【计算机视觉基础CV-图像分类】03-深度学习图像分类实战：鲜花数据集加载与预处理详解

本文将深入介绍鲜花分类数据集的加载与处理方式，同时详细解释代码的每一步骤并给出更丰富的实践建议和拓展思路。以实用为导向，为读者提供从数据组织、预处理、加载到可视化展示的完整过程，并为后续模型训练打下基础。

前言

在计算机视觉的深度学习实践中，数据加载和预处理是至关重要的一步。无论你是初学者，还是有一定经验的从业者，都需要深刻理解如何将原始数据转化为神经网络可接受的输入。PyTorch中的torchvision.datasets和torchvision.transforms为我们提供了极大的便利，使图像数据的加载和处理更加高效与简洁。

本文将以“鲜花分类数据集”（一个包含5种不同花卉类别的图像数据集）为例，详细讲述如何使用ImageFolder类进行数据加载，并通过transforms对图像进行预处理和数据增强。我们还会深入讨论数据集结构、训练/验证集划分、代码注释和实践建议，并给出详细说明。

数据集简介与结构

本例使用的鲜花分类数据集共包含5种花：雏菊（daisy）、蒲公英（dandelion）、玫瑰（roses）、向日葵（sunflowers）和郁金香（tulips）。数据量约为：

训练集（train）：3306张图像
验证集（val）：364张图像

数据已按类别分好目录，每个类别对应一个文件夹，文件夹中存放若干图片文件。结构示意如下：

dataset/flower_datas/├─ train/│   ├─ daisy/       # 雏菊类图像若干张│   ├─ dandelion/   # 蒲公英类图像若干张│   ├─ roses/       # 玫瑰类图像若干张│   ├─ sunflowers/   # 向日葵类图像若干张│   └─ tulips/       # 郁金香类图像若干张└─ val/├─ daisy/├─ dandelion/├─ roses/├─ sunflowers/└─ tulips/

这种目录结构非常适合ImageFolder数据集类，它会根据子文件夹的名称自动分配类别标签，从0开始编号。例如：

daisy -> 0
dandelion -> 1
roses -> 2
sunflowers -> 3
tulips -> 4

这样无需手动编码类别映射，简化了流程。

ImageFolder和transform

ImageFolder简介

ImageFolder是torchvision.datasets中的一个实用数据类，它假设数据按如下规则组织：

root/class_x/xxx.png
root/class_x/xxy.png
root/class_y/xxz.png
...

其中class_x和class_y是类名（字符串），ImageFolder会根据这些类名自动生成类别索引。加载后，每个样本是一个(image, label)二元组，image通常会通过transform转换为Tensor，label为整数索引。

transforms的数据预处理功能

torchvision.transforms提供多种图像处理方法，用来改变图像格式、尺寸、颜色空间和进行数据增强。例如：

ToTensor()：将PIL图像或Numpy数组转换为(C,H,W)格式的张量，并将像素值归一化到[0,1]之间。
Resize((224,224))：将图像缩放到224x224大小，这通常是预训练模型如ResNet、VGG的标准输入尺寸。
RandomHorizontalFlip()：随机水平翻转图像，用于数据增强，提高模型对翻转不敏感。
Normalize(mean, std)：对图像的每个通道进行归一化，使训练更稳定。

