企业官网建设流程全解析

简介：这是一份面向计算机视觉学习者的瞳孔虹膜分割数据集，包含394张训练图片与112张测试图片，分辨率统一为640×640，mask标签以0、1、2灰度值分别对应背景、瞳孔与虹膜区域，适合用于语义分割模型的训练与效果验证。包内训练集与测试集均按images和masks目录组织，另附一个Python可视化脚本，可随机抽取图片并同时展示原图、GT掩膜及蒙板叠加效果，便于快速检查标签质量。资源共1014个文件，包括506张jpg原图、507张png掩膜及1个py脚本，压缩包大小20.72MB，结构简洁、上手门槛低。目前已有266人学习使用，适合刚接触分割任务的学生或研究者作为练手数据，也方便在现有模型上进行迁移测试。

1. 图像分割数据集选型：瞳孔虹膜分割的训练集与测试集值不值得下

做医学图像分割的人都有体会：找数据集比调模型更耗时。这个瞳孔虹膜分割数据集把前后端都备齐了——训练集 394 张图带 394 张 mask，测试集 112 张带 112 张 mask，分辨率统一 640×640，mask 是 0/1/2 三值灰度图。瞳孔和虹膜是典型的小目标加弱边界场景，394 张训练量不算大，配合数据增强跑 UNet 完全够用。它适合两类人：刚入门图像分割、想找一份干净带标注数据练手的学生；做眼动追踪、虹膜识别、瞳孔检测预研的工程师。这份资源帮你省掉最脏的数据清洗和标注环节，拿到手直接面对模型训练。需要说明的是，这里交付的是数据集加一个可视化脚本，不是训练好的模型权重，模型要自己跑。

2. 数据集结构与标注规范：394+112 张图的目录组织和 0/1/2 灰度语义

拿到压缩包先别急着解压就跑模型，把目录结构和标注语义摸清楚，后面能省掉大量排错时间。这一章从文件命名、mask 灰度值到可视化脚本逐个拆，全是实际操作层面的细节，新手照着做不会跑偏，熟手也能从中确认这份数据的边界条件。

2.1 目录组织与文件命名：Roboflow 导出痕迹和同名映射

解压后根目录下一般是 train 和 test 两个大目录，每个目录里再分 images 和 masks。train/images 下 394 张 jpg，train/masks 下 394 张对应 mask；test 同理是 112 对。先别急着改目录结构，PyTorch 的 Dataset 类里直接用相对路径拼接最省事，后面如果要换框架，也只要保证 images 和 masks 两个根路径不变，迁移成本很低。

文件命名一眼能看出来源，比如5f88420adb41b5d5_jpg.rf.b2feee328e6a5ba8ee09bf83ecc6b975.jpg。中间的.rf.是 Roboflow 平台导出的标志，后面的十六进制串是该样本在导出时的唯一标识，_jpg后缀表示原始文件是 jpg 格式。这个信息不是没用的：以后要合并其他数据集，这个 hash 能帮你做去重；如果哪天发现图片和 mask 对不上号，先检查文件名里.rf.前面那段是否一致，而不是依赖文件夹位置。

mask 文件的扩展名以压缩包里的实际为准，常见的是与图片同名的 .png。这里有个通用原则：mask 一律用 png 或 tif 这类无损格式，不要用 jpg。jpg 有损压缩会在类别边界产生伪影，把 0/1/2 这种索引值压成 0.7、1.3，训练时 one-hot 编码直接错位。这种错误特别难查——模型还在跑，指标只是悄悄变差。我见过有人在这上面耗了两天，最后发现是数据读取时把 jpg mask 当灰度图用了。

注意：训练和评估脚本里 mask 的扩展名替换规则必须完全一致，解压后先ls看一眼实际扩展名，再写进 Dataset 代码。

2.2 mask 灰度语义：0、1、2 分别代表什么

mask 是单通道灰度图，三个灰度值对应三个类别：按 0/1/2 的顺序，通常 0 是背景，1 是瞳孔，2 是虹膜，具体以压缩包内说明为准。这里用的不是把 255 当前景的约定，而是明确的索引语义，值域只有 0/1/2，天然适合直接作为分类任务的 target，不需要额外二值化。

