Разведочный анализ датасета изображений овощей "Vegetable Images"¶

Цели ноутбука:

• Провести анализ характеристик изображений
• Провести анализ метаданных изображений
• Провести визуальный анализ изображений
• Визуализировать данные
• Провести первичную предобработку
• Сделать выводы по структуре данных

Датасет взят отсюда: https://www.kaggle.com/datasets/misrakahmed/vegetable-image-dataset?select=Vegetable+Images

In [1]:

# Для работы с EXIF-данными картинок
!pip install exif

# Для работы с EXIF-данными картинок !pip install exif

Requirement already satisfied: exif in /usr/local/lib/python3.10/dist-packages (1.6.0)
Requirement already satisfied: plum-py<2.0.0,>=0.5.0 in /usr/local/lib/python3.10/dist-packages (from exif) (0.8.7)

In [2]:

import zipfile
import os

import matplotlib.pyplot as plt
import plotly.graph_objects as go
from PIL import Image, ImageOps
import random
from tqdm.auto import tqdm
import seaborn as sns
import numpy as np
import cv2
import pandas as pd

# Для работы с EXIF-данными картинок
import exif

import zipfile import os import matplotlib.pyplot as plt import plotly.graph_objects as go from PIL import Image, ImageOps import random from tqdm.auto import tqdm import seaborn as sns import numpy as np import cv2 import pandas as pd # Для работы с EXIF-данными картинок import exif

In [3]:

try:
    from google.colab import drive

    drive.mount("/content/drive")
    DRIVE_DIR = os.path.join("/content/drive", "MyDrive")
except ImportError:
    DRIVE_DIR = os.getcwd()

DATASET_DIR = os.path.join(os.getcwd(), "dataset", "Vegetable Images")
os.makedirs(DATASET_DIR, exist_ok=True)

try: from google.colab import drive drive.mount("/content/drive") DRIVE_DIR = os.path.join("/content/drive", "MyDrive") except ImportError: DRIVE_DIR = os.getcwd() DATASET_DIR = os.path.join(os.getcwd(), "dataset", "Vegetable Images") os.makedirs(DATASET_DIR, exist_ok=True)

Drive already mounted at /content/drive; to attempt to forcibly remount, call drive.mount("/content/drive", force_remount=True).

In [4]:

# Распаковка архива
with zipfile.ZipFile(os.path.join(DRIVE_DIR, "VegetableImages.zip"), "r") as zip_ref:
    zip_ref.extractall("./dataset")

# Проверим структуру папок
os.listdir(DATASET_DIR)

# Распаковка архива with zipfile.ZipFile(os.path.join(DRIVE_DIR, "VegetableImages.zip"), "r") as zip_ref: zip_ref.extractall("./dataset") # Проверим структуру папок os.listdir(DATASET_DIR)

Out[4]:

['Bottle_Gourd',
 'Papaya',
 'Radish',
 'Cauliflower',
 'Bitter_Gourd',
 'Carrot',
 'Pumpkin',
 'Cabbage',
 'Brinjal',
 'Capsicum',
 'Tomato',
 'Cucumber',
 'Potato',
 'Broccoli',
 'Bean']

In [5]:

# Список классов
classes = os.listdir(DATASET_DIR)
class_counts = {cls: len(os.listdir(os.path.join(DATASET_DIR, cls))) for cls in classes}

print(f"Классы: {', '.join(classes)}")

# Список классов classes = os.listdir(DATASET_DIR) class_counts = {cls: len(os.listdir(os.path.join(DATASET_DIR, cls))) for cls in classes} print(f"Классы: {', '.join(classes)}")

Классы: Bottle_Gourd, Papaya, Radish, Cauliflower, Bitter_Gourd, Carrot, Pumpkin, Cabbage, Brinjal, Capsicum, Tomato, Cucumber, Potato, Broccoli, Bean

1. Анализ характеристик изображений¶

Средние, минимальные и максимальные размеры изображений¶

Нахождение среднего, минимального и максимального размера изображений поможет определить оптимальный размер для последующей обработки. Получим размеры изображений и рассчитаем средние, минимальные и максимальные размеры.

