unet代码的数据导入

UNet是一种广泛用于图像分割任务的卷积神经网络（CNN）架构，它最初是在医学图像分析中提出并应用的。在使用UNet进行代码编写时，数据导入是关键步骤，通常包括以下几个步骤：

1. 导入必要的库：首先，你需要导入像`numpy`、`PIL`（Python Imaging Library）或者`tensorflow.keras`这样的库，用于处理和加载图像数据。

import numpy as np
from PIL import Image
from tensorflow.keras.preprocessing.image import load_img, img_to_array

2. 数据集路径和预处理：定义你的数据集路径，例如训练集和验证集的文件夹路径。同时，可能需要对图像进行预处理，如调整大小、归一化等。

train_dir = 'path/to/train/images'
validation_dir = 'path/to/validation/images'

def preprocess_image(img_path):
    img = load_img(img_path, target_size=(img_height, img_width))
    img_array = img_to_array(img) / 255.0  # 归一化到0-1之间
    return img_array

3. 加载数据：你可以使用`ImageDataGenerator`或者其他方法从文件夹中逐个读取图像，并将其转换为模型所需的格式。

from tensorflow.keras.preprocessing.image import ImageDataGenerator

train_datagen = ImageDataGenerator(rescale=1./255)
validation_datagen = ImageDataGenerator(rescale=1./255)

train_generator = train_datagen.flow_from_directory(
    train_dir,
    target_size=(img_height, img_width),
    batch_size=batch_size,
    class_mode='binary')  # 或者'categorical'，取决于你的标签类型

validation_generator = validation_datagen.flow_from_directory(
    validation_dir,
    target_size=(img_height, img_width),
    batch_size=batch_size,
    class_mode='binary')