读 mask 我一般用 OpenCV 的 imread 加IMREAD_UNCHANGED参数，保证按原始位深读进来：

import cv2 img = cv2.imread("train/images/5f88420adb41b5d5_jpg.rf.b2feee328e6a5ba8ee09bf83ecc6b975.jpg") mask = cv2.imread("train/masks/5f88420adb41b5d5_jpg.rf.b2feee328e6a5ba8ee09bf83ecc6b975.png", cv2.IMREAD_UNCHANGED) print(mask.shape, mask.dtype) # (640, 640) uint8 print(set(mask.ravel().tolist())) # {0, 1, 2}

这里有两个细节。第一，mask 必须是单通道，shape 是 (640, 640) 而不是 (640, 640, 3)；如果读出来是三维，说明保存时被转成了 RGB，要先取单通道再核对灰度值集合。第二，dtype 应该是 uint8，值域就是 {0, 1, 2}。如果set()之后看到 {0, 255}，说明 mask 被 jpg 压缩过或保存时做了二值化，这份数据在这个环节就脏了，得换文件。

为什么用 0/1/2 三值图而不是三张二值 mask？直观原因是省空间，1 张 uint8 图只有 3 张二值图的四分之一；更深层的原因是训练时交叉熵损失天然接受类别索引，PyTorch 的CrossEntropyLoss直接吃[B, H, W]的整数 target，不需要转 one-hot。只有用 Dice Loss 自己写 one-hot 时才要额外转换，这一步后面讲。

2.3 可视化脚本：GT 与原始图像对齐的第一道关卡

数据集附带的可视化脚本，功能是随机抽一张图，把原始图片、GT mask、GT 叠加在原图上的结果并排展示，并保存到当前目录。这个脚本的价值被很多人低估——拿到数据集第一件事就该跑它，而不是直接开训练。我一般会先看十几张叠加图，确认三件事：mask 与眼睛图像是否对齐、瞳孔和虹膜的边界是否干净、有没有样本标错类别。

脚本核心逻辑和下面的写法等价，核心是利用颜色映射把索引值变成可视化颜色：

import cv2 import numpy as np import glob, random, os img_path = random.choice(glob.glob("train/images/*.jpg")) mask_path = os.path.join("train/masks", os.path.basename(img_path).replace(".jpg", ".png")) img = cv2.imread(img_path) # BGR mask = cv2.imread(mask_path, cv2.IMREAD_UNCHANGED) # 0/1/2 color_map = np.array([[0, 0, 0], [255, 0, 0], [0, 0, 255]], dtype=np.uint8) overlay = color_map[mask] # 索引查表 blended = cv2.addWeighted(img, 0.6, overlay, 0.4, 0) # 原图与伪彩叠加 canvas = np.hstack([img, np.stack([mask] * 3, axis=-1), blended]) cv2.imwrite("check_visual.png", canvas)

color_map[mask]这一步是 numpy 的索引查表：mask 中等于 1 的位置被替换成color_map[1]这行颜色，等于 0 的位置替换成黑色，等于 2 的位置替换成红色，一步完成类别到颜色的映射，比循环遍历像素快几个数量级。addWeighted的两个权重 0.6 和 0.4 控制原图和伪彩的透明度，太透明看不清边界，太不透明又看不出类别，我一般保持 0.6/0.4 不动。hstack把三张图拼成一行方便对比，最后imwrite保存到当前目录。

这个脚本唯一要改的就是 mask 扩展名的替换规则，以目录里实际扩展名为准。虽然不是训练代码，但它承担了数据质检的职责——每次拿到新数据集我都先跑一遍，花五分钟确认标注质量，能省掉后面调模型的半天时间。

3. 用 UNet 训练瞳孔虹膜分割：数据加载、Dice Loss 与训练参数

数据和标注确认没问题之后，进入训练环节。瞳孔虹膜分割这种二类目标任务，最稳的基线结构就是 UNet——编码器下采样四次提取语义，解码器上采样四次恢复细节，跳跃连接保住边缘信息，在 640×640 输入下参数量和显存占用都可控。这一章给出完整的数据加载、损失函数和训练配置，全部围绕这份数据集的实际特点来写。

