简介Pascal-5i 数据集面向小样本学习方向的研究者与算法工程师基于经典 PASCAL VOC 的 20 个类别通过采样策略划分基础类别与新类别构造 5-way 1-shot 与 5-way 5-shot 场景用于评估模型在极少样本下识别新类别的泛化能力适合原型学习、元学习、知识迁移等方法的实验与对比。资源包共 6 个文件压缩后约 151KB包含 py 读取脚本、ipynb 示例笔记、md 说明文档、txt 依赖清单及 license 等覆盖数据读取、示例演示与使用说明便于快速接入训练流程。目前已有 1444 人学习下载。借助其中的读取脚本与示例笔记读者可快速完成数据加载与任务划分理解基础类别与新类别的采样逻辑并在此基础上复现或改进小样本分类算法同时参考评估指标设计思路为有限样本条件下的模型优化提供可复用的实验起点。1. 为什么你的分割模型总在边界翻车pascal-5i 数据集到底该怎么用如果你做过小样本分割few-shot segmentation大概率遇到过这种场景模型在训练集上 IoU 刷到 70 多换一张新类别的图掩码边缘糊成一团小目标直接漏检。问题往往不在网络结构而在你喂给它的数据组织方式。pascal-5i 数据集就是为这个任务量身定做的评测基准它把 PASCAL VOC 2012 重新切分成四个交叉验证折fold每折里挑出 5 类作为测试类、其余 15 类作为训练类专门用来衡量模型「只看几张支持图就能分割新类别」的能力。它解决的不是通用分割问题而是泛化到未见类别的能力评估。适合谁做小样本分割、元学习、原型网络方向的研究者和工程师以及想复现 FSS 论文但卡在数据准备这一步的人。这一章先把它的结构和选型理由讲透后面几章再动手。2. pascal-5i 的目录结构与四个 fold 的划分逻辑很多人第一次拿到 pascal-5i 会懵它不是一个独立打包的数据集而是一套基于 PASCAL VOC 2012 的划分规则加索引文件。你得先有 VOC 2012 原图再按它的规则组织。理解这套划分逻辑比急着写 DataLoader 重要得多。2.1 四个 fold 的类别分配与交叉验证意义pascal-5i 的核心是 4 个 fold每个 fold 的测试类互不重叠合起来覆盖 VOC 的 20 类。常见划分如下不同论文引用时偶有微调但主流实现一致Fold测试类5 类训练类其余 15 类fold0aeroplane, bicycle, bird, boat, bottle其余 15 类fold1cat, chair, cow, diningtable, dog其余 15 类fold2horse, motorbike, person, pottedplant, sheep其余 15 类fold3sofa, train, tvmonitor, bus, car其余 15 类这样设计的目的是让每个类别都有机会当一次「新类」。你报告结果时不能只报一个 fold要报 4 个 fold 的平均值否则审稿人一眼看出你在挑数据。我一般会在训练脚本里把 fold 号作为参数传进去跑四遍取均值这是最基本的严谨性。2.2 支持集与查询集的采样规则小样本分割的标准设定是 1-shot 和 5-shot。1-shot 就是从测试类的训练图里随机抽 1 张作为支持图support连同它的掩码一起送进模型查询图query来自同一测试类的另一张图。5-shot 就是抽 5 张支持图。这里有个容易忽略的点支持图和查询图必须来自同一类别但不能是同一张图否则就是数据泄漏。采样时还要注意类别平衡。VOC 里 person 类样本极多aeroplane 相对少如果纯随机采样某些类会被过度采样。常见做法是每个 episode 固定采样 N 个类N1 或 5每类采 1 个 query这样保证 episode 级别的平衡。2.3 用 Python 构建 fold 索引的最小实现下面这段代码把 VOC 的 SegmentationClass 标注按 fold 规则整理成索引字典后续 DataLoader 直接读它。假设你已经把 VOC 2012 解压到VOCdevkit/VOC2012。import os import glob import numpy as np # VOC 2012 的 20 个类别顺序与标注 PNG 的像素值对应 VOC_CLASSES [ aeroplane, bicycle, bird, boat, bottle, bus, car, cat, chair, cow, diningtable, dog, horse, motorbike, person, pottedplant, sheep, sofa, train, tvmonitor ] # 四个 fold 的测试类划分索引对应 VOC_CLASSES 的下标 FOLD_TEST_CLASSES { 0: [0, 1, 2, 3, 4], 1: [7, 8, 9, 10, 11], 2: [12, 13, 14, 15, 16], 3: [17, 18, 19, 5, 6], } def build_fold_index(voc_root, fold): 返回 {class_name: [image_id, ...]