journalisation du code python

assert len(images) == len(segmentations)#判断长度是否相等

Comment augmenter la dimensionnalité

       train_image_data_r = train_image_data_r [:, : ,: ,np.newaxis]
        train_label_data_r =train_label_data_r [:, : ,: ,np.newaxis]

Conversion de canal

label_data=cv2.cvtColor(label_data,cv2.COLOR_BGR2GRAY)
label_data = cv2.cvtColor(label_data, cv2.COLOR_GRAY2RGB)

cv_img=cv2.imread("C:/Users/Terry/Desktop/trial/image0.bmp",-1)

Lorsqu'elle est lue comme -1, l'image est (720, 960, 4)
lorsqu'elle est lue comme 1, l'image est (720, 960, 3), lorsque la vraie couleur est
lue comme 0, l'image est (720, 960 ,), graphe en degrés gris

def cv_imread(filePath):
    cv_img = cv2.imdecode(np.fromfile(filePath, dtype=np.uint8), -1)
    #cv2.imshow(cv_img)
    #cv2.waitKey(0)
    return cv_img

Pour les images avec des chemins chinois, imread ne peut pas les lire. Utilisez la fonction cv2.imdecode ci-dessus pour lire les images avec des chemins chinois. flag = -1, 0, 1 est identique à imread.

    with open(image_list_file) as infile:
        for line in infile:
            data_path = os.path.join(train_image_folder, line.split()[0])
            images_path.append(data_path)
            label_path = os.path.join(train_image_folder, line.split()[1])
            labels_path.append(label_path)
            


 for image, label in zip(images_path, labels_path):

L'enregistrement principal ici est la méthode zip, qui fusionne deux dictionnaires en un seul. Puis sortie séparément. Je pense que cette méthode est également facile à utiliser et qu'elle peut également être utilisée pour empaqueter trainimg et trainlabel séparément.