深度学习图片集的制作代码

感谢学姐的教学，本次的代码的目标是，手动制作好训练样本后，根据一定的比例，从训练样本中选出一部分数据作为验证样本，主要用到的库有os、random，以及shutil。os用来处理路径信息，shutil则用来根据路径以及random设置的比例对数据进行移动。
需要注意的是，训练集的创建需要按格式创建，即每种类别单独建立一个文件夹，然后所有类别的文件夹放于‘Train’文件夹下：
D:\Anaconda3\data\yangmiao_data为底层文件夹，验证集‘Val’无需事先创建，代码中会自动创建
Train文件夹中存放有各个类别的文件夹，文件夹命名则为标签值
图片数据的命名规则最好做到规范化
主要代码及注释如下：
1 导入库

import os
from os.path import join
# 用来对图片名进行随机提取
import random
# 用来移动图片
import shutil

2 定义移动数据的函数
函数的输入为底层文件夹名称；
以文件夹（图片标签）为单位进行循环，每次从一个文件夹（标签）中移动制定数量图片，并创建对应的验证文件夹；
用random.sample函数来选取移动的对象；
用shutil.move函数来移动选取的数据。

def image_move(imagedir):
    train_dir = join(imagedir, 'Train')
    train_labels = os.listdir(train_dir)
    for train_label in train_labels:
        print('正在处理的类型: {}'.format(train_label))
        train_labelpath = join(train_dir, train_label)
        # 获取单个类别的所有文件名
        image_names = os.listdir(train_labelpath)
        # 获取文件数量
        train_numbers = len(image_names)
        # 设置验证集与训练集的百分比，用int()是向下取整数，比如int(1.6)=1
        val_numbers = int(train_numbers * 0.2)
        # val_numbers计算出验证集中图片的数量
        # 用random.sample进行随机提取，从训练集文件名提取指定数量的文件名存入验证集中，此处仅保存文件名
        val_names = random.sample(image_names, val_numbers)
        # 将验证集图片保存到对应的文件夹中，且文件夹名称为标签值
        val_labelpath = join(imagedir, 'Val', train_label)
        if not os.path.exists(val_labelpath):
            os.makedirs(val_labelpath)
        for val_name in val_names:
            train_imagepath = join(train_labelpath, val_name)
            val_imagepath = join(val_labelpath, val_name)
            shutil.move(train_imagepath, val_imagepath)
        print('验证集路径: {}, 验证集数量: {}'.format(val_labelpath, val_numbers))
    return

3 函数运行
注意r的用法，用在路径前面，表示固定字符串，不会出现\t、\n等有歧义的情况

if __name__ == '__main__':
    image_dir = r'D:\Anaconda3\data\yangmiao_data'
    image_move(image_dir)