In [6]:

# Функция для возврата списка строк вида [класс, имя файла, ширина, высота]
def check_image_sizes(folder_path, cls):
    sizes = []
    for img in os.listdir(folder_path):
        image = Image.open(os.path.join(folder_path, img))
        sizes.append([cls, img, *image.size])
    return sizes

# Функция для возврата списка строк вида [класс, имя файла, ширина, высота] def check_image_sizes(folder_path, cls): sizes = [] for img in os.listdir(folder_path): image = Image.open(os.path.join(folder_path, img)) sizes.append([cls, img, *image.size]) return sizes

In [7]:

# Соберу строки с инофрмацией о размерах, пройдясь по папкам классов
row_list = []
for cls in tqdm(classes):
    folder_path = os.path.join(DATASET_DIR, cls)
    row_list.extend(check_image_sizes(folder_path, cls))

print("Строки имеют вид:")
print(row_list[0])

# Соберу строки с инофрмацией о размерах, пройдясь по папкам классов row_list = [] for cls in tqdm(classes): folder_path = os.path.join(DATASET_DIR, cls) row_list.extend(check_image_sizes(folder_path, cls)) print("Строки имеют вид:") print(row_list[0])

  0%|          | 0/15 [00:00<?, ?it/s]

Строки имеют вид:
['Bottle_Gourd', '1178.jpg', 224, 224]

In [8]:

df = pd.DataFrame(row_list, columns=["class", "name", "width", "height"])
df.describe()

df = pd.DataFrame(row_list, columns=["class", "name", "width", "height"]) df.describe()

Out[8]:

	width	height
count	21000.0	21000.000000
mean	224.0	223.991333
std	0.0	0.467854
min	224.0	187.000000
25%	224.0	224.000000
50%	224.0	224.000000
75%	224.0	224.000000
max	224.0	224.000000

У всех изображений ширина равна 224px. Большая часть изображений имеет высоту 224px.

Рассмотрим подробнее:

In [9]:

df["width"].unique(), df["height"].unique()

df["width"].unique(), df["height"].unique()

Out[9]:

(array([224]), array([224, 210, 211, 207, 223, 187, 198, 205, 200, 193]))

In [10]:

df[df["height"] != 224]

df[df["height"] != 224]

Out[10]:

	class	name	width	height
1411	Papaya	0741.jpg	224	210
1774	Papaya	0126.jpg	224	211
1885	Papaya	1246.jpg	224	207
2148	Papaya	1150.jpg	224	223
2687	Papaya	1138.jpg	224	187
2701	Papaya	0176.jpg	224	198
5712	Bitter_Gourd	0526.jpg	224	205
5958	Bitter_Gourd	0609.jpg	224	200
6396	Bitter_Gourd	0430.jpg	224	193

Основная часть картинок размером 224 на 224 px, но встречаются картинки другого размера.
Для ширины среднее значение, минимальное и максимальное совпадает - 224
Для высоты среднее значение ~224, максимальное - 224, минимальное - 187
Присутствуют картинки с высотой другого размера в классе Papaya и Bitter_Gourd.

Самая подходящая ширина и высота для картинок - 224x224px.
При изменении размера картинок с другой высоторй качество данных не пострадает, т.к. таких изображений немного (9шт из 21000) и значения высоты отличается от 224px не сильно (изображения не потеряют в детализации)

Средние значения и отклонения по каналам (R, G, B)¶

Средние значения по каналам могут быть использованы для нормализации изображений, что улучшает обучение моделей.
Вычислим среднее и стандартное отклонение по каждому из трех каналов (красный, зеленый, синий) для всех изображений.

In [11]:

# Функция для возврата списка строк вида [класс, имя файла, среднее отклонение rgb, стандартное отклонение rgb]
def check_image_color(folder_path, cls):
    colors = []
    for img in os.listdir(folder_path):
        image = cv2.imread(os.path.join(folder_path, img))
        b, g, r = cv2.split(image)
        r_mean, g_mean, b_mean = np.mean(r), np.mean(g), np.mean(b)
        r_std, g_std, b_std = np.std(r), np.std(g), np.std(b)
        colors.append([cls, img, r_mean, g_mean, b_mean, r_std, g_std, b_std])
    return colors

# Функция для возврата списка строк вида [класс, имя файла, среднее отклонение rgb, стандартное отклонение rgb] def check_image_color(folder_path, cls): colors = [] for img in os.listdir(folder_path): image = cv2.imread(os.path.join(folder_path, img)) b, g, r = cv2.split(image) r_mean, g_mean, b_mean = np.mean(r), np.mean(g), np.mean(b) r_std, g_std, b_std = np.std(r), np.std(g), np.std(b) colors.append([cls, img, r_mean, g_mean, b_mean, r_std, g_std, b_std]) return colors