3.1 数据加载：为什么必须保持 mask 的索引语义

写 Dataset 类时最关键的坑就是 mask 读取。很多人习惯用 PIL 读图，但 PIL 的Image.open对灰度图有个隐蔽行为：如果图片保存时用了调色板模式（P 模式），np.array之后得到的是调色板索引而不是灰度值，值域可能完全不是 0/1/2。所以我的习惯是统一用cv2.imread(..., IMREAD_UNCHANGED)，从源头避开这个问题。

import os, glob import cv2 import numpy as np import torch from torch.utils.data import Dataset class IrisSegDataset(Dataset): def __init__(self, img_dir, mask_dir, train=True): self.img_paths = sorted(glob.glob(os.path.join(img_dir, "*.jpg"))) self.mask_dir = mask_dir self.train = train def __len__(self): return len(self.img_paths) def __getitem__(self, idx): img_path = self.img_paths[idx] name = os.path.basename(img_path).replace(".jpg", ".png") mask_path = os.path.join(self.mask_dir, name) img = cv2.imread(img_path) # BGR uint8 img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB) # 转 RGB mask = cv2.imread(mask_path, cv2.IMREAD_UNCHANGED) if self.train: # 随机水平翻转，图片和 mask 必须共用同一个随机种子 if np.random.rand() > 0.5: img = cv2.flip(img, 1) mask = cv2.flip(mask, 1) img = img.astype(np.float32) / 127.5 - 1.0 # 归一化到 [-1,1] mask = mask.astype(np.int64) # 交叉熵需要 long img = torch.from_numpy(img).permute(2, 0, 1).float() # HWC -> CHW mask = torch.from_numpy(mask) # [H, W] return img, mask

几个要点拆开说。第一，mask 用astype(np.int64)而不是 float，因为CrossEntropyLoss要求 target 是 LongTensor，float 会直接报错。第二，图像和 mask 做随机翻转时必须共享随机数，各翻各的会让标注和内容错位，这是新手最容易翻车的地方。第三，归一化用/127.5 - 1把 RGB 压到 [-1, 1]，配合默认初始化和 Adam 在医学图像上收敛比 [0, 1] 稍快一点，虽然不是必须，但我习惯这么写。

图像增强这里我刻意没加颜色抖动。人眼图像的颜色分布比较统一，对亮度敏感但对色相不敏感，强加 HSV 扰动反而让网络学到错误的颜色不变性。要增强就做几何类：翻转、旋转 ±15°、缩放 0.9~1.1，这些对瞳孔这种近圆形目标非常友好。常见做法是直接用 Albumentations 库，随机翻转、旋转、缩放一步到位，它在内部帮你同步 img 和 mask；但我上面故意用原生 cv2 写，是为了让你看清这个同步的关键点。

3.2 损失函数：为什么单用交叉熵会偏向背景

在 640×640 图像里，瞳孔直径一般也就几十个像素，面积占比可能只有 2%~5%，虹膜稍大但也只占 10% 左右。这意味着背景像素占了 85% 以上，如果直接用交叉熵，网络只要学会输出全背景就能拿到 0.85 的准确率，loss 看起来在降，实际什么都没学到。

解决的办法是 Dice Loss，或者交叉熵和 Dice 加权组合。Dice 对类别不平衡不敏感，因为它按区域重叠率算，不受像素数量主导。我一般用 CE + Dice 各一半权重，收敛速度比纯 Dice 快，边界也比纯 CE 干净。

import torch import torch.nn.functional as F def dice_loss(pred, target, eps=1e-6): # pred: [B, C, H, W]，已经过 softmax # target: [B, H, W]，值域 {0, 1, 2} num_classes = pred.shape[1] target_onehot = F.one_hot(target, num_classes).permute(0, 3, 1, 2).float() intersection = (pred * target_onehot).sum(dim=(2, 3)) union = pred.sum(dim=(2, 3)) + target_onehot.sum(dim=(2, 3)) dice = (2 * intersection + eps) / (union + eps) # [B, C] return 1 - dice.mean()

这里one_hot是核心：F.one_hot把 [B, H, W] 的索引变成 [B, H, W, C]，再用permute转成 [B, C, H, W] 才能和 pred 逐元素相乘。eps 加在分母上，防止某个类别在 batch 里完全缺失时除零。最后dice.mean()是对所有类别取平均，等价于 mDice，比单独算每个类别再加权更稳。如果发现虹膜总是被吞，可以把返回改成加权平均，比如按像素占比的倒数给瞳孔更大权重，效果直接反映在指标上。

