### 数据集划分的方法 对于图片数据集的划分，可以依据 `txt` 文件中的标注信息来进行操作。通常情况下，这种划分方式适用于目标检测或者分类任务的数据准备阶段。以下是基于 Python 的一种实现方案。 #### 方法概述 为了完成这一任务，可以通过读取指定路径下的图像文件和对应的标签文件（`.txt`），按照一定比例将它们划分为训练集、验证集以及测试集。这里提供了一种通用的方式[^2]： ```python import os import random from shutil import copyfile def split_dataset(image_path, label_path, output_dir, train_ratio=0.7, val_ratio=0.15, test_ratio=0.15): """ 将图片和标签按给定的比例分割成训练集、验证集和测试集 参数: image_path (str): 图片原始路径 label_path (str): 标签(.txt)原始路径 output_dir (str): 输出目录 train_ratio (float): 训练集占比，默认为0.7 val_ratio (float): 验证集占比，默认为0.15 test_ratio (float): 测试集占比，默认为0.15 """ # 获取所有的图片名列表 images = [f for f in os.listdir(image_path) if f.endswith('.jpg') or f.endswith('.png')] # 打乱顺序 random.shuffle(images) total_images = len(images) num_train = int(total_images * train_ratio) num_val = int(total_images * val_ratio) # 划分数据集 train_set = images[:num_train] val_set = images[num_train:num_train + num_val] test_set = images[num_train + num_val:] sets = {'train': train_set, 'val': val_set, 'test': test_set} # 创建输出子目录 for set_name in ['train', 'val', 'test']: os.makedirs(os.path.join(output_dir, set_name, 'images'), exist_ok=True) os.makedirs(os.path.join(output_dir, set_name, 'labels'), exist_ok=True) # 复制文件到对应的目标位置 for set_name, file_list in sets.items(): for img_file in file_list: base_name = os.path.splitext(img_file)[0] src_image = os.path.join(image_path, img_file) dst_image = os.path.join(output_dir, set_name, 'images', img_file) src_label = os.path.join(label_path, f"{base_name}.txt") dst_label = os.path.join(output_dir, set_name, 'labels', f"{base_name}.txt") if os.path.exists(src_image) and os.path.exists(src_label): copyfile(src_image, dst_image) copyfile(src_label, dst_label) # 调用函数 split_dataset( image_path="D:\\VOC_1186\\VOC\\base1186_X5\\images\\", label_path="D:\\VOC_1186\\VOC\\base1186_X5\\labels\\", output_dir="D:\\output_data_split" ) ``` 上述代码实现了对图片及其关联 `.txt` 标签文件的自动划分，并将其保存至不同的子目录下以便于后续处理。 --- ### 注意事项 - **路径设置**：确保输入路径 (`image_path`, `label_path`) 和输出路径 (`output_dir`) 正确无误。 - **扩展支持**：如果存在其他类型的图片格式（如 `.jpeg` 或 `.bmp`），可以在过滤条件中加入更多选项。 - **随机种子固定**：通过设定固定的随机数种子（例如调用 `random.seed(42)`），可以使每次运行的结果保持一致。 ---