Oxford-102flower是牛津工程大学于2008年发布的用于图像分类的数据集，总共分为102个类，每个类包含40-258张图像，一共8189张图像。
数据下载地址
https://www.robots.ox.ac.uk/~vgg/data/flowers/102/
下载图中1.4.5对应的文件，分别为数据的文件，标签的文件和划分的文件。
数据下载解压后显示如下：
数据中个别图像展示：
下载好的图像放在一个jpg文件夹中，该文件夹中包含了所有的图像，但其图像排列顺序是有规律，每一类的图像放在一起，然后再放下一类的所有图像，因此我们可以将数据集划分为训练集、验证集和测试集。
数据集的划分主要依据imagelabels.mat文件和setid.mat文件完成。imagelabels.mat文件主要包换数据的标签信息。
导入头文件：
# encoding:utf-8
import scipy.io
import numpy as np
import os
from PIL import Image依据imagelabels.mat文件读取图像的标签信息，该文件一共包含8189列，每一个数即代表的该图像所属的类别。在使用时修改imagelabels.mat文件的位置，使程序能够顺利读取。
labels = scipy.io.loadmat('./imagelabels.mat.txt')
labels = np.array(labels['labels'][0]) - 1
print("labels:", labels)根据setid.mat文件将数据划分为训练集，验证集和测试集。setid.mat文件主要包含每一个类对应的图片信息文件，读取该文件，配合imagelabels.mat文件可实现数据的划分。在使用时修改setid.mat文件的位置，使程序能够顺利读取。
setid = scipy.io.loadmat('./setid.mat.txt')
validation = np.array(setid['valid'][0]) - 1
np.random.shuffle(validation)
train = np.array(setid['trnid'][0]) - 1
np.random.shuffle(train)
test = np.array(setid['tstid'][0]) - 1
np.random.shuffle(test)将数据存储在fflower_dir中：注意修改图片存储的位置。
flower_dir = list()
for img in os.listdir("./102flowers/jpg"):
flower_dir.append(os.path.join("./102flowers/jpg", img))
flower_dir.sort()根据setid划分出train并放入train文件夹中：
des_folder_train = "./train" # 该地址可为新建的训练数据集文件夹的相对地址
for tid in train:
# 打开图片并获取标签
img = Image.open(flower_dir[tid])
print(img)
# print(flower_dir[tid])
img = img.resize((256, 256), Image.ANTIALIAS)
lable = labels[tid]
# print(lable)
path = flower_dir[tid]
print("path:", path)
base_path = os.path.basename(path)
print("base_path:", base_path)
classes = "c" + str(lable)
class_path = os.path.join(des_folder_train, classes)
# 判断结果
if not os.path.exists(class_path):
os.makedirs(class_path)
print("class_path:", class_path)
despath = os.path.join(class_path, base_path)
print("despath:", despath)
img.save(despath)根据setid划分出val并放入val文件夹中：
des_folder_validation = "./val"#该地址为新建的验证数据集文件夹的相对地址
for tid in validation:
img = Image.open(flower_dir[tid])
# print(flower_dir[tid])
img = img.resize((256, 256), Image.ANTIALIAS)
lable = labels[tid]
# print(lable)
path = flower_dir[tid]
print("path:", path)
base_path = os.path.basename(path)
print("base_path:", base_path)
classes = "c" + str(lable)
class_path = os.path.join(des_folder_validation, classes)
# 判断结果
if not os.path.exists(class_path):
os.makedirs(class_path)
print("class_path:", class_path)
despath = os.path.join(class_path, base_path)
print("despath:", despath)
img.save(despath)根据setid划分出test并放入test文件夹中：
des_folder_test = "./test"#该地址为新建的测试数据集文件夹的绝对地址
for tid in test:
img = Image.open(flower_dir[tid])
# print(flower_dir[tid])
img = img.resize((256, 256), Image.ANTIALIAS)
lable = labels[tid]
# print(lable)
path = flower_dir[tid]
print("path:", path)
base_path = os.path.basename(path)
print("base_path:", base_path)
classes = "c" + str(lable)
class_path = os.path.join(des_folder_test, classes)
# 判断结果
if not os.path.exists(class_path):
os.makedirs(class_path)
print("class_path:", class_path)
despath = os.path.join(class_path, base_path)
print("despath:", despath)
img.save(despath)划分好的数据集如下所示：