你可以根据需求灵活组合多个变换操作，使用transforms.Compose将其串联成流水线。

加载鲜花分类数据集的示例代码

下面的代码示例中，我将详细注释每个步骤，为读者提供清晰的思路。该示例以最基本的ToTensor和Resize为主，读者可按需添加更多transform。

import torch
import torchvision
from torchvision.datasets import ImageFolder
from torchvision import transforms
import matplotlib.pyplot as plt# 数据集存放路径，根据实际情况修改
flowers_train_path = '../01.图像分类/dataset/flower_datas/train/'
flowers_val_path = '../01.图像分类/dataset/flower_datas/val/'# 定义数据预处理
# 这里的transforms主要包括：
# 1. ToTensor()：将PIL图片或numpy数组转为Tensor，并将像素值归一化到[0,1]区间。
# 2. Resize((224,224))：将所有图片大小统一为224x224，以匹配后续卷积神经网络的输入要求。
# 对于实际训练，更建议加入数据增强手段（如随机裁剪、翻转、归一化等），
# 但本例先展示基本流程。
dataset_transform = transforms.Compose([transforms.ToTensor(),transforms.Resize((224,224))
])# 使用ImageFolder加载训练集和验证集
# ImageFolder会扫描指定目录下的子文件夹，并以子文件夹名称作为类别。
flowers_train = ImageFolder(root=flowers_train_path, transform=dataset_transform)
flowers_val = ImageFolder(root=flowers_val_path, transform=dataset_transform)# 打印样本数量
print("训练集样本数：", len(flowers_train))
print("验证集样本数：", len(flowers_val))# flowers_train.classes属性包含类别名称列表，如['daisy', 'dandelion', 'roses', 'sunflowers', 'tulips']
print("类别名称列表：", flowers_train.classes)# 获取单个样本进行查看
# __getitem__(index)返回(img, label)，img是Tensor，label是int
sample_index = 3000
sample_img, sample_label = flowers_train[sample_index]print("样本索引：", sample_index)
print("类别标签索引：", sample_label, "类别名称：", flowers_train.classes[sample_label])
print("图像Tensor尺寸：", sample_img.shape)  # 期望为[3,224,224]# 可视化图像
# Matplotlib的imshow要求图像为(H,W,C)，而Tensor是(C,H,W)，需要permute调整维度顺序。
plt.imshow(sample_img.permute(1,2,0))
plt.title(flowers_train.classes[sample_label])
plt.show()

代码输出：

关于训练集、验证集和测试集的说明

本数据集中已提前将数据分为train和val两个目录：

train/：训练集，用于模型训练过程中反向传播和参数更新。
val/：验证集，用于在训练中间进行性能评估，不参与参数更新，仅用于选择超参数或判断训练是否过拟合。

有些数据集还会提供test/测试集，用于最终评估模型在未知数据上的表现，但本例中未提供，如有需要可自行分割数据或从其他来源获取。

DataLoader的引入

仅有ImageFolder还不够，为了在训练时批量读取数据并进行迭代，我们通常会将数据集对象传入DataLoader中。

DataLoader的作用是：

按指定的batch_size从Dataset中抽取样本构成mini-batch。
可设置shuffle=True来随机打乱样本顺序，防止模型记住样本顺序。
使用num_workers参数并行加速数据加载。

示例（可选代码）：

from torch.utils.data import DataLoaderbatch_size = 32
# 定义训练集和验证集的DataLoader
train_loader = DataLoader(flowers_train, batch_size=batch_size, shuffle=True, num_workers=2)
val_loader = DataLoader(flowers_val, batch_size=batch_size, shuffle=False, num_workers=2)# 测试一下加载结果
images, labels = next(iter(train_loader))
print("一个batch的图像尺寸：", images.shape)  # [batch_size, 3, 224, 224]
print("对应的标签：", labels)  # 张量形式，如tensor([0, 1, 3, ...])

有了DataLoader，我们在训练模型时，就可以轻松迭代数据：

for epoch in range(1):for batch_images, batch_labels in train_loader:# 在这里将batch_images, batch_labels输入模型进行训练print("一个batch的图像尺寸：", batch_images.shape)  # [batch_size, 3, 224, 224]print("对应的标签：", batch_labels)  # 张量形式，如tensor([0, 1, 3, ...])passbreak

