2024.7.18工作日志

1自定义数据集

import os
import pandas as pd
from torch.utils.data import Dataset//在这里torch 以及 torchvision的版本要一致，不然会报错
from torchvision.io import read_image


class CustomImageDataset(Dataset):
    def __init__(self, annotations_file=r'my_labels.csv', img_dir=r'MerchData', transform=None, target_transform=None):
        self.img_labels = pd.read_csv(annotations_file)
        self.img_dir = img_dir
        self.transform = transform
        self.target_transform = target_transform

    def __len__(self):
        return len(self.img_labels)

    def __getitem__(self, idx):
        img_path = os.path.join(self.img_dir, self.img_labels.iloc[idx, 0])
        image = read_image(img_path)
        label = self.img_labels.iloc[idx, 1]
        if self.transform:
            image = self.transform(image)
        if self.target_transform:
            label = self.target_transform(label)
        return image, label

此处代码实现的是自定义数据集的一个加载，其中annotations_file=r'my_labels.csv' 表示的是一个在不同种类的图像当中，所划分的标签，以五种不同的花为例，种类分别为0-4(标签样式不固定，根据需求来做)，保存格式为csv。

• img_dir：图像文件所在的目录。

• transform：可选参数，用于图像数据的预处理或增强。
• target_transform：可选参数，用于转换标签数据。
• 总之，CustomImageDataset 提供了一种灵活且可扩展的方式来处理图像数据，允许在模型训练过程中有效地管理和预处理图像数据集。

img_path = os.path.join(self.img_dir, self.img_labels.iloc[idx, 0])这串代码中self.img_labels.iloc[idx, 0] 已经包含了一个相对路径，这意味着你不需要再次使用 os.path.join 将其与 self.img_dir 结合，因为这会导致路径中出现多余的目录层级。

所有在使用时应当直接img_path = self.img_labels.iloc[idx, 0]，便可以读取相应文件及其子目录下的内容。