简介：本资源为面向图像分割学习者的宠物语义分割数据集，约7000张图像及对应标签，适合入门与进阶的深度学习实践者用于训练、验证分割模型。数据集已按训练集与验证集划分：训练集约5100张图片及mask，验证集约2200张图片及mask，标签涵盖背景、宠物、边缘三类，像素值定义可参考classes文件。压缩包共2000个文件，以1998个png图像与掩膜为主，另含1个txt类别说明和1个py可视化脚本，整体约765.67MB，采用7z格式打包。配套脚本可随机抽取一张图片，展示原图、GT图像及GT在原图上的蒙板效果并保存至当前目录，便于快速检查标注质量与数据分布。目前已有48人学习，适合需要现成数据开展UNet、SwinUnet、TransUnet等分割网络实验的读者。
1. 约 7000 张宠物语义分割数据集：拿到手先别急着喂给 UNet
如果你正在复现 DeepLabV3+、UNet 或者 Swin-Unet，却卡在「找不到一份干净、已经划分好、mask 还是像素级标签」的数据集上，这份约 7000 张的宠物图像语义分割数据集值得先看一眼。它把训练集和验证集都拆好了，训练集约 5100 张、验证集约 2200 张，每张原图都配一张同名 mask，类别只有三类：背景、宠物主体、边缘。文件名像Egyptian_Mau_182.png、Bombay_140.png、Abyssinian_32.png这种，一眼能看出是猫的品种命名，说明它大概率是从 Oxford-IIIT Pet 那套数据整理出来的语义分割版本。
它解决的核心问题不是「数据量不够」，而是「省掉你自己写划分脚本、对齐文件名、处理 mask 像素值映射」这几步脏活。适合两类人：一类是刚入门语义分割、想跑通一个三类别 baseline 的新手；另一类是手里有医学图像分割网络（UNet、TransUNet、Swin-Unet 改进版）想换个数据集验证泛化性的熟手。下面按「这份资源是什么 → 怎么读标签 → 怎么接进训练 → 坑在哪 → 怎么验证」的顺序拆开讲，每一步都能直接抄。
2. 读懂 mask 像素值与 classes 映射：三类标签到底怎么存的
2.1 为什么先看 classes 文件而不是先写 DataLoader
很多人拿到分割数据集第一反应是torchvision.datasets套一下就开始训，结果 loss 一直不降，最后发现 mask 里存的是1/2/3而不是0/1/2，或者边缘类被当成了独立前景。这份数据集的类别定义是「背景、宠物、边缘」三类，但像素值标签的具体数值必须参考随包的 classes 文件，不能凭经验假设。语义分割里 mask 的像素值就是类别索引，差一个偏移量，交叉熵就会把背景学成宠物。
常见做法是先用一段脚本把 mask 的唯一值统计出来，和 classes 文件对照，确认映射关系再动手。这一步花两分钟，能省掉后面几小时的玄学调参。
import numpy as np from PIL import Image import os mask_dir = "train/masks" # 换成你的 mask 目录 classes_file = "classes.txt" # 随包的类别定义文件 # 1. 读 classes 文件，看官方给的类别顺序 with open(classes_file, "r", encoding="utf-8") as f: class_names = [line.strip() for line in f if line.strip()] print("类别顺序:", class_names) # 2. 统计所有 mask 的像素唯一值，确认实际存储的标签值 uniq = set() for name in os.listdir(mask_dir)[:200]: # 抽样 200 张足够 m = np.array(Image.open(os.path.join(mask_dir, name))) uniq.update(np.unique(m).tolist()) print("mask 实际像素值:", sorted(uniq))逻辑说明：第一段读 classes 文件拿到官方类别顺序，第二段抽样统计 mask 的真实像素值。参数上[:200]是抽样数量，7000 张全扫也行，只是慢；np.unique返回的是该 mask 里出现过的所有类别值。如果打印出来是[1, 2, 3]而 classes 是[background, pet, edge]，那训练时要么在 Dataset 里减 1，要么把ignore_index和权重重新配。
2.2 边缘类要不要单独算 loss
三类里「边缘」这一类是最容易被忽略的。它本质上是宠物轮廓附近的过渡像素，占比很小，如果直接和背景、宠物一起做普通交叉熵，边缘类几乎学不到，因为梯度被大面积的背景和宠物主体淹没了。常见做法有两种：一是给边缘类更高的 class weight，二是把边缘当作辅助任务，主 loss 只算背景和宠物，边缘单独算一个二值 loss。
我一般会先跑一版不加权重的 baseline，看验证集上边缘类的 IoU。如果边缘 IoU 长期低于 0.1，就说明它被淹没了，这时候再上权重。权重不要拍脑袋设，用1 / sqrt(freq)这种按频率倒数开方的经验公式先试：