In [12]:

# Соберу строки с инофрмацией о RGB, пройдясь по папкам классов
row_list = []
for cls in tqdm(classes):
    folder_path = os.path.join(DATASET_DIR, cls)
    row_list.extend(check_image_color(folder_path, cls))

print("Строки имеют вид:")
print(row_list[0])

# Соберу строки с инофрмацией о RGB, пройдясь по папкам классов row_list = [] for cls in tqdm(classes): folder_path = os.path.join(DATASET_DIR, cls) row_list.extend(check_image_color(folder_path, cls)) print("Строки имеют вид:") print(row_list[0])

  0%|          | 0/15 [00:00<?, ?it/s]

Строки имеют вид:
['Bottle_Gourd', '1178.jpg', 85.44256218112245, 117.14313616071429, 68.37440210459184, 49.01256567527335, 60.50026353394876, 49.72004182453455]

In [13]:

rgb_df = pd.DataFrame(row_list, columns=["class", "name", "mean_R", "mean_G", "mean_B", "std_R", "std_G", "std_B"])
rgb_df.describe()

rgb_df = pd.DataFrame(row_list, columns=["class", "name", "mean_R", "mean_G", "mean_B", "std_R", "std_G", "std_B"]) rgb_df.describe()

Out[13]:

	mean_R	mean_G	mean_B	std_R	std_G	std_B
count	21000.000000	21000.000000	21000.000000	21000.000000	21000.000000	21000.000000
mean	119.337509	118.151408	87.348927	51.914656	52.396519	50.148858
std	27.391601	23.980795	33.588930	11.997966	10.794314	14.377823
min	45.794922	26.465840	11.900550	10.121523	12.691663	10.692505
25%	98.418253	106.007215	61.782501	46.314204	46.744917	40.683373
50%	114.738799	117.365055	82.310258	52.606615	53.218768	47.685299
75%	135.268495	130.212836	108.718416	58.575754	59.088941	56.861012
max	251.624821	251.437480	244.118324	109.484768	111.737861	119.839496

In [14]:

rgb_rows = []

channels = ["Red", "Green", "Blue"]
for cls in rgb_df["class"].unique():
    rows = rgb_df[rgb_df["class"] == cls].values
    mean_r = np.mean(rows[:, 2])
    mean_g = np.mean(rows[:, 3])
    mean_b = np.mean(rows[:, 4])
    std_r = np.std(rows[:, 5])
    std_g = np.std(rows[:, 6])
    std_b = np.std(rows[:, 7])
    means = [mean_r, mean_g, mean_b]
    stds = [std_r, std_g, std_b]
    rgb_rows.append([cls, mean_r, mean_g, mean_b, std_r, std_g, std_b])
    # Построим бар-график для среднего значения и стандартного отклонения
    fig = go.Figure()
    fig.add_trace(
        go.Bar(
            x=channels,
            y=[mean_r, mean_g, mean_b],
            error_y={"type": "data", "array": [std_r, std_g, std_b], "visible": True},
            marker={"color": ["red", "green", "blue"]},
            opacity=0.7,
        )
    )
    fig.update_layout(
        title=f"Среднее значение и стандартное отклонение по каналам (R, G, B) {cls}",
        xaxis_title="Каналы",
        yaxis_title="Значение пикселей",
        width=900,
        height=500,
    )
    fig.show()

rgb_rows = [] channels = ["Red", "Green", "Blue"] for cls in rgb_df["class"].unique(): rows = rgb_df[rgb_df["class"] == cls].values mean_r = np.mean(rows[:, 2]) mean_g = np.mean(rows[:, 3]) mean_b = np.mean(rows[:, 4]) std_r = np.std(rows[:, 5]) std_g = np.std(rows[:, 6]) std_b = np.std(rows[:, 7]) means = [mean_r, mean_g, mean_b] stds = [std_r, std_g, std_b] rgb_rows.append([cls, mean_r, mean_g, mean_b, std_r, std_g, std_b]) # Построим бар-график для среднего значения и стандартного отклонения fig = go.Figure() fig.add_trace( go.Bar( x=channels, y=[mean_r, mean_g, mean_b], error_y={"type": "data", "array": [std_r, std_g, std_b], "visible": True}, marker={"color": ["red", "green", "blue"]}, opacity=0.7, ) ) fig.update_layout( title=f"Среднее значение и стандартное отклонение по каналам (R, G, B) {cls}", xaxis_title="Каналы", yaxis_title="Значение пикселей", width=900, height=500, ) fig.show()

Заметно, что среднее значение стандартное отклонение сильно варьируется от класса к классу. Для нормализации изображений можно использовать эти средние значения и стандартные отклонения по каждому каналу и классу, что повысит устойчивость модели к различиям в цветах между классами.