} 的索引仅含该 fold 的测试类 test_ids FOLD_TEST_CLASSES[fold] test_names [VOC_CLASSES[i] for i in test_ids] seg_dir os.path.join(voc_root, SegmentationClass) index {name: [] for name in test_names} # 遍历所有标注 PNG按像素值判断包含哪些类别 for seg_path in glob.glob(os.path.join(seg_dir, *.png)): img_id os.path.splitext(os.path.basename(seg_path))[0] seg np.array(Image.open(seg_path)) present set(np.unique(seg).tolist()) for cid, cname in zip(test_ids, test_names): # VOC 标注里类别像素值 类别下标 10 是背景 if (cid 1) in present: index[cname].append(img_id) return index逻辑说明VOC 的 SegmentationClass 是单通道 PNG像素值 0 表示背景1 到 20 对应 20 个类别。这里用np.unique判断一张图里出现了哪些类别把包含测试类的图归入对应列表。参数上fold取 0 到 3voc_root指向 VOC2012 目录。注意这段代码依赖 Pillow 读 PNG别用 cv2 的默认彩色模式读否则通道会错。2.4 为什么不能直接用 VOC 原始标注训练VOC 原始标注里训练时如果直接把 20 类全喂进去模型会学到测试类的特征那你的「小样本泛化」评估就失效了。pascal-5i 的意义就在于强制隔离训练阶段只能用 15 个训练类测试阶段才引入 5 个新类。我见过有人图省事直接全量训练再评估结果 IoU 虚高十几个点这种结果发出去就是血泪教训。所以数据管道里必须有一个硬性的类别过滤器训练时把测试类的像素全部置为背景ignore 或 0这一步不能省。3. 从 VOC 到 pascal-5i数据管道搭建与 episode 采样理解了划分规则接下来把它变成能喂给模型的管道。这一章讲清楚目录怎么组织、episode 怎么采、增强怎么做以及训练时类别过滤在哪一步执行。3.1 目录组织与文件命名约定我一般会保持 VOC 原始结构不动额外建一个splits目录存索引文件VOCdevkit/VOC2012/ ├── JPEGImages/ # 原图 ├── SegmentationClass/ # 分割标注 PNG └── splits/ ├── fold0_train.txt # 训练类图片 id 列表 ├── fold0_test.txt # 测试类图片 id 列表 └── ...索引文件每行一个 image id不带扩展名。这样 DataLoader 读起来干净也方便你换 fold 时只改路径。别把索引硬编码进代码换 fold 要改代码是维护灾难。3.2 Episode 采样器的实现小样本分割的训练单位是 episode不是单张图。一个 episode 包含若干支持图掩码、一张查询图掩码。下面是一个 1-shot episode 采样器import random class EpisodeSampler: def __init__(self, index, n_way1, n_shot1, n_query1): self.index index # {class_name: [img_id, ...]} self.n_way n_way self.n_shot n_shot self.n_query n_query self.classes list(index.keys()) def sample_episode(self): # 随机选 n_way 个类每类采 n_shot 支持 n_query 查询 chosen random.sample(self.classes, self.n_way) episode [] for cname in chosen: ids self.index[cname] # 支持图和查询图不能重叠样本不足时跳过 if len(ids) self.n_shot self.n_query: continue picked random.sample(ids, self.n_shot self.n_query) support picked[:self.n_shot] query picked[self.n_shot:] episode.append({class: cname, support: support, query: query}) return episode逻辑说明n_way是每个 episode 采几个类1-shot 场景通常 n_way1n_shot和n_query控制支持查询数量。