import numpy as np # 假设统计出的三类像素占比（按你的实际数据替换） freq = np.array([0.85, 0.13, 0.02]) # 背景、宠物、边缘 weight = 1.0 / np.sqrt(freq) weight = weight / weight.sum() * 3 # 归一化到均值为 1 附近 print("建议 class weight:", weight)参数说明：freq是三类在全体 mask 里的像素占比，边缘类通常只有百分之几甚至更低；1/sqrt比直接1/freq温和，避免边缘类权重过大导致训练震荡。算出来的 weight 直接传给nn.CrossEntropyLoss(weight=...)。注意这只是起点，最终还要看验证集指标微调。
2.3 文件名对齐是隐形的坑
数据集里原图和 mask 是同名不同目录，比如images/Egyptian_Mau_182.png对应masks/Egyptian_Mau_182.png。写 Dataset 时最稳的做法是遍历 images 目录，用os.path.splitext换目录去拼 mask 路径，而不是分别遍历两个目录再排序配对——后者一旦有一张图缺 mask，整个索引就错位了，而且不会报错，只会让模型学出莫名其妙的输出。
import os from PIL import Image from torch.utils.data import Dataset class PetSegDataset(Dataset): def __init__(self, root, split="train", transform=None): self.img_dir = os.path.join(root, split, "images") self.mask_dir = os.path.join(root, split, "masks") self.names = sorted(os.listdir(self.img_dir)) self.transform = transform def __len__(self): return len(self.names) def __getitem__(self, idx): name = self.names[idx] img = Image.open(os.path.join(self.img_dir, name)).convert("RGB") mask_name = os.path.splitext(name)[0] + ".png" # 强制同名 mask = Image.open(os.path.join(self.mask_dir, mask_name)) if self.transform: img, mask = self.transform(img, mask) return img, mask逻辑说明：以 images 目录的文件名为准，用splitext拼出 mask 名，保证一一对应。参数上split控制读 train 还是 val，transform需要同时处理 img 和 mask（几何变换要同步，颜色变换只对 img）。如果某张 mask 缺失，这里会直接抛FileNotFoundError，比静默错位好排查得多。
3. 接进 UNet / Swin-Unet 训练：dataloader、归一化与可视化脚本
3.1 训练集与验证集的目录结构确认
这份数据集已经划分好，训练集约 5100 张、验证集约 2200 张，结构是每个 split 下各有images和masks两个目录。动手前先tree一下确认层级，别把train/images和val/images搞混。常见做法是写一个常量字典管理路径，避免到处硬编码字符串。
# 确认目录结构，只看两层 find . -maxdepth 3 -type d | sort # 期望输出类似： # ./train # ./train/images # ./train/masks # ./val # ./val/images # ./val/masks如果发现 mask 和 image 不在同一层级，或者多套了一层，先手动整理成上面这种结构再往下走。分割任务对路径结构很敏感，路径错了往往不报错，只是读到空数据。
3.2 归一化参数别照搬 ImageNet
宠物图像是自然图像，用 ImageNet 的 mean/std 做归一化通常没问题，但如果你要做迁移学习、加载的是在 ImageNet 上预训练的 backbone，那就必须用 ImageNet 的统计量，否则预训练权重等于白搭。反过来，如果你从零训一个小 UNet，用数据集自己的 mean/std 会更稳。常见做法是先算一遍训练集的均值和标准差：
import numpy as np from PIL import Image import os img_dir = "train/images" pixel_sum = np.zeros(3) pixel_sq_sum = np.zeros(3) n = 0 for name in os.listdir(img_dir): arr = np.array(Image.open(os.path.join(img_dir, name)).convert("RGB")) / 255.0 pixel_sum += arr.reshape(-1, 3).sum(axis=0) pixel_sq_sum += (arr.reshape(-1, 3) ** 2).sum(axis=0) n += arr.shape[0] * arr.shape[1] mean = pixel_sum / n std = np.sqrt(pixel_sq_sum / n - mean ** 2) print("mean:", mean, "std:", std)参数说明：/255.0把像素压到 0~1 再统计；n是总像素数。算出来的 mean/std 直接填进transforms.Normalize。注意验证集要用训练集的统计量，不能各算各的，否则分布不一致。
