FastAI自定义数据集训练ResNet-UNet时遇AttributeError:无'c'属性

这个错误我之前也碰到过，本质是fastai的unet_learner需要从你的数据对象里获取分割任务的类别数，但你的自定义NumbersDataset没提供这个关键属性，所以触发了AttributeError。下面给你两种可行的解决办法：

方法一：给自定义数据集添加c属性 #

直接在你的NumbersDataset类里补充类别数属性，比如如果是二分类分割（背景+目标）就设置self.c = 2，多分类就改成对应类别数：

class NumbersDataset():
    def __init__(self, inputs, labels, c=2):  # 新增c参数，默认二分类
        self.X = inputs
        self.y = labels
        self.c = c  # 关键：添加类别数属性
    def __len__(self):
        return len(self.X)
    def __getitem__(self, idx):
        img_train = cv2.imread(self.X[idx])
        img_mask = cv2.imread(self.y[idx])
        img_train = cv2.resize(img_train, (427,240), interpolation = cv2.INTER_LANCZOS4)
        img_mask = cv2.resize(img_mask, (427,240), interpolation = cv2.INTER_LANCZOS4)
        
        # 补充fastai要求的格式转换：BGR转RGB、通道前置、归一化、掩码转long类型
        img_train = cv2.cvtColor(img_train, cv2.COLOR_BGR2RGB)
        img_train = torch.from_numpy(img_train).permute(2,0,1).float()/255.0
        img_mask = torch.from_numpy(img_mask).long()
        
        return img_train, img_mask

这里额外补充了格式转换的代码——fastai对输入张量有明确要求：图像需要是通道在前（C,H,W）的RGB格式，且归一化到0-1之间；掩码需要是long类型张量，不然后续训练还会出其他问题。

方法二：使用fastai内置的SegmentationItemList（更推荐） #

你说之前试过SegmentationItemList.from_df没效果，大概率是用法不完整。用fastai的内置类可以自动处理格式转换、数据增强同步、类别数识别等细节，示例代码如下：

from fastai.vision import *

# 替换成你的图像根文件夹路径
path = Path("./")  

# 构建完整的数据管道
src = (SegmentationItemList.from_df(df, path, cols='input_img')
       # 和你之前的train_test_split逻辑一致，按比例划分训练/验证集
       .split_by_rand_pct(0.33, seed=42)
       # 从CSV加载掩码，classes替换成你的实际类别列表
       .label_from_df(cols='mask_img', classes=['background', 'target'])
       # 应用数据增强，tfm_y=True保证图像和掩码做相同变换
       .transform(get_transforms(), size=(240, 427), tfm_y=True)
       # 构建DataBunch
       .databunch(bs=4, num_workers=2))

# 确认类别数（二分类时src.c会自动设为2，也可以手动指定）
print(f"类别数：{src.c}")

# 构建Unet模型
learn = unet_learner(src, models.resnet34)

这种方法省去了手动处理格式的麻烦，fastai会帮你搞定大部分细节，出错概率更低。

内容的提问来源于stack exchange，提问作者Sarvagya Gupta