UNet网络模型：数据集制作
一般语义分割的原始图片和标记图片在以下目录下：
SegmentationClass：标记图片。
JPEGImages：原始图片。
数据集往往都是很多的图片等信息，对于数据集类来说，一个类里有所有数据的信息，并且可以用下标进行访问，就像访问数组一样。
在pytorch中有Dataset类，用于创建自定义数据集类。我们可以用继承Dataset类来实现数据集类。在一个数据集类中，需要确定数据集所在的位置，也要用__getitem__实现下标访问，用__len__实现数据集大小。
对于标记图片和原始图片可能大小或者格式不同，需要将这两个图片的格式统一。
代码参考UNet数据集制作及代码实现_哔哩哔哩_bilibili，根据该UP主的代码，加上我的个人整理和理解。（这个UP主的代码感觉很好，很规范
目录的树形结构：
data/ (path)
|
|
|------- SegmentationClass/
| |
| |-- 标记图像
| |-- ...
| |-- 标记图像
|
|
|
|
|------- JPEGImages/
|
|-- 原始图像
|-- ...
|-- 原始图像
原始图像和标记图像处理
from PIL import Image # 用于读取和处理图像
# 用于加载图像并保存图像大小一致
# path表示图像文件的路径，size表示需要调整的目标大小，默认为(256, 256)。
def keep_image_size_open(path, size = (256, 256)):
# 通过Image.open(path)方法打开path路径的图像，并将返回的图像对象保存在变量img中。
img = Image.open(path)
# 获取输入图像的最大边长
tmp = max(img.size)
# 创建一个新的空白图像对象mask，大小为(tmp, tmp)，颜色为(0, 0, 0)，即黑色。
mask = Image.new("RGB", (tmp, tmp), (0,0,0))
# 将原始图像img粘贴到mask图像对象的左上角，使得原始图像位于黑色背景之上。
mask.paste(img, (0,0))
# 将图像调整为目标大小，并返回调整后的图像对象mask。
mask = mask.resize(size)
return mask
数据集制作
import os # 路径操作
from torch.utils.data import Dataset # 继承 pytorch中的Dataset
from utils import * # 引入自己写的： 将原始图片和标记图片格式和规格统一
from torchvision import transforms # 用于数据预处理
################################################
#
# transforms.Compose用于将多个变换操作组合在一起。
# 这里只有一个 ToTensor()，用于将图像数据转为张量格式
#
###############################################
transform = transforms.Compose([
transforms.ToTensor()
])
##############################################
#
# 通过继承Dataset类，来实现自定义数据集类
#
##############################################
class MyDataset(Dataset):
# path表示数据集的路径
def __init__(self, path):
self.path = path
# path路径下的目录
self.name = os.listdir(os.path.join(path, "SegmentationClass"))
# 返回数据集长度
def __len__(self):
return len(self.name)
# 实现下标访问
def __getitem__(self, index):
segment_name = self.name[index] # xx.png 得到的是：path/SegmentationClass/图像名字
segment_path = os.path.join(self.path, "SegmentationClass", segment_name) # 得到标记图像路径
# 得到原始图像路径。segment_name.replace(xxx,kkk) 表示如果标记图像和原始图像格式不同，进行后缀替代，进而得到正确的原始图像路径
image_path = os.path.join(self.path, "JPEGImages", segment_name.replace("png", "jpg"))
# 将图像进行统一规格化
segment_image = keep_image_size_open(segment_path)
image = keep_image_size_open(image_path)
# 返回经过transform处理后的图像张量
return transform(image), transform(segment_image)
# 测试是否正确
if __name__ == "__main__":
data = MyDataset(r"E:\Undergraduate\School\Scientific_research\ML\Machine_Learning\lab\图形分割\Unet模型总\data")
print(data[0][0].shape)
print(data[0][1].shape)
UNet数据集制作及代码实现_哔哩哔哩_bilibili