2. Анализ метаданных изображений¶

In [15]:

# Вернет строки вида [класс, имя файла, модель фотоаппарата, значение диафрагмы, значение яркости, фокусное расстояние, коэф. цифрового масштабирования]
def check_exif_data(folder_path, cls):
    exif_rows = []
    for img in os.listdir(folder_path):
        try:
            image = exif.Image(os.path.join(folder_path, img))
            if image.has_exif:
                # Добавляю модель фотоаппарата, значение диафрагмы, яркость, фокус, цифр. масштабирование
                exif_rows.append(
                    [
                        cls,
                        img,
                        image.get("model"),
                        image.get("aperture_value"),
                        image.get("brightness_value"),
                        image.get("focal_length"),
                        image.get("digital_zoom_ratio"),
                    ]
                )
            else:
                exif_rows.append([cls, img, None, None, None, None, None])
        except:
            print("Не удалось прочитать EXIF")
            exif_rows.append([cls, img, None, None, None, None, None])
    return exif_rows

# Вернет строки вида [класс, имя файла, модель фотоаппарата, значение диафрагмы, значение яркости, фокусное расстояние, коэф. цифрового масштабирования] def check_exif_data(folder_path, cls): exif_rows = [] for img in os.listdir(folder_path): try: image = exif.Image(os.path.join(folder_path, img)) if image.has_exif: # Добавляю модель фотоаппарата, значение диафрагмы, яркость, фокус, цифр. масштабирование exif_rows.append( [ cls, img, image.get("model"), image.get("aperture_value"), image.get("brightness_value"), image.get("focal_length"), image.get("digital_zoom_ratio"), ] ) else: exif_rows.append([cls, img, None, None, None, None, None]) except: print("Не удалось прочитать EXIF") exif_rows.append([cls, img, None, None, None, None, None]) return exif_rows

In [16]:

# Соберу строки с инофрмацией о EXIF, пройдясь по папкам классов
exif_rows = []
for cls in tqdm(classes):
    folder_path = os.path.join(DATASET_DIR, cls)
    exif_rows.extend(check_exif_data(folder_path, cls))

# Соберу строки с инофрмацией о EXIF, пройдясь по папкам классов exif_rows = [] for cls in tqdm(classes): folder_path = os.path.join(DATASET_DIR, cls) exif_rows.extend(check_exif_data(folder_path, cls))

  0%|          | 0/15 [00:00<?, ?it/s]

Не удалось прочитать EXIF

/usr/local/lib/python3.10/dist-packages/exif/_image.py:171: RuntimeWarning:

ASCII tag contains 16 fewer bytes than specified

Не удалось прочитать EXIF
Не удалось прочитать EXIF
Не удалось прочитать EXIF
Не удалось прочитать EXIF

/usr/local/lib/python3.10/dist-packages/exif/_app1_metadata.py:476: RuntimeWarning:

skipping bad IFD 1

In [17]:

exif_df = pd.DataFrame(
    exif_rows,
    columns=[
        "class",
        "name",
        "model",
        "aperture_value",
        "brightness_value",
        "focal_length",
        "digital_zoom_ratio",
    ],
)

exif_df.info()

exif_df = pd.DataFrame( exif_rows, columns=[ "class", "name", "model", "aperture_value", "brightness_value", "focal_length", "digital_zoom_ratio", ], ) exif_df.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 21000 entries, 0 to 20999
Data columns (total 7 columns):
 #   Column              Non-Null Count  Dtype  
---  ------              --------------  -----  
 0   class               21000 non-null  object 
 1   name                21000 non-null  object 
 2   model               5186 non-null   object 
 3   aperture_value      5172 non-null   float64
 4   brightness_value    3416 non-null   float64
 5   focal_length        5185 non-null   float64
 6   digital_zoom_ratio  4050 non-null   float64
dtypes: float64(4), object(3)
memory usage: 1.1+ MB

In [18]:

exif_df.describe(include="all")

exif_df.describe(include="all")