3.3 训练参数：batch size、学习率与总轮数

基于 640×640 输入和 UNet 基础结构，我给的基线配置如下，单张 24G 显存的卡能跑，显存小的话输入缩到 512 也行，但 640 是数据集的原始分辨率，建议优先保持。

训练循环本身是标准的，关键是每个 epoch 结束要在测试集上算 mIoU 和 mDice，并且保存最优权重而不是最后一轮：

best_miou = 0.0 for epoch in range(120): train_one_epoch(model, train_loader, optimizer, criterion) miou, mdice = evaluate(model, test_loader, num_classes=3) if miou > best_miou: best_miou = miou torch.save(model.state_dict(), "best_iris.pth") print(f"epoch {epoch} miou={miou:.4f} mdice={mdice:.4f}")

这里我特别强调一个容易被忽略的问题：394 张训练图不足以支撑随机划分验证集，因为人眼图像里同一个人的双眼可能非常相似，随机划分会把同源样本分到两边，验证指标虚高。这份数据既然给了独立的测试集，就应该固定用测试集做最终评估，不要把测试集混进训练，更不要拿它做早停——早停应该在真正的验证集上做，没有独立验证集就老老实实训练固定轮数，测试集只做最终报告。这和 YOLO 训练自己的数据集时按比例分 val 的做法不一样，分割小数据集的样本独立性更弱，划分必须更保守。

4. 瞳孔虹膜分割常见问题避坑：五个真实翻车现场

这一章写的都是实际跑分割数据集时摔过的跟头，每条按现象、原因、解决三步给，可以直接对照自己的报错信息和指标表现。分割任务不像检测任务能一眼看到框有没有画对，mask 的错位、值域混淆、类别丢失都藏在指标和可视化里，不排查到根源，调参就是瞎调。

4.1 现象：训练 loss 下降正常，测试集 mIoU 却卡在 0.3 不动

原因不是模型问题，是归一化不一致。有些眼睛图像有强烈的镜面反光（角膜上的亮点），像素值整体偏亮；如果训练时每张图单独做 mean-std 归一化，评估时用的却是全局统计量，分布就错位了。更常见的是 mask 读取方式不同——训练代码用IMREAD_UNCHANGED读到 0/1/2，评估代码顺手用默认imread读成 0/255 或三通道图，类别错乱，mIoU 直接崩掉。

解决：抽几对训练和测试图片，分别打印像素值分布，确认归一化路径完全一致；mask 统一用IMREAD_UNCHANGED，并在评估脚本里加一行断言assert set(np.unique(mask)) <= {0, 1, 2}。镜面反光的问题，我一般加一步 CLAHE 对比度增强，把局部高光压一压，mIoU 常有 2~3 个点的提升。

4.2 现象：mask 读出来全是 255，可视化一片白

原因：这份数据的 mask 是 0/1/2 索引图，直接用看图软件打开是黑的，因为 0/1/2 在 8bit 里几乎等于 0。有人想"转成可见的"，拿 PIL 打开后转成 RGB 或 L 模式再保存，保存时 1 和 2 被拉伸成 255，索引语义彻底被破坏。另一种情况是用了imread的默认模式，把 16 位深度的图压成 8 位，值全变了。

解决：解码时永远用cv2.IMREAD_UNCHANGED，不经过任何中间转换；要保存副本就用 png 格式，保存前先断言唯一值集合是 {0, 1, 2}。我用过一段自定义 load 函数做逐张检查，后来发现开销太大，改成数据集初始化时一次性校验全部 mask——初始化通过就代表这批数据是干净的，后面训练直接信任它。

4.3 现象：瞳孔区域太小，网络直接学丢，预测结果里瞳孔消失

原因：瞳孔面积占比 2%~5%，在 Dice Loss 里它只贡献很小一部分梯度，被背景梯度淹没；交叉熵更是如此，全背景预测已经有 0.85 的准确率，网络当然选择偷懒。这在小目标分割里非常典型，不是模型结构的问题，是损失函数和样本分布在打架。