我们可以打印一下第一个batch 和最后一个batch的标签

batch_count = 0
first_batch_images, first_batch_labels = None, None
last_batch_images, last_batch_labels = None, Nonefor epoch in range(1):for batch_images, batch_labels in train_loader:batch_count += 1# 保存第一个batchif batch_count == 1:first_batch_images, first_batch_labels = batch_images, batch_labelsprint("第一个batch的图像尺寸：", batch_images.shape)print("第一个batch的标签：", batch_labels)# 每次循环都会更新last_batchlast_batch_images, last_batch_labels = batch_images, batch_labelsbreak  # 只进行一次epoch的训练，移除这行会进行多个epoch的训练# 打印最后一个batch
print("最后一个batch的图像尺寸：", last_batch_images.shape)
print("最后一个batch的标签：", last_batch_labels)# 打印总共的batch数量
print("总共的batch数量：", batch_count)

数据增强策略的拓展

实际训练中，为提高模型的泛化能力，我们常加入数据增强操作。这些操作对训练集图像进行随机变换，如随机剪裁、翻转、颜色抖动、归一化等。这样模型不会过度记忆特定图像的像素分布，而会学习更有泛化性的特征。

一个常用的transform示例：

# 定义训练集的图像预处理流程
train_transform = transforms.Compose([# 随机裁剪并缩放图像到224x224的尺寸，裁剪的区域大小是随机的transforms.RandomResizedCrop(224),  # 随机进行水平翻转，用于数据增强，提升模型的泛化能力transforms.RandomHorizontalFlip(),# 将图像转换为Tensor类型，PyTorch要求输入为Tensor格式transforms.ToTensor(),# 进行图像的标准化处理。根据ImageNet数据集的均值和标准差进行归一化，# 使得不同的通道（RGB）具有相同的尺度，便于训练。transforms.Normalize(mean=[0.485,0.456,0.406], std=[0.229,0.224,0.225])
])# 定义验证集的图像预处理流程
val_transform = transforms.Compose([# 将图像的最短边缩放到256像素，保持长宽比例不变transforms.Resize(256),  # 从缩放后的图像中进行中心裁剪，裁剪出224x224的区域，这样图像的尺寸就一致了transforms.CenterCrop(224),# 将图像转换为Tensor类型，PyTorch要求输入为Tensor格式transforms.ToTensor(),# 进行图像的标准化处理。根据ImageNet数据集的均值和标准差进行归一化，# 使得不同的通道（RGB）具有相同的尺度，便于训练。transforms.Normalize(mean=[0.485,0.456,0.406], std=[0.229,0.224,0.225])
])# 使用定义的transform对训练集和验证集进行图像预处理
# flowers_train_path和flowers_val_path是训练集和验证集图像所在的路径
flowers_train = ImageFolder(flowers_train_path, transform=train_transform)  # 训练集
flowers_val = ImageFolder(flowers_val_path, transform=val_transform)  # 验证集

在此示例中，Normalize的参数是使用ImageNet数据集的均值和标准差，这在使用ImageNet预训练模型时是常规操作。对于自定义数据集，你也可以先统计本数据集的均值和方差，再进行归一化。

我们可以打印一下变化前后的图像区别

import os
import random
import numpy as np  # 需要导入numpy
import matplotlib.pyplot as plt
from PIL import Image
from torchvision import transforms
from torchvision.datasets import ImageFolder# 定义训练集的图像预处理流程
train_transform = transforms.Compose([transforms.RandomResizedCrop(224),transforms.RandomHorizontalFlip(),transforms.ToTensor(),transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225])
])# 定义图像数据集路径
train_image_folder = '/Users/coyi/PycharmProjects/coyi_pythonProject/01.图像分类/dataset/flower_datas/train/'# 使用ImageFolder加载数据集
dataset = ImageFolder(train_image_folder, transform=None)# 随机选取一张图片
random_idx = random.randint(0, len(dataset) - 1)
image, label = dataset[random_idx]# 显示原始图像
plt.figure(figsize=(5,5))
plt.title("Original Image")
plt.imshow(image)
plt.axis('off')  # 不显示坐标轴
plt.show()# 应用train_transform变换
transformed_image = train_transform(image)# 反标准化（Undo normalization）以恢复图片的原始视觉效果，因为训练的时候需要标准化
inv_normalize = transforms.Normalize(mean=[-0.485, -0.456, -0.406], std=[1/0.229, 1/0.224, 1/0.225])
unnormalized_image = inv_normalize(transformed_image)# 将Tensor转回PIL图像进行显示
unnormalized_image = unnormalized_image.permute(1, 2, 0).numpy()  # 转换为HWC格式
unnormalized_image = np.clip(unnormalized_image, 0, 1)  # 限制值在[0, 1]之间，以符合视觉输出# 显示变换后的图像
plt.figure(figsize=(5,5))
plt.title("Transformed Image")
plt.imshow(unnormalized_image)
plt.axis('off')  # 不显示坐标轴
plt.show()

