Pytorch 自定义dataloader实现多通道按比例输入不同label数据

Dataloader

当我们使用pytorch进行深度学习模型开发时，为了使用自己的数据集训练网络，往往需要构建自己的dataloader。dataloader用于构建可迭代的数据装载器，可以使用for img, labels in dataloaders进行可迭代对象的访问，从而提取数据用于训练与验证。

pytorch 循环这个 DataLoader 对象，将img, label加载到模型中进行训练。

自定义

自定义的LoadData三个方法是缺一不可的：

1.__init__()，主要用来定义数据的预处理
2.__getitem__方法，返回数据的img和label
3.__len__方法，返回数据个数

pytorch会通过本文自定义的dataloader，从ch1，ch2，ch3三个文件夹按一定比例提取img和mask中的数据作为模型输入，从而实现多通道按比例输入不同label数据。

代码

import os
import numpy as np
import random
import cv2
from torch.utils import data
import glob




class My_data(data.Dataset):
    def __init__(self, opt):
        self.opt = opt
        self.__counter = 0

        self.load_data()

    def load_data(self):
        root_path = self.opt.data_root

        name_img_png = R'/img/*.png'
        name_mask_png = R'/mask/*.png'

        temp_char = 'ch1'
        self._channel_1_img = glob.glob(os.path.join(root_path, temp_char+name_img_png))
        self._channel_1_mask = glob.glob(os.path.join(root_path, temp_char+name_mask_png))
        self.check_error(self._channel_1_img, self._channel_1_fake, self._channel_1_mask, temp_char)

        temp_char = 'ch2'
        self._channel_2_img = glob.glob(os.path.join(root_path, temp_char + name_img_png))
        self._channel_2_mask = glob.glob(os