语义分割数据集划分代码

语义分割数据集的划分通常可以通过如下步骤实现：

1.将数据集中的每个图像及其对应的标签进行匹配，这可以通过读取图像及其对应的标签文件来实现。

2.将匹配后的图像及其标签文件分别存储到两个列表中，方便后续的处理。同时，为了确保训练、验证和测试集中的图像和标签能够一一对应，需要保证它们在两个列表中的顺序相同。

3.将存储有图像和标签的两个列表按照一定比例划分为训练集、验证集和测试集。这里需要注意的是，不同数据集的划分比例可能会有所不同，通常情况下，训练集占总数据集的70%~80%，验证集占10%~15%，测试集占10%~20%。

4.将划分后的训练、验证和测试集分别保存到不同的文件夹中，方便后续的读取和使用。

这里给出一个基于Python语言实现的语义分割数据集划分代码示例，供参考：

import os
import random
import shutil

# 数据集所在目录
data_dir = '/path/to/dataset'
# 划分比例
train_ratio = 0.8
val_ratio = 0.1
test_ratio = 0.1

# 图像和标签文件列表
images = []
labels = []

# 读取图像和标签文件
for file in os.listdir(data_dir):
    if file.endswith('.jpg'):
        images.append(os.path.join(data_dir, file))
    elif file.endswith('.png'):
        labels.append(os.path.join(data_dir, file))

# 确保图像和标签文件数量相等
assert len(images) == len(labels)

# 将图像和标签文件列表打乱
random.seed(2021)
random.shuffle(images)
random.seed(2021)
random.shuffle(labels)

# 计算训练、验证和测试集的数量
num_images = len(images)
num_train = int(num_images * train_ratio)
num_val = int(num_images * val_ratio)
num_test = num_images - num_train - num_val

# 划分训练、验证和测试集
train_images, train_labels = images[:num_train], labels[:num_train]
val_images, val_labels = images[num_train:num_train+num_val], labels[num_train:num_train+num_val]
test_images, test_labels = images[-num_test:], labels[-num_test:]

# 创建保存目录
os.makedirs(os.path.join(data_dir, 'train'), exist_ok=True)
os.makedirs(os.path.join(data_dir, 'val'), exist_ok=True)
os.makedirs(os.path.join(data_dir, 'test'), exist_ok=True)

# 复制图像和标签文件到对应的保存目录
for i in range(num_train):
    shutil.copy(train_images[i], os.path.join(data_dir, 'train'))
    shutil.copy(train_labels[i], os.path.join(data_dir, 'train'))

for i in range(num_val):
    shutil.copy(val_images[i], os.path.join(data_dir, 'val'))
    shutil.copy(val_labels[i], os.path.join(data_dir, 'val'))

for i in range(num_test):
    shutil.copy(test_images[i], os.path.join(data_dir, 'test'))
    shutil.copy(test_labels[i], os.path.join(data_dir, 'test'))

print('数据集划分完成！')