python对图片数据进行批量重命名

前言

在进行深度学习模型训练的时候，很多时候需要制作自己的数据集，还要对自己的数据集进行重命名，如果一个一个的重命名的话，就会很麻烦，在这里给大家提供一种使用python可以快速对自己的数据集进行重命名的方法，希望能够帮助到大家。

我使用的数据集是Rain_1400链接：https://pan.baidu.com/s/1uyQb9M5qJqpI1O1sLgHLmA 提取码：brlt ,用来实现图像去雨

代码如下（示例）：

#-----------------------------批量重命名图片------------------------------------
#-----------重命名《图片》《xml文件》《任何格式的文件》都可以自定义序号来命名------------
import os
'''
该路径存储原始的图片，重命名后会覆盖掉原始的图片，所以在重命名之前选择复制一份，以免被失误重命名
建议在路径中使用：\\ 双斜杠
'''
path = './rainy_image_dataset/rainy_image_dataset/training/ground_truth'
# 绝对路径
filelist = os.listdir(path)
'''
起始数字，重命名的第一个文件的名字会加1
'''

# 仅用于数字开头的图片命名方法
for item in filelist:
        print('item name is ',item)
        name = os.path.splitext(item)   #对图片的名字进行分割
        filename = name[0]  # 读取文件名称“1 -副本-副本（1）.jpg”
        # filetype=os.path.splitext(img)[1]   #文件扩展名
        # print(filetype)
        name_segment = filename.split(" -")  # 以‘ -’进行分割，我的数据集是‘空格+-’，这个根据自己需要进行重命名的数据集而定

        first_segment = name_segment[0]
        #second_segment = name_segment[1] 
	    #three_segment = name_segment[2]  
	    #four_segment = name_segment[3] 

        # jpg\png\bmp\xml  任何格式都支持，但是需要手动修改格式类型
        if item.endswith('.jpg'):
                for i in range(1,901):
                        for j in range(1,15):
                                name1= str(j)
                                # 将数字转换为字符串才能命名
                                src = os.path.join(os.path.abspath(path),item)
                                # 原始图像的路径
                                dst = os.path.join(os.path.abspath(path),first_segment +'_'+name1+'.jpg')  #我使用的数据集是Rain_1400，命名为1_1,1_2,,,,,1_14，2_1,,,,循环900次
                                # 目标图像路径
                                try:
                                        os.rename(src,dst)
                                        print('rename from %s to %s'%(src,dst))
                                        # 将转换结果在终端打印出来以便检查
                                except:
                                        continue

总结

代码放在这里，方便自己使用的时候来取。小伙伴们要是觉得有帮助的话那就更好了！