前言        

        在上篇文章中，我们深入探讨了图像分类数据集的制作流程。图像分类作为计算机视觉领域的一个基础任务，通常被认为是最为简单直接的子任务之一。然而，当我们转向目标检测任务时，复杂度便显著提升，尤其是在标注框的处理环节。不同的模型架构往往对标注框的处理方式有着各自独特的要求。以 YOLO 系列为例，它自有一套成熟且高效的方法来应对这一挑战。鉴于篇幅有限，本文暂不深入展开 YOLO 的相关内容，感兴趣的读者可以查阅其官方文档，深入了解其背后的原理与实现细节。

实战

文件存放路径

先提供一个伪代码来看一下我们要具体做什么：主要就是要输出图片和对应的标注信息。

def my_dataset(batch):
    images = []
    bboxes = []
    for img, box in batch:
        images.append(img)
        bboxes.append(box)
    images = np.array(images)
    return images, bboxes

接下来直接上完整代码，都打上了注释，就不多解释了：

class MyDataset(torch.utils.data.Dataset):
    """一个用于加载检测数据集的自定义数据集"""
    def __init__(self, is_train):
        self.features, self.labels = self.read_data(is_train)
        print('read ' + str(len(self.features)) + (f' training examples' if
              is_train else f' validation examples'))
        
    def read_data(is_train=True):
    """读取检测数据集中的图像和标签"""
    data_dir = '../data' # 检测数据集所在的位置
    csv_fname = os.path.join(data_dir, 'train' if is_train
                             else 'valid', '_label.csv')
    csv_data = pd.read_csv(csv_fname)
    csv_data = csv_data.set_index('img_name') # 将img_name设置为索引
    images, targets = [], []
    for img_name, target in csv_data.iterrows():# 返回元组
        images.append(torchvision.io.read_image(
            os.path.join(data_dir, 'data_train' if is_train else
                         'data_val', 'images', f'{img_name}')))
        # 这里的target包含（类别，左上角x，左上角y，右下角x，右下角y），
        # 其中所有图像都具有相同的类（索引为0）
        targets.append(list(target))
    return images, torch.tensor(targets).unsqueeze(1) / 256

    def __getitem__(self, idx):
        return (self.features[idx].float(), self.labels[idx])

    def __len__(self):
        return len(self.features)
    
    
def load_datas(batch_size):
"""加载检测数据集"""
train_iter = torch.utils.data.DataLoader(MyDataset(is_train=True),
                                         batch_size, shuffle=True)
val_iter = torch.utils.data.DataLoader(MyDataset(is_train=False),
                                       batch_size)
return train_iter, val_iter