如何处理含图像名称、路径字段的CSV乐器图像分类数据集

优先选直接遍历train、test文件夹读取图像的方案，理由很实在：

• 这个数据集的目录结构是业界通用的分类数据集格式：根目录下按类别名建子文件夹，同类别图像全放在对应子目录里，PyTorch、Keras等主流框架都有现成的加载接口直接适配，不用自己写标签对齐、路径匹配的代码，对初学者来说出错概率极低。
• 配套的CSV文件本质是平台生成的文件索引，最常见的问题是里面存的是Kaggle在线环境的绝对路径，你把数据集下到本地、或者换到别的运行环境，路径直接失效，还要手动批量替换路径前缀，平白多了工作量。
• 只有两种情况需要用到CSV：一是你要做的任务不是基础图像分类，需要用到CSV里额外的标注信息（比如乐器年代、材质这类文件夹名不包含的字段）；二是你抽几行核对后发现，官方的train/test划分和文件夹结构不一致，明确要求以CSV划分为准。这类公开分类数据集绝大多数情况下CSV内容和文件夹结构是完全对应的，没必要绕路用CSV加载。

分两种场景选方法就行：

用框架做训练的懒人方案 #

如果是用PyTorch/TensorFlow做模型训练，根本不用自己写遍历逻辑，直接调用框架内置的目录加载接口即可，以PyTorch为例：

from torchvision import datasets
from torchvision.transforms import ToTensor

# 传入train文件夹根路径，自动遍历所有子文件夹，将文件夹名映射为类别标签
train_dataset = datasets.ImageFolder(
    root="./train", # 替换成你本地的train文件夹实际路径
    transform=ToTensor()
)
# 打印类别和索引的映射关系，确认加载结果正确
print("类别对应索引：", train_dataset.class_to_idx)

测试集用同样的方法传入test根路径即可，接口会自动处理子文件夹遍历、标签匹配的逻辑。

自定义遍历逻辑的实现 #

如果需要自己控制遍历过程，用Python自带的pathlib模块写最简洁，还能避免不同操作系统的路径拼接错误，参考代码：

from pathlib import Path
from PIL import Image

# 定义支持的图像格式后缀，过滤系统隐藏文件、非图像文件
VALID_IMAGE_EXTS = (".jpg", ".jpeg", ".png", ".bmp")

def load_dataset_from_dir(root_dir):
    root = Path(root_dir)
    images = []
    labels = []
    # 递归遍历根目录下所有层级的文件
    for file in root.rglob("*"):
        if file.is_file() and file.suffix.lower() in VALID_IMAGE_EXTS:
            # 图像所在的直接上级文件夹名就是类别标签
            current_label = file.parent.name
            # 读取图像，统一转成RGB格式避免通道数报错
            current_img = Image.open(file).convert("RGB")
            images.append(current_img)
            labels.append(current_label)
    return images, labels

# 调用示例
train_imgs, train_labels = load_dataset_from_dir("./train")
test_imgs, test_labels = load_dataset_from_dir("./test")

小提示：遍历的时候一定要加文件后缀判断，不然会把目录里的.DS_Store、说明txt这类非图像文件读进去，触发图像解析报错。

内容的提问来源于stack exchange，提问作者Malhar Khairnar