Out[18]:

	class	name	model	aperture_value	brightness_value	focal_length	digital_zoom_ratio
count	21000	21000	5186	5172.000000	3416.000000	5185.000000	4050.000000
unique	15	1457	41	NaN	NaN	NaN	NaN
top	Bottle_Gourd	1178.jpg	SM-A515F	NaN	NaN	NaN	NaN
freq	1400	15	3490	NaN	NaN	NaN	NaN
mean	NaN	NaN	NaN	2.052626	3.760876	6.940258	0.948642
std	NaN	NaN	NaN	0.530380	4.553864	6.917523	0.220754
min	NaN	NaN	NaN	1.610000	-6.340000	3.610000	0.000000
25%	NaN	NaN	NaN	2.000000	0.230000	4.600000	1.000000
50%	NaN	NaN	NaN	2.000000	4.045000	4.600000	1.000000
75%	NaN	NaN	NaN	2.000000	6.680000	7.000000	1.000000
max	NaN	NaN	NaN	8.918863	20.210000	105.000000	1.000000

In [19]:

exif_df[
    exif_df["model"].notna()
    | exif_df["aperture_value"].notna()
    | exif_df["brightness_value"].notna()
    | exif_df["focal_length"].notna()
    | exif_df["digital_zoom_ratio"].notna()
].shape[0]

exif_df[ exif_df["model"].notna() | exif_df["aperture_value"].notna() | exif_df["brightness_value"].notna() | exif_df["focal_length"].notna() | exif_df["digital_zoom_ratio"].notna() ].shape[0]

Out[19]:

5186

У некоторых картинок (5186шт из 2100) встречаются EXIF. Визуально проанализируем их отличия по модели камеры

In [20]:

models = random.sample(list(exif_df["model"].dropna().unique()), 7)
fig, axes = plt.subplots(1, 7, figsize=(21, 3))

for i, model in enumerate(models):
    row = exif_df[exif_df["model"] == model].iloc[0]
    img_class_path = os.path.join(DATASET_DIR, row["class"])
    img_path = os.path.join(img_class_path, row["name"])
    img = Image.open(img_path)
    axes[i].imshow(img)
    axes[i].axis("off")
    axes[i].set_title(model, fontsize=10)
plt.tight_layout()
plt.show()

models = random.sample(list(exif_df["model"].dropna().unique()), 7) fig, axes = plt.subplots(1, 7, figsize=(21, 3)) for i, model in enumerate(models): row = exif_df[exif_df["model"] == model].iloc[0] img_class_path = os.path.join(DATASET_DIR, row["class"]) img_path = os.path.join(img_class_path, row["name"]) img = Image.open(img_path) axes[i].imshow(img) axes[i].axis("off") axes[i].set_title(model, fontsize=10) plt.tight_layout() plt.show()

Качество изображений отличается в зависимости от камеры.

У изображений встречаются EXIF-данные, в дальнейшем их можно будет использовать как дополнительные признаки для улучшения модели

3. Изучение связи изображений с целевой переменной¶

Визуально проанализируем несколько примеров изображений из каждого класса, чтобы лучше понять взаимосвязь между изображением и целевой переменной

In [21]:

# Функция для отображения нескольких изображений из класса
def show_images(folder_path, cls, num_images=5):
    image_files = random.sample(os.listdir(folder_path), num_images)

    plt.figure(figsize=(15, 5))
    for i, img_name in enumerate(image_files):
        img_path = os.path.join(folder_path, img_name)
        img = Image.open(img_path)

        plt.subplot(1, num_images, i + 1)
        plt.imshow(img)
        plt.title(cls)
        plt.axis("off")
    plt.show()

# Функция для отображения нескольких изображений из класса def show_images(folder_path, cls, num_images=5): image_files = random.sample(os.listdir(folder_path), num_images) plt.figure(figsize=(15, 5)) for i, img_name in enumerate(image_files): img_path = os.path.join(folder_path, img_name) img = Image.open(img_path) plt.subplot(1, num_images, i + 1) plt.imshow(img) plt.title(cls) plt.axis("off") plt.show()

In [22]:

for cls in classes:
    folder_path = os.path.join(DATASET_DIR, cls)
    show_images(folder_path, cls)

for cls in classes: folder_path = os.path.join(DATASET_DIR, cls) show_images(folder_path, cls)

Для класса Tomato:
Большая часть изображений в данном классе растянуты и сплюснуты.

