4、数据预处理与增强：图像读取与缩放、随机翻转与旋转、颜色抖动与归一化、自定义Dataset类与DataLoader
做语义分割，数据预处理这块儿，我个人的经验是——它比模型设计还容易翻车。你想想看，模型结构再花哨，喂进去的数据要是乱七八糟，训练出来的结果肯定也是乱七八糟。今天咱们就把这块硬骨头啃下来。
4.1 图像读取与缩放：别让尺寸成为绊脚石
图像读取这事儿，看似简单，其实坑不少。我刚开始做分割项目时，直接用OpenCV的imread，结果发现读出来的图像是BGR格式，而模型训练用的是RGB。嗯，这个细节不注意，训练出来的模型颜色全乱套。
缩放就更讲究了。语义分割的标签图（mask）和原图必须用相同的缩放方式。原图可以用双线性插值，但标签图必须用最近邻插值。为什么？因为双线性插值会引入新的像素值，而标签图里每个像素代表一个类别，不能出现“中间值”。
from PIL import Image
def resize_image_and_mask(image, mask, target_size):
# 原图用双线性插值
image_resized = image.resize(target_size, Image.BILINEAR)
# 标签图用最近邻插值
mask_resized = mask.resize(target_size, Image.NEAREST)
return image_resized, mask_resized我曾经在项目里犯过这个错，标签图用了双线性插值，结果训练出来的模型在边缘处全是模糊的预测。排查了两天才找到原因，从那以后我再也不敢混用插值方式了。
4.2 随机翻转与旋转：数据增强的“免费午餐”
数据增强说白了就是让模型见多识广。随机翻转和旋转是最基础、最有效的两种方式。我建议水平翻转和垂直翻转都做，但要注意——图像和标签必须同步变换。
核心原则： 对图像做了什么变换，对标签图也要做完全相同的变换。
import random
import torchvision.transforms.functional as TF
def random_flip(image, mask, p=0.5):
# 水平翻转
if random.random() < p:
image = TF.hflip(image)
mask = TF.hflip(mask)
# 垂直翻转
if random.random() < p:
image = TF.vflip(image)
mask = TF.vflip(mask)
return image, mask旋转这块儿，我一般只做±10°的小角度旋转。为什么？因为大角度旋转会让图像边缘出现大量黑边，这些黑边会干扰模型学习。你想想看，模型本来该学道路、建筑的特征，结果学了一堆黑边，那能对吗？
小技巧： 旋转时可以用fill参数填充黑边，比如用像素均值填充，效果会好很多。
4.3 颜色抖动与归一化：让模型“看”得更清楚
颜色抖动，说白了就是给图像的颜色加点“随机扰动”。亮度、对比度、饱和度、色相，每个维度稍微变一变，模型就能学到更鲁棒的特征。我习惯用PyTorch的ColorJitter，参数设置如下：
from torchvision.transforms import ColorJitter
color_jitter = ColorJitter(
brightness=0.2, # 亮度变化范围
contrast=0.2, # 对比度变化范围
saturation=0.2, # 饱和度变化范围
hue=0.1 # 色相变化范围
)归一化这一步，很多人觉得就是减均值除方差，没什么好说的。但我要提醒你——均值和方差的计算方式很重要。我见过有人直接用ImageNet的均值和方差来归一化自己的数据集，结果训练出来的模型效果很差。
| 数据集 | 均值 (RGB) | 方差 (RGB) |
|---|---|---|
| ImageNet | [0.485, 0.456, 0.406] | [0.229, 0.224, 0.225] |
| Cityscapes | [0.2869, 0.3251, 0.2839] | [0.1761, 0.1810, 0.1777] |
| 自定义数据集 | 建议自己计算 | 建议自己计算 |
我个人建议：如果数据集和ImageNet差异很大（比如遥感图像、医学图像），一定要自己算均值和方差。计算方式很简单，遍历所有训练图像，累加像素值和像素值的平方，最后求平均即可。
4.4 自定义Dataset类：把流程串起来
好了，前面这些操作都讲完了，现在要把它们串成一个完整的Dataset类。我习惯这么组织代码：
from torch.utils.data import Dataset
import os
from PIL import Image
class SegmentationDataset(Dataset):
def __init__(self, image_dir, mask_dir, transform=None):
self.image_dir = image_dir
self.mask_dir = mask_dir
self.transform = transform
self.images = os.listdir(image_dir)
def __len__(self):
return len(self.images)
def __getitem__(self, idx):
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)
if self.transform:
image, mask = self.transform(image, mask)
return image, mask这里有个细节：__getitem__里返回的是PIL图像还是Tensor？我建议在Dataset里只做图像层面的变换（翻转、旋转、颜色抖动），把归一化和转Tensor的操作放到DataLoader的collate_fn里。这样代码更清晰，也方便调试。
4.5 DataLoader：数据加载的“调度中心”
DataLoader的参数设置，直接影响训练速度和内存占用。我常用的配置如下：
from torch.utils.data import DataLoader
dataloader = DataLoader(
dataset,
batch_size=8,
shuffle=True,
num_workers=4, # 数据加载的进程数
pin_memory=True, # 加速GPU数据传输
drop_last=True # 丢弃最后一个不完整的batch
)num_workers这个参数，我建议设置为CPU核心数的一半。设得太高反而会因为进程切换开销导致变慢。我曾经在32核的机器上设了32个worker，结果数据加载比设4个worker还慢。嗯，这个坑我替你们踩过了。
避坑指南： 如果训练时出现“DataLoader worker exited unexpectedly”的错误，多半是num_workers设得太高，或者__getitem__里有未捕获的异常。
4.6 完整的数据预处理流程
最后，我把整个流程串起来，画了一张流程图，方便你理解各个环节的关系：
整个流程走下来，你会发现数据预处理其实是个系统工程。每个环节都有它的道理，少一个都不行。我个人习惯把所有的变换操作封装成一个Compose类，这样代码看起来清爽，也方便复用。
我的建议： 刚开始做项目时，先不要加太多数据增强。等模型能正常收敛了，再逐步增加增强策略。这样出了问题也好排查。
好了，数据预处理这块就讲到这里。记住一句话：数据质量决定了模型性能的上限。把数据处理好，模型训练就成功了一半。