### 如何使用 Python 加载和处理 ISIC2018 数据集 加载和处理 ISIC2018 数据集通常涉及以下几个方面：定义数据集类、应用数据增强、创建数据加载器以及进行批量训练。以下是一个完整的解决方案。 #### 1. 数据集类的定义 为了加载 ISIC2018 数据集，可以自定义一个继承自 `torch.utils.data.Dataset` 的类。这个类需要重写 `__init__`、`__getitem__` 和 `__len__` 方法[^2]。 ```python import os from PIL import Image import torch from torch.utils.data import Dataset from torchvision import transforms class ISIC2018Dataset(Dataset): def __init__(self, image_dir, mask_dir, transform=None): """ 初始化数据集。 :param image_dir: 图像文件夹路径 :param mask_dir: 掩码文件夹路径 :param transform: 可选的数据变换 """ self.image_dir = image_dir self.mask_dir = mask_dir self.transform = transform self.images = os.listdir(image_dir) def __getitem__(self, idx): """ 获取指定索引的数据。 :param idx: 索引 :return: 图像和掩码的张量 """ img_name = self.images[idx] img_path = os.path.join(self.image_dir, img_name) mask_path = os.path.join(self.mask_dir, img_name) image = Image.open(img_path).convert("RGB") mask = Image.open(mask_path).convert("L") if self.transform: image = self.transform(image) mask = self.transform(mask) return image, mask def __len__(self): """ 返回数据集长度。 """ return len(self.images) ``` #### 2. 数据增强与转换 为了提高模型的泛化能力，可以对图像和掩码进行数据增强。以下是常用的转换操作[^3]。 ```python # 定义数据变换 transform = transforms.Compose([ transforms.Resize((256, 256)), # 调整图像大小 transforms.ToTensor(), # 转换为张量 transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]) # 归一化 ]) ``` #### 3. 创建数据加载器 通过 `torch.utils.data.DataLoader` 将数据集转换为可迭代对象，便于批量训练和验证[^3]。 ```python # 创建数据集实例 train_dataset = ISIC2018Dataset( image_dir="path/to/ISIC2018/train_images", mask_dir="path/to/ISIC2018/train_masks", transform=transform ) # 创建数据加载器 train_loader = torch.utils.data.DataLoader( train_dataset, batch_size=4, shuffle=True ) ``` #### 4. 示例代码运行 以下是一个简单的循环，用于展示如何从数据加载器中获取数据并打印其形状。 ```python for images, masks in train_loader: print(f"Images shape: {images.shape}") print(f"Masks shape: {masks.shape}") break ``` --- ###