解决：两个办法叠加。第一，在 loss 里给类别加权重，把返回改成1 - (dice[:, 1] * w1 + dice[:, 2] * w2)，权重按 1/面积占比归一化，瞳孔可以给到 8~12。第二，数据增强时做随机裁剪放大——把瞳孔区域附近裁出来缩放到 640×640，相当于变相增加小目标样本。我用后者效果更明显，因为瞳孔的相对大小在预测时更接近真实场景，模型见过各种尺度的瞳孔，泛化更稳。

4.4 现象：虹膜区域边缘碎、内部有黑洞，mIoU 上不去

原因：虹膜和瞳孔的边界是弱边缘，虹膜自身又有纹理和反光点，网络把反光点学成了背景孔。另一个原因是训练时下采样太多，UNet 的 encoder 在第 3、4 层把细节抹掉了，恢复不到原分辨率。

解决：推理时用完整 640×640 分辨率，不要在预测前 resize 到 256；后处理加形态学闭运算（第 6 章细说）。另外可以尝试在 loss 里加边界项，对 mask 求 Sobel 梯度作为边界权重，加权到 CE 上。这个技巧对虹膜这种纹理目标很有效，但对瞳孔这种光滑目标收益不大——所以先确认问题出在哪个类别，再决定要不要上边界损失，避免盲目加复杂度。

4.5 现象：自带可视化脚本运行报 RuntimeError，或叠加图全黑

原因：脚本里如果用了 PIL 读 mask，在 P 模式下np.array得到的是调色板索引而不是灰度值；叠加时用 mask 直接当 RGB 第三维或乘了错误权重，都会黑图。另一个隐蔽点：不同 OpenCV 版本对 16 位 png 的返回 dtype 不同，老版本返回 uint16，新版本可能返回 float32，直接当索引用没问题，但如果脚本里有类型转换就会炸。

解决：按 2.3 节的写法重写，核心是不经过 PIL、不用调色板、用color_map[mask]查表。Python 环境版本冲突时，先升级 opencv-python 到 4.8 以上再跑一遍脚本，大多数 RuntimeError 能直接消失。如果还有问题，打印mask.dtype和mask.shape，对照 2.2 节的检查方法，多半是读取模式的问题。

5. 推理与后处理：从预测 mask 到瞳孔直径和评估指标

训练完模型，下一步是推理和后处理。这一章讲清楚三件事：怎么从模型输出拿到类别 mask，怎么从 mask 里提取瞳孔面积和直径这类业务指标，以及怎么报测试集指标才能和论文公平对比。每一步都有对应的代码和参数说明。

5.1 推理脚本：argmax 与类别置信度

模型输出是 [1, 3, 640, 640] 的 logits，常规做法是 argmax 取类别索引：

model.eval() with torch.no_grad(): logits = model(img_tensor) # [1, 3, H, W] pred = logits.argmax(dim=1).squeeze(0).cpu().numpy() # [H, W], {0, 1, 2}

argmax 天然返回索引，不需要先 softmax，因为 argmax 在 softmax 前后结果不变，省一次计算。如果要做置信度过滤，才需要先 softmax 再取最大值。瞳孔分割场景里，类别置信度通常用在两个地方：一是评估时排除低置信度样本，二是做半自动标注时用置信度提示人工复核，但推理环节直接用 argmax 就够了。

5.2 连通域分析与瞳孔直径估算

预测 mask 里通常会有零星噪点，直接用会污染面积和直径指标。我一般用 scipy.ndimage 做连通域标记，按面积阈值剔除小区域：

from scipy import ndimage import numpy as np pred_pupil = (pred == 1).astype(np.uint8) labels, n = ndimage.label(pred_pupil) if n == 0: print("no pupil detected") else: sizes = ndimage.sum(pred_pupil, labels, range(1, n + 1)) keep_id = int(np.argmax(sizes)) + 1 # 取最大连通域 pupil_mask = (labels == keep_id) area = int(sizes[keep_id - 1]) diameter = 2 * np.sqrt(area / np.pi) # 等效圆直径

ndimage.label默认按 8 连通标记，对瞳孔这种实心目标够用。取最大连通域能同时去掉孤立的误检块。等效圆直径假设瞳孔近似圆形，这个假设对正常眼成立，但对严重变形的瞳孔会有偏差，所以报告时建议同时给出 area 和 diameter 两个值，让下游自己决定用哪个。对虹膜类别也可以做同样的连通域处理，区别是虹膜是环形，取最大连通域时可能会漏掉被瞳孔分隔的外环，这种情况要先在 mask 上把瞳孔区域填掉再分析，代码逻辑里要多一步。