关键约束是len(ids) n_shot n_query时跳过避免采样到重复图。参数上训练时我一般 n_way1、n_shot1、n_query1测试时 n_shot 改成 5 评估 5-shot 性能。注意random.sample保证不重复别用random.choice那个会采到同一张图。3.3 训练阶段的类别过滤与掩码重映射训练时支持图和查询图里可能同时包含训练类和测试类的像素。标准做法是把测试类像素全部归为背景或 ignore。下面这个函数在读取掩码后执行过滤def filter_mask(mask, test_class_ids, ignore_index255): 把测试类的像素置为 ignore训练类保留 mask mask.copy() for cid in test_class_ids: mask[mask (cid 1)] ignore_index return mask逻辑说明test_class_ids是当前 fold 的测试类下标列表ignore_index通常设 255损失函数里用ignore_index255跳过这些像素。参数上如果你用的框架不支持 ignore就置 0 当背景但会有轻微噪声。我一般用 255干净。这一步必须在数据增强之前做否则增强后的掩码和原图对不上。3.4 数据增强的边界哪些增强会破坏小样本设定小样本分割的增强有讲究。随机翻转、随机裁剪、颜色抖动都可以用但有几类增强要小心一是随机旋转大角度会让支持图和查询图的物体朝向差异过大1-shot 下模型很难对齐二是 CutMix 这类混合增强会把不同类混在一起破坏 episode 的类别纯净性。我一般只用水平翻转 随机缩放裁剪 轻微颜色抖动强度控制在 0.2 以内。别为了刷点堆增强小样本任务里增强过头反而掉点这是玄学也是经验。4. 评估指标与复现时最容易踩的五个坑数据管道搭好了评估环节的坑一点不比训练少。这一章把 IoU 计算、结果对齐和常见翻车点讲清楚。4.1 mIoU 与 FB-IoU 的计算差异小样本分割报告两个指标mIoU 和 FB-IoU。mIoU 是每个类算 IoU 再平均FB-IoUForeground-Background IoU是把所有前景类合并成一个前景只算前景和背景的 IoU。两者差异很大FB-IoU 通常高不少。你复现论文时一定要看清它报的是哪个别拿自己的 mIoU 去比别人的 FB-IoU那是对不上的。def compute_iou(pred, target, num_classes, ignore_index255): 逐类计算 IoU返回列表 ious [] for c in range(num_classes): pred_c (pred c) target_c (target c) # 忽略 ignore 区域 valid (target ! ignore_index) pred_c pred_c valid target_c target_c valid inter (pred_c target_c).sum() union (pred_c | target_c).sum() if union 0: ious.append(float(nan)) # 该类未出现不计入 else: ious.append(inter / union) return ious逻辑说明逐类算交集并集union0说明该类在 target 里没出现返回 nan最后求均值时用np.nanmean跳过。参数上num_classes是当前 fold 的测试类数5ignore_index要和训练时一致。注意别用np.mean直接算nan 会污染结果。4.2 支持集掩码的二值化处理支持图的掩码在送进模型前通常要二值化属于当前类的像素为 1其余为 0。很多人忘了这一步直接把多类掩码喂进去模型学到的原型就混了。正确做法是def binarize_support_mask(mask, class_id): 支持图掩码二值化当前类为 1其余为 0 return (mask (class_id 1)).astype(np.float32)逻辑说明class_id是当前 episode 的类别下标1是因为 VOC 像素值从 1 开始。