目录

1. 介绍

2. 数据处理 dataset

2.1 预处理

2.2 加载数据

2.2.1 初始化

2.2.2 返回数据

2.2.3 样本数量

3. 测试一下

4. 完整代码

---

1. 介绍

之前介绍完了Unet网络的搭建，接下来说一下要解决的任务。

本章介绍的是：数据的加载处理

下面是整个项目：

• data里面存放的是训练的数据
• predict 是存放的是需要预测的数据
• result 是predict里面预测出来的结果
• dataset 是数据加载的文件、model 是UNet网络、train是训练、predict是预测

本项目参考这篇文章：UNet模型训练，深度解析！ ，网络做了一些优化和更改，整个项目完成会上传到CSDN，数据可以在链接里面获取

因为data数据只有30张，并且没有test集，所以这里手工分类了一下。将对应的image和label取出来放到test里面即可，这里21张用于train，9张用于test

 

样本图片：

 

对应label:

 

2. 数据处理 dataset

有关内容可以参考：关于pytorch的数据处理-数据加载Dataset

2.1 预处理

因为UNet 网络，我们希望的输入是480*480的灰度图，所以预处理的时候要改变一个size

图像本身就是灰度图，所以这里不需要转换

最后要将图像转为Tensor 

这里没有用数据增强：翻转、随即裁剪等等。因为这里不确定随机的翻转对image和label是否是一致的。

这里可以通过设置字典，对image，进行normalization

2.2 加载数据

观察下目录结构，后面用得到

 

2.2.1 初始化

这里如果定义加载类的话，需要继承  from torch.utils.data import Dataset 里面的Dataset

初始化init 方法里面实现的是初始化相关的操作，例如指定文件的路径和预处理等等

这里root指定要处理数据的目录，这里指定的是train里面的image

imgs 只会读取里面每个文件

 想要获得image下具体图片的路径就要将root + imgs ，也就是self.imgs

 

2.2.2 返回数据

getitem 是返回一个样本，那么既然这个方法返回的就是我们需要的每个样本，那么读取每个图像，甚至对图像操作都应该在getitem里面

首先，self.imgs 是个列表，里面存放的是整个训练图片的路径。根据index索引获取每个图片，

因为train和test里面的图像和标签都是相同的文件名，观察每个图片的路径，只需要将train替换成label就可以获取图像对应的标签图像了

 

 

---

 通过上面的open获取每个对应的图片和图片的label

---

 这里就是简单的预处理

需要注意的是，因为这里的label不是二值图片，所以需要转换一下。因为预处理的ToTensor会将像素 / 255 变成0-1之间，所以这里将大于等于0.5的设置为1，小于0.5的设置为0

最后返回image和label就行了

2.2.3 样本数量

 

3. 测试一下

image：

label：

4. 完整代码

code：

import os
from torch.utils.data import Dataset
from torchvision import transforms
from PIL import Image


transform = transforms.Compose([
    transforms.Resize((480,480)),        # 缩放图像
    transforms.ToTensor(),               # 转为Tensor
])


# 数据处理文件
class Data_Loader(Dataset):          # 加载数据
    def __init__(self, root, transforms = transform):               # 指定路径、预处理等等
        imgs = os.listdir(root)                                     # 获取root文件下的文件
        self.imgs = [os.path.join(root,img) for img in imgs]        # 获取每个文件的路径
        self.transforms = transforms                                # 预处理

    def __getitem__(self, index):    # 读取图片，返回一条样本
        image_path = self.imgs[index]                       # 根据index读取图片
        label_path = image_path.replace('image', 'label')   # 把路径中的image替换成label，就找到对应数据的label

        image = Image.open(image_path)                      # 读取图片和对应的label图
        label = Image.open(label_path)

        if self.transforms:                                 # 判断是否预处理
            image = self.transforms(image)

            label = self.transforms(label)
            label[label>=0.5] = 1               # 这里转为二值图片
            label[label< 0.5] = 0

        return image, label

    def __len__(self):  # 返回样本的数量
        return len(self.imgs)


# if __name__ == "__main__":
# 
#     dataset = Data_Loader("./data/test/image")               # 加载数据
# 
#     for image,label in dataset:
#         print(image)
#         print('image size:',image.size())   # image size: torch.Size([1, 480, 480])
#         print(label)
#         print('label size:',label.size())   # label size: torch.Size([1, 480, 480])
#         break