输出：

备注：为了显示图片，我对处理后的图片进行了反标准化，实际上训练的时候是不需要反标准化的

为什么要反标准化？

标准化是一个常见的预处理步骤，目的是让模型训练时更稳定，通常是将像素值转换到均值为0、标准差为1的范围。这可以帮助模型更好地收敛，并且消除不同通道（例如RGB）的尺度差异。

然而，标准化后的图像不适合直接用于可视化，因为它们的像素值已经不在[0, 1]的范围内，可能会变成负数或大于1。反标准化的目的是恢复图像的原始视觉效果，让它们的像素值回到原始的视觉范围。

不反标准化可以吗？

在可视化时不反标准化是可以的，但你会看到经过标准化后的图像没有直观的可视化效果，因为图像的像素值会偏离 [0, 1] 的可视化范围。这会导致显示的图像看起来可能是“失真”的，例如图像会变得非常暗、非常亮，或者有一些不自然的颜色。

简而言之：

• 反标准化是为了恢复图像的原始视觉效果，使得图像显示更符合人类的感知。

• **np.clip()**是为了确保图像的像素值在[0, 1]范围内，符合图像显示的要求。

示例：

假设标准化之后，你得到了一个像素值为 -0.5 或 1.5 的图像像素。这时，如果不进行 np.clip()，直接用 matplotlib 显示，可能会看到图像出现异常的颜色或显示不出来。而通过 np.clip()，将这些像素值限制在[0, 1]的范围内，可以确保图像能正确显示。

类别分布与标签可解释性

flowers_train.classes或flowers_val.classes可以查看类名列表。例如：

这意味着模型预测结果中的label=0代表daisy，label=1代表dandelion，以此类推。当我们预测模型输出为label=3时，就可以将其解释为sunflowers。这种可读性非常有助于后期分析和调试。

如果想查看具体每类样本数量，可手动统计，例如：

通过查看类别分布，我们可了解数据是否偏斜（某些类样本过多或过少），从而采取相应措施（如类均衡采样、权重平衡等）。

实战建议和下一步计划

数据准备完成后做什么？ 通常下一步就是定义和加载模型（如预训练的ResNet18），然后编写训练循环对模型进行微调或从头训练。在训练循环中，train_loader提供批数据，val_loader则用于评估模型在验证集上的表现。
调试DataLoader是否正确工作：在正式训练前，尝试可视化几个batch的数据样本，确保图像大小、颜色正确，标签映射无误。如果出现图像显示不正确或标签偏移，及时检查目录结构和transform流程。
善用数据增强：当验证集精度停滞不前或出现过拟合时，尝试加入更多数据增强手段（如RandomRotation、ColorJitter、RandomGrayscale等）提升泛化性能。
硬件加速：在加载大规模数据时，合理增加num_workers可以提高数据读取速度（依赖操作系统和硬件条件）。同时，如果是分布式训练，也需考虑分布式Sampler和合适的数据划分策略。
定制Dataset：如果你的数据不遵循ImageFolder的结构，也可以自行定义Dataset类，通过实现__len__和__getitem__方法来自定义数据加载流程。但对像本例这样已按类分文件夹的数据集，ImageFolder无疑是最简单高效的方案。