这一步在原型网络里尤其关键原型是支持图前景特征的均值掩码错了原型就废了。4.3 五个高频踩坑记录坑一支持图和查询图来自同一张图。现象是评估 IoU 异常高接近过拟合。原因是采样时没做去重。解决采样器里用random.sample而非random.choice并检查 support 和 query 的 id 集合无交集。坑二训练时没过滤测试类像素。现象是测试类 IoU 虚高但换 fold 后崩盘。原因是模型在训练阶段就见过了测试类。解决在掩码读取后立即执行filter_mask把测试类置 ignore。坑三mIoU 计算时把 nan 当 0。现象是结果比论文低一截。原因是某些类在当前 fold 没出现np.mean把 nan 算成 0 拉低了均值。解决用np.nanmean或先过滤掉 nan 再平均。坑四数据增强后掩码用了最近邻以外的插值。现象是掩码边缘出现不存在的类别值。原因是双线性插值会产生小数像素值。解决掩码增强一律用Image.NEAREST别用默认插值。坑五换 fold 时忘了改测试类列表。现象是四个 fold 结果一模一样。原因是索引文件路径写死了。解决把 fold 号作为命令行参数索引路径用 f-string 拼接跑之前打印一下当前 fold 的测试类确认。5. 把 pascal-5i 用出价值跨 fold 验证与结果对齐技巧前面四章把数据准备和评估讲完了这一章落到一个具体技巧怎么让四个 fold 的结果可信、可复现、可对比。这是决定你这套实验能不能写进论文或落地报告的关键。5.1 固定随机种子的完整方案小样本分割的方差很大同一个 fold 跑两次可能差两三个点。要让结果可复现随机种子必须固定到 episode 采样级别。我的做法是在训练脚本开头统一设种子并在每个 epoch 开始时重置采样器的随机状态import random import numpy as np import torch def set_seed(seed42): random.seed(seed) np.random.seed(seed) torch.manual_seed(seed) torch.cuda.manual_seed_all(seed) # 关闭 cudnn 的非确定性算法牺牲一点速度换可复现 torch.backends.cudnn.deterministic True torch.backends.cudnn.benchmark False # 每个 epoch 开始前重置采样器种子保证 episode 序列可复现 def reset_sampler_seed(sampler, epoch, base_seed42): sampler.rng random.Random(base_seed epoch)逻辑说明set_seed覆盖 Python、NumPy、PyTorch 三层随机源cudnn.deterministicTrue关掉非确定性卷积算法。参数上seed我一般用 42base_seed epoch保证每个 epoch 的 episode 序列不同但可复现。注意开了 deterministic 后训练会慢 10% 到 20%这是可复现的代价值得。5.2 四个 fold 结果的对齐与报告方式跑完四个 fold 后报告方式有讲究。我一般会输出一张表每个 fold 的 1-shot 和 5-shot 的 mIoU、FB-IoU 都列出来最后给均值和标准差Fold1-shot mIoU1-shot FB-IoU5-shot mIoU5-shot FB-IoUfold052.368.158.772.4fold149.866.556.270.9fold254.169.360.573.8fold351.667.257.971.5均值±std51.9±1.867.8±1.258.3±1.872.2±1.2标准差很重要它反映你的方法稳不稳。如果某个 fold 特别低先别急着调模型回去查那个 fold 的测试类是不是样本特别少比如 pottedplant 和 sofa 的图确实少采样时容易采到重复或不足。我一般会在采样器里加一个日志打印每个类被采样的次数跑完一个 epoch 看一眼分布偏得太厉害就调整采样权重。5.3 一个容易被忽略的验证技巧跨 fold 一致性检查最后一个技巧也是我踩过坑才养成的习惯跑完四个 fold 后拿 fold0 训练好的模型去测 fold1 的测试类看 IoU 是不是掉得离谱。如果掉得不多说明模型学到的是通用特征而非 fold 特定的记忆如果掉得厉害说明你的模型过拟合了当前 fold 的训练类。这个检查不用写进论文但能帮你判断方法是不是真的在学「小样本泛化」而不是在背类别。我现在每次实验都会跑一遍这个交叉检查成了固定动作。希望帮到你。本文还有配套的精品资源点击获取