1：在train中加载train和test数据集。

2：指定数据集为kitti，确定训练验证的batchsize。

3：提前定义好数据预处理，首先是几何变换，包括随机裁切等。

4：然后是外观变换，包括高斯滤波，调整颜色等。

5：这些都是train的变化，接着是validation的变换。只有归一化和转换为tensor。

6：然后就是定义dataset，包括对图片进行处理。

7：接着在KITTI数据集中，定义参数：

8：最重要的是划分数据集：首先看一下原始目录：

training:

testing:

9：如果mode为test，quality为semantic，制作test数据集。

10：img位于KITTI下的testing下的image_2目录中。将testing文件夹下image的图片和None(testing没有标签)作为一个列表存储起来，并返回。

11：如果mode不为test，那么还可以为train,trainval。首先查看training目录下image2和semantic目录下的图片。通过一一遍历组合成一个(image,mask)组成的列表。接着将列表进行划分。

12：通过get_train_val进行划分。确定好按几折划分。

13：给出val所对应的图片，有20个，遍历循环，将位于val_0/1/2的图片添加到val_set中，其余的添加到train_set中并返回。


14：判断mode的模式，这里第一次看漏了，如果mode = train，则items=train_set=180张image和对应的180张mask。如果mode=val，则items=val_set=20张image和对应的20张mask。如果mode=trainval，则items=train_set + val_set=200张所有的image和对应的200张mask。

在kitti验证时候，验证的是所有图片。

15：接着生成一个json：

16：将self.imgs图片和类别，以及cityscape的id_to_trainid输入到class_centroids_all中，猜测是将semantic的34个类别映射到19个类别，将centroids写入到json文件中。

17：接着用新生成的uniform_image代替旧的image。

18：接着在get_item_中读入图片，并对图片进行处理。