3.3 可视化脚本怎么用、输出在哪
数据集自带一个可视化脚本，随机抽一张图，把原始图、GT 图、GT 在原图上的蒙板三张展示出来，并保存在当前目录。这个脚本的价值在于快速验证「mask 和原图是否对齐」——如果蒙板盖错了位置，说明文件名配对或 resize 出了问题。跑之前确认脚本里的路径指向你的数据根目录，跑完在当前目录找输出的 png。
# 常见调用方式，具体参数看脚本内的 argparse python visualize.py --root ./ --split val --num 3如果脚本没有 argparse、路径写死，就手动改root和split两个变量。输出一般是vis_xxx.png这种三合一对比图。重点看第三张蒙板图：宠物轮廓应该被准确覆盖，边缘类如果被可视化出来，应该是一圈细线。如果蒙板整体偏移或缩放不对，八成是原图和 mask 尺寸不一致，或者 transform 里对 mask 用了插值。
提示：可视化脚本跑通再开始训练。很多人跳过这步，训了半天发现 mask 根本没对上，血泪经验。
3.4 训练循环里必须盯的三个指标
接进 UNet 或 Swin-Unet 后，训练循环里别只看 loss。语义分割至少盯三个：整体像素准确率（容易被背景刷高，参考价值有限）、mIoU（真正反映分割质量）、以及每一类的 IoU（尤其边缘类）。常见做法是每个 epoch 在验证集上算一次混淆矩阵，再从中导出各类 IoU。
import torch import numpy as np def compute_iou(pred, target, num_classes=3): # pred, target: [B, H, W] 的整数标签 ious = [] pred = pred.flatten() target = target.flatten() for c in range(num_classes): inter = ((pred == c) & (target == c)).sum().item() union = ((pred == c) | (target == c)).sum().item() ious.append(inter / union if union > 0 else float("nan")) return ious # 训练循环里 model.eval() all_pred, all_gt = [], [] with torch.no_grad(): for img, mask in val_loader: img = img.cuda() out = model(img) pred = out.argmax(dim=1).cpu() all_pred.append(pred) all_gt.append(mask) pred = torch.cat(all_pred) gt = torch.cat(all_gt) ious = compute_iou(pred, gt, num_classes=3) print("各类 IoU:", ious, "mIoU:", np.nanmean(ious))逻辑说明：argmax(dim=1)把网络输出的 logits 转成类别索引；混淆矩阵按类累加 inter 和 union。参数num_classes=3对应背景、宠物、边缘。注意union==0时返回 nan，最后用nanmean忽略。如果边缘类 IoU 一直是 nan，说明验证集里边缘像素太少或根本没预测出来，要回头查标签映射。
4. 避坑与排查：这份数据集最容易翻车的五个地方
4.1 现象：loss 正常下降但 mIoU 卡在 0.3 上不去
原因：mask 像素值和类别索引差了一个偏移量，模型学的是「背景=1、宠物=2」，但评估时按「背景=0、宠物=1」算，导致预测和 GT 系统性错位。解决：回到 2.1 的统计脚本，确认 mask 唯一值，在 Dataset 里统一做mask = mask - 1或按 classes 文件重映射，然后重新评估。
4.2 现象：边缘类 IoU 长期为 0
原因：边缘像素占比极低，普通交叉熵下梯度被淹没；或者可视化时发现边缘根本没被标注出来。解决：先确认 mask 里确实存在边缘类像素值（用 2.1 的脚本看唯一值是否包含边缘那一类），再上 class weight 或把边缘拆成辅助二值任务。如果数据本身边缘标注就稀疏，别强求，把它当正则项用。
4.3 现象：训练时显存爆掉，batch size 只能设 2
原因：原图分辨率偏高，UNet 下采样再上采样，中间特征图很吃显存。解决：常见做法是训练时随机裁剪到 256×256 或 320×320，验证时再整图推理；或者用混合精度torch.cuda.amp。注意裁剪要 img 和 mask 同步，别只裁 img。
