必须重写__init__、__len__和__getitem__三个方法，其中__getitem__需加载图像、应用transform并返回单样本（张量+标签），transform必须在__getitem__中执行，不可交由DataLoader处理。
怎么继承 torch.utils.data.Dataset 写图像数据集
必须重写 __init__、__len__ 和 __getitem__ 三个方法，少一个都会报 TypeError: 'CustomDataset' object is not subscriptable 或长度异常。其中 __getitem__ 是核心——它每次只返回单个样本（图像张量 + 标签），不能批量返回，PyTorch 的 DataLoader 会自己做 batch 化。
常见错误是把图像路径列表或标签数组存在 self.data 里但没在 __len__ 中返回正确长度；或者在 __getitem__ 里忘了用 PIL.Image.open() 或 cv2.imread() 加载图像，直接返回路径字符串。
示例关键片段：
class ImageDataset(torch.utils.data.Dataset):
def __init__(self, img_paths, labels, transform=None):
self.img_paths = img_paths # list of str
self.labels = labels # list or np.array
self.transform = transform
<pre class="brush:php;toolbar:false;"><pre class="brush:php;toolbar:false;">def __len__(self):
return len(self.img_paths) # 必须是 int
def __getitem__(self, idx):
img = Image.open(self.img_paths[idx]).convert('RGB')
label = self.labels[idx]
if self.transform:
img = self.transform(img)
return img, label</code>transform 该不该在 Dataset 里做，还是交给 DataLoader
必须在 Dataset.__getitem__ 里做，不是可选项。因为 DataLoader 只负责采样、拼 batch、多进程加载，不做任何数据变换。如果漏掉 transform，你拿到的就是原始 PIL 图像，后续传给模型会报 Expected tensor as input。
立即学习“Python免费学习笔记（深入）”；
典型组合：transforms.Compose([transforms.Resize((224, 224)), transforms.ToTensor(), transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225])])。注意 ToTensor() 会自动把 HWC 转为 CHW 并归一化到 [0,1]，所以 Normalize 前不用手动除 255。
容易踩的坑：
创建 Flask + Vue.js 全栈项目，采用单端口架构、uv 依赖管理、结构化日志和生产级前端设计。当用户要求以下操作时触发：创建新的 Flask+Vue 项目、搭建 Web 应用、构建全栈 Python+Vue 应用、初始化 Flask Web 项目、设置单端口 Flask 前后端项目。触发词：新建项目、创建项目、搭建项目、Flask项目、Vue项目。
-
Resize和CenterCrop参数传错顺序（应是(height, width)，不是(width, height)） - 训练时用了
RandomHorizontalFlip，但验证/测试时没关掉——导致结果不可复现 - 自定义 transform 函数里忘了加
return，返回None，引发后续所有操作崩溃
如何处理不同尺寸或缺失标签的图像文件
图像尺寸不一致本身不是问题，transform 里的 Resize 或 RandomResizedCrop 就是干这个的。真正要防御的是路径不存在、损坏图像、标签索引越界这三类运行时错误。
建议在 __getitem__ 开头加一层保护：
def __getitem__(self, idx):
try:
img = Image.open(self.img_paths[idx]).convert('RGB')
label = self.labels[idx]
except (FileNotFoundError, OSError, IndexError) as e:
# 返回一个占位样本 + -1 标签，或抛出自定义警告
print(f"Warning: skip {self.img_paths[idx]}, error {e}")
return self[0] # 递归取第一个（需确保 idx=0 有效）
# ... 后续 transform更稳妥的做法是在 __init__ 阶段就过滤掉无效路径：
- 用
os.path.exists()扫描所有img_paths - 对前几个文件调用
Image.open().verify()（注意捕获异常，PIL.verify 不抛异常） - 确保
labels长度和过滤后的路径列表一致
要不要用 torchvision.datasets.ImageFolder 替代自定义 Dataset
如果你的数据按 root/class_name/*.jpg 结构组织，且标签就是目录名，ImageFolder 更快更稳——它内置了路径扫描、标签映射、缓存逻辑。自定义 Dataset 的价值在于：需要混合多种来源（如 CSV+图像路径+额外元数据）、动态生成标签（比如根据文件名正则提取）、或集成特定预处理（如 ROI 截取、热力图叠加）。
别为了“看起来更专业”硬写自定义 Dataset。用 ImageFolder 时，transform 依然要传进去；它的 samples 属性是 (path, class_idx) 元组列表，可直接用于调试路径是否加载正确。
一个常被忽略的细节：ImageFolder 默认按字典序排序子目录，class_idx 从 0 开始分配。如果你的类别名是 "001_cat"、"002_dog"，那顺序是对的；但如果是 "dog"、"cat"，顺序就反了——这时得手动传入 classes 和 class_to_idx。
