disk(image_id):    """ 参数:        ---------------        image_id    图像的整数唯一 ID        返回结果:        ---------------        images       图像数组 (N, 32, 32, 3) 格式        labels       标签数组 (N,1) 格式    """    image = np.array(Image.open(disk_dir / f"{image_id}.png"))    with open(disk_dir / f"{image_id}.csv", "r") as csvfile:        reader = csv.reader(            csvfile, delimiter=" ", quotechar="|", quoting=csv.QUOTE_MINIMAL        )        label = int(next(reader)[0])    return image, label

从 LMDB 读取

def read_single_lmdb(image_id):    """ 参数:        ---------------        image_id    图像的整数唯一 ID        返回结果:        ---------------        images       图像数组 (N, 32, 32, 3) 格式        labels       标签数组 (N,1) 格式    """    # 打开 LMDB 环境    env = lmdb.open(str(lmdb_dir / f"single_lmdb"), readonly=True)    # 开始一个新的事务    with env.begin() as txn:        # 进行编码        data = txn.get(f"{image_id:08}".encode("ascii"))        # 加载的 CIFAR_Image 对象        cifar_image = pickle.loads(data)        # 检索相关位        image = cifar_image.get_image()        label = cifar_image.label    env.close()    return image, label

从 HDF5 读取

def read_single_hdf5(image_id):    """ 参数:        ---------------        image_id    图像的整数唯一 ID        返回结果:        ---------------        images       图像数组 (N, 32, 32, 3) 格式        labels       标签数组 (N,1) 格式    """    # 打开 HDF5 文件    file = h6py.File(hdf5_dir / f"{image_id}.h6", "r+")    image = np.array(file["/image"]).astype("uint8")    label = int(np.array(file["/meta"]).astype("uint8"))    return image, label

读取方式对比

from timeit import timeitread_single_timings = dict()for method in ("disk", "lmdb", "hdf5"):    t = timeit(        "_read_single_funcs[method](0)",        setup="image=images[0]; label=labels[0]",        number=1,        globals=globals(),    )    read_single_timings[method] = t	print(f"读取方法: {method}, 使用耗时: {t}")
存储方法存储耗时
Disk1.7 ms
LMDB4.4 ms
HDF52.3 ms

多个图像的读取

可以将多个图像保存为.png文件,这等价于多次调用 read_single_method()。这并不适用于 LMDB 或 HDF5,因为每个图像都储存在不同的数据库文件中。

多图像调整代码

从磁盘中读取多个都图像

def read_many_disk(num_images):    """ 参数:        ---------------        num_images   要读取的图像数量        返回结果:        ---------------        images       图像数组 (N, 32, 32, 3) 格式        labels       标签数组 (N,1) 格式    """    images, labels = [], []    # 循环遍历所有ID,一张一张地读取每张图片    for image_id in range(num_images):        images.append(np.array(Image.open(disk_dir / f"{image_id}.png")))    with open(disk_dir / f"{num_images}.csv", "r") as csvfile:        reader = csv.reader(            csvfile, delimiter=" ", quotechar="|", quoting=csv.QUOTE_MINIMAL        )        for row in reader:            labels.append(int(row[0]))    return images, labels

从LMDB中读取多个都图像

def read_many_lmdb(num_images):    """ 参数:        ---------------        num_images   要读取的图像数量        返回结果:        ---------------        images       图像数组 (N, 32, 32, 3) 格式        labels       标签数组 (N,1) 格式    """    images, labels = [], []    env = lmdb.open(str(lmdb_dir / f"{num_images}_lmdb"), readonly=True)    # 开始一个新的事务    with env.begin() as txn:        # 在一个事务中读取,也可以拆分成多个事务分别读取        for image_id in range(num_images):            data = txn.get(f"{image_id:08}".encode("ascii"))            # CIFAR_Image 对象,作为值存储            cifar_image = pickle.loads(data)            # 检索相关位            images.append(cifar_image.get_image())            labels.append(cifar_image.label)    env.close()    return images, labels

从HDF5中读取多个都图像

def read_many_hdf5(num_images):    """ 参数:        ---------------        num_images   要读取的图像数量        返回结果:        ---------------        images       图像数组 (N, 32, 32, 3) 格式        labels       标签数组 (N,1) 格式    """    images, labels = [], []    # 打开 HDF5 文件    file = h6py.File(hdf5_dir / f"{num_images}_many.h6", "r+")    images = np.array(file["/images"]).astype("uint8")    labels = np.array(file["/meta"]).astype("uint8")    return images, labels_read_many_funcs = dict(    disk=read_many_disk, lmdb=read_many_lmdb, hdf5=read_many_hdf5)

准备数据集对比

创建一个计算方式进行对比

from timeit import timeitread_many_timings = {"disk": [], "lmdb": [], "hdf5": []}for cutoff in cutoffs:    for method in ("disk", "lmdb", "hdf5"):        t = timeit(            "_read_many_funcs[method](num_images)",            setup="num_images=cutoff",            number=1,            globals=globals(),        )        read_many_timings[method].append(t)        # Print out the method, cutoff, and elapsed time        print(f"读取方法: {method}, No. images: {cutoff}, 耗时: {t}")

Python图片存储和访问的三种方式是什么

Python图片存储和访问的三种方式是什么

读写操作综合比较

数据对比

同一张图表上查看读取和写入时间

plot_with_legend(    cutoffs,    [disk_x_r, lmdb_x_r, hdf5_x_r, disk_x, lmdb_x, hdf5_x],    [        "Read PNG",        "Read LMDB",        "Read HDF5",        "Write PNG",        "Write LMDB",        "Write HDF5",    ],    "Number of images",    "Seconds",    "Log Store and Read Times",    log=False,)

Python图片存储和访问的三种方式是什么

各种存储方式使用磁盘空间

Python图片存储和访问的三种方式是什么

虽然 HDF5 和 LMDB 都占用更多的磁盘空间。需要注意的是 LMDB 和 HDF5 磁盘的使用和性能在很大程度上取决于各种因素,包括操作系统,更重要的是存储的数据大小。

并行操作

通常对于大的数据集,可以通过并行化来加速操作。 也就是我们经常说的并发处理。

作为.png 文件存储到磁盘实际上允许完全并发。可通过使用不同的图像名称,实现从多个线程读取多个图像,或一次性写入多个文件。

如果将所有 CIFAR 分成十组,那么可以为一组中的每个读取设置十个进程,并且相应的处理时间可以减少到原来的10%左右。

以上就是Python图片存储和访问的三种方式是什么的详细内容,更多请关注Gxl网其它相关文章!

热门排行

今日推荐

热门手游