Для класса Radish:
Редис на изображениях светлый и вытянутый. Так же бывает круглый и красный редис, но в датасете такие не представлены

Для класса Brinjal:
Все баклажаны в датасете зеленого цвета. Баклажаны чаще встречаются фиолетового цвета, в датасете не представлены.

Для класса Pumpkin:
Тыквы в датасете все одинакового цвета, больше похожи на арбуз. Тыквы часто бывают рыжего цвета, но в датасете не представлены

Остальные классы в датасете выглядят удовлетворительно.

4. Визуализация данных¶

In [23]:

plt.figure(figsize=(10, 5))
sns.barplot(x=list(class_counts.keys()), y=list(class_counts.values()))
plt.xticks(rotation=90)
plt.title("Количество изображений в каждого класса")
plt.show()

plt.figure(figsize=(10, 5)) sns.barplot(x=list(class_counts.keys()), y=list(class_counts.values())) plt.xticks(rotation=90) plt.title("Количество изображений в каждого класса") plt.show()

Для каждого класса представлено 1400 изображений. Датасет хорошо сбалансирован.

5. Первичная предобработка изображений¶

Определение размера для ресайза или нарезки изображений¶

In [24]:

# DataFrame с информацией о картинках с нестандартным размером
incorrect_sized = df.loc[(df["width"] != 224) | (df["height"] != 224)]
incorrect_sized.head()

# DataFrame с информацией о картинках с нестандартным размером incorrect_sized = df.loc[(df["width"] != 224) | (df["height"] != 224)] incorrect_sized.head()

Out[24]:

	class	name	width	height
1411	Papaya	0741.jpg	224	210
1774	Papaya	0126.jpg	224	211
1885	Papaya	1246.jpg	224	207
2148	Papaya	1150.jpg	224	223
2687	Papaya	1138.jpg	224	187

Т.к. есть изображения нестандартного размера, то можно привести их к одному размеру. Ранее было принято решение использовать оптимальный размер 224*224px.

In [25]:

def set_image_size(img_path: str, size: tuple[int, int]):
    img = Image.open(img_path)
    if img.mode != "RGB":
        img = img.convert("RGB")
    ratio = img.width / img.height
    # Широкое изображение
    if ratio > 1:
        new_width = size[0]
        new_height = int(size[0] / ratio)
    # Высокое изображение
    else:
        new_height = size[1]
        new_width = int(size[1] * ratio)
    img_resized = img.resize((new_width, new_height), Image.LANCZOS)
    img_padded = ImageOps.pad(img_resized, size, color="white", centering=(0.5, 0.5))
    img_padded.save(img_path)

def set_image_size(img_path: str, size: tuple[int, int]): img = Image.open(img_path) if img.mode != "RGB": img = img.convert("RGB") ratio = img.width / img.height # Широкое изображение if ratio > 1: new_width = size[0] new_height = int(size[0] / ratio) # Высокое изображение else: new_height = size[1] new_width = int(size[1] * ratio) img_resized = img.resize((new_width, new_height), Image.LANCZOS) img_padded = ImageOps.pad(img_resized, size, color="white", centering=(0.5, 0.5)) img_padded.save(img_path)

In [26]:

for row in incorrect_sized.values:
    path = os.path.join(DATASET_DIR, row[0], row[1])
    set_image_size(path, (224, 224))

for row in incorrect_sized.values: path = os.path.join(DATASET_DIR, row[0], row[1]) set_image_size(path, (224, 224))

In [27]:

row_list = []
for cls in tqdm(classes):
    folder_path = os.path.join(DATASET_DIR, cls)
    row_list.extend(check_image_sizes(folder_path, cls))

row_list = [] for cls in tqdm(classes): folder_path = os.path.join(DATASET_DIR, cls) row_list.extend(check_image_sizes(folder_path, cls))

  0%|          | 0/15 [00:00<?, ?it/s]

In [28]:

df = pd.DataFrame(row_list, columns=["class", "name", "width", "height"])
df.describe()

df = pd.DataFrame(row_list, columns=["class", "name", "width", "height"]) df.describe()

Out[28]:

	width	height
count	21000.0	21000.0
mean	224.0	224.0
std	0.0	0.0
min	224.0	224.0
25%	224.0	224.0
50%	224.0	224.0
75%	224.0	224.0
max	224.0	224.0

Ункция ресайза корректно отработала, все изображения приведены к единому размеру. В дальнейшей работе можно будет использовать эту функции для подготовки изображений.