4.4 现象：验证集指标比训练集高很多
原因：验证集只有 2200 张，且可能和训练集同分布，加上验证时用了model.eval()关掉 dropout，指标虚高很正常。解决：别被验证集骗了，留一小部分训练数据做 holdout，或者做 K 折。另外检查验证集有没有和训练集重复的图，同名不同 split 的情况要排掉。
4.5 现象：可视化脚本输出的蒙板整体偏移
原因：原图和 mask 尺寸不一致，transform 里对 mask 用了双线性插值，导致标签值被插成小数。解决：mask 的 resize 必须用最近邻InterpolationMode.NEAREST，几何变换（旋转、裁剪）要和 img 用同一组随机参数。检查transforms里 mask 那条链路，别让它走默认插值。
5. 进阶验证：用混淆矩阵和单类 IoU 判断数据集值不值得长期用
跑通 baseline 之后，真正决定要不要把这份数据集长期用下去的，不是 mIoU 那一个数，而是每一类的表现和混淆矩阵的结构。我一般会做两件事：一是把验证集的混淆矩阵画出来（用表格也行），看背景和宠物之间有没有大量互混；二是单独看边缘类的召回，判断它到底是「学不会」还是「标注本身就不一致」。
先算混淆矩阵。下面这段直接输出 3×3 的计数表，行是 GT、列是预测：
import torch import numpy as np def confusion_matrix(pred, target, num_classes=3): # pred, target: 一维整数张量 idx = target * num_classes + pred cm = torch.bincount(idx, minlength=num_classes ** 2) return cm.reshape(num_classes, num_classes).numpy() # 假设 pred, gt 已经 concat 好并 flatten cm = confusion_matrix(pred.flatten(), gt.flatten(), num_classes=3) print("混淆矩阵(行=GT, 列=Pred):\n", cm) # 从混淆矩阵导出每类 IoU for c in range(3): tp = cm[c, c] fp = cm[:, c].sum() - tp fn = cm[c, :].sum() - tp iou = tp / (tp + fp + fn) if (tp + fp + fn) > 0 else float("nan") print(f"类 {c} IoU: {iou:.4f}")逻辑说明：target * num_classes + pred把二维的 (GT, Pred) 组合压成一维索引，bincount一次统计完所有组合，再 reshape 回矩阵。参数num_classes=3对应三类。看矩阵时重点看对角线：对角线越大越好；如果cm[0,1]（背景被预测成宠物）很大，说明模型把大片背景误判成宠物，通常是类别不平衡或归一化有问题。
拿到每类 IoU 后，判断标准可以这样定：背景 IoU 通常最高，宠物主体 IoU 在 0.7 以上算这份数据可用，边缘类如果低于 0.2 且召回也低，就把它降级成辅助任务，别让它拖累主任务。如果宠物主体 IoU 都上不去 0.6，先别怀疑网络，回头查标签映射和可视化对齐——这份数据集本身质量不差，问题多半出在读取环节。
还有一个容易被忽略的验证点：把训练集和验证集的类别像素占比分别统计一遍，对比两者分布。如果验证集的边缘占比和训练集差一个数量级，说明划分可能不是随机的，这时候要么重新划分，要么在评估时对边缘类单独加权。我一般会写个小函数把两个 split 的三类占比打出来，一眼就能看出分布是否一致。
def class_ratio(mask_dir, num_classes=3, sample=300): import os from PIL import Image counts = np.zeros(num_classes) names = os.listdir(mask_dir)[:sample] for name in names: m = np.array(Image.open(os.path.join(mask_dir, name))) for c in range(num_classes): counts[c] += (m == c).sum() return counts / counts.sum() print("train 占比:", class_ratio("train/masks")) print("val 占比:", class_ratio("val/masks"))参数sample=300是抽样数量，想更准就全量。两个占比向量越接近，说明划分越均衡。如果 val 的边缘占比明显偏高或偏低，评估指标的可比性就要打折扣。
从那以后我每次拿到新的分割数据集，都强制先跑一遍「唯一值统计 + 可视化对齐 + 双 split 占比对比」这三步，再动网络。这份约 7000 张的宠物语义分割数据集，结构清晰、划分现成、还带可视化脚本，作为三类别分割的练手或验证集是够格的，前提是你把标签映射和 mask 对齐这两件事做扎实。希望帮到你。
本文还有配套的精品资源，点击获取