5.3 评估指标：mIoU 和 Dice 的实际关系

测试集报告指标，最常用的是 mIoU 和 mDice。按类别分别算再平均就是 mIoU/mDice，代码写起来就几行：

def compute_metrics(pred_all, gt_all, num_classes=3): ious, dices = [], [] for c in range(num_classes): p = (pred_all == c); g = (gt_all == c) inter = (p & g).sum(); union = (p | g).sum() ious.append(inter / max(union, 1)) dices.append(2 * inter / max(p.sum() + g.sum(), 1)) return np.mean(ious), np.mean(dices)

注意 mIoU 和 mDice 的关系：IoU = Dice / (2 - Dice)，所以 Dice 永远大于等于 IoU，两者不要混着跟论文比。报指标时写清楚是 per-class 平均还是忽略背景——瞳孔数据集上忽略背景的 mIoU 会比包含背景的高 5~8 个点，这不算造假，但要在报告里注明口径，否则别人没法复现你的对比。

5.4 测试时增强：水平翻转 TTA 的稳定收益

小数据集上 TTA 是性价比最高的提分手段，不用改模型、不用重训练，只在推理时多做一次水平翻转并平均概率。瞳孔分割的测试图存在左右对称性，翻转后预测结果理论上应该一致，但网络对强反光点的响应略有差异，平均后能压低噪声：

def predict_with_tta(model, img_tensor): logits = model(img_tensor) # 原始方向 logits_flip = model(torch.flip(img_tensor, dims=[3])) # 水平翻转 logits_flip = torch.flip(logits_flip, dims=[3]) # 翻回原方向 prob = (torch.softmax(logits, dim=1) + torch.softmax(logits_flip, dim=1)) / 2 return prob.argmax(dim=1)

dims=[3]表示翻转 W 维，即水平翻转。flip 输入再 flip 输出，保证两张图的空间位置一一对应，才能做平均。TTA 在瞳孔分割上一般能带来 0.5~1 个点的 mIoU 增益，代价是推理时间翻倍。如果业务对延迟敏感，我会把 TTA 关闭，只在离线评估和出报告时打开，这个取舍要在文档里写清楚。

6. 一个提升分割精度的技巧：形态学闭运算补虹膜反光破洞

虹膜预测结果最常见的缺陷是内部散落着小黑洞——这些洞大多对应角膜镜面反光点，GT 里标成虹膜，但网络在高亮区域容易犹豫。用形态学闭运算可以低成本补洞，闭运算等于先膨胀再腐蚀，恰好能填小洞而不明显改变外轮廓。

import cv2 kernel = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (15, 15)) iris = (pred == 2).astype(np.uint8) iris_filled = cv2.morphologyEx(iris, cv2.MORPH_CLOSE, kernel) pred_filled = pred.copy() pred_filled[iris_filled == 1] = 2

核大小 15×15 在 640×640 图上约等于瞳孔直径的三分之一，能填掉大多数反光洞，又不会把背景和虹膜糊成一片。核太大会把眼白区域也闭进来，误提成虹膜；核太小则填不掉大反光斑。用椭圆核而不是矩形核，是因为虹膜本身是环形结构，椭圆核更贴合纹理走向，边界更自然。注意不要把闭运算用在瞳孔上——瞳孔要用来算直径，闭运算会让边界外扩，直径偏大 2~3 个像素。如果一定要对瞳孔做清洗，用开运算（先腐蚀再膨胀）去毛刺，它对尺寸的影响比闭运算小得多。

更稳的做法是只在评估和报告指标前填洞，训练数据保持原样，让网络自己去学反光点其实长在虹膜上。从那以后我每次拿到新的分割数据集，都先跑一遍可视化脚本确认 GT 边界，再定后处理管线，而不是一上来就调模型结构。这个顺序帮我少走了很多弯路，希望帮到你。

本文还有配套的精品资源，点击获取