用于机器学习随机划分数据集为train、test、val，或者train、test

随机划分数据集train、test、val，保存数据路径文件txt，并分别保存数据到train、test、val文件夹

概念 从大量的、不完全的、有噪声的、模糊的、随机的实际应用数据中，提取隐含在其中，人们事先不知道的，但又是潜在有用的信息和知识的过程。 通过一个瓜农数据（线性回归）的例子，简述了数据挖掘在实际应用中的作用：预测。

目标检测数据集划分，txt格式的划分（训练集、验证集、测试集），只要填写绝对路径就可以把数据集的图片和标签划分好，但是注意，标签是txt格式的。

YOLOv5数据集划分

摘自SPXY提出者论文后附的代码，可以直接使用

绝缘子憎水性等级识别图像数据集（划分好训练集、测试集、HC1-HC7每类600多张）

数据集介绍 首先是要下载数据集，下载地址：https://www.kaggle.com/c/dogs-vs-cats-redux-kernels-edition 数据解压之后会有两个文件夹，一个是“train”，一个是“test”，顾名思义一个是用来训练的，另一个是作为检验正确性的数据，也是网站要求提交标签的。 在train文件夹里边是一些已经命名好的图像，有猫也有狗 而在test文件夹中是只有编号名的图像 大致了解了数据集后，下边就开始划分数据集 代码 先放一段代码，这是从书中截取出来的： # coding:utf8 import os from PIL import Image f

文章开始先讲下交叉验证，这个概念同样适用于这个划分函数 1.交叉验证(Cross-validation) 交叉验证是指在给定的建模样本中，拿出其中的大部分样本进行模型训练，生成模型，留小部分样本用刚建立的模型进行预测，并求这小部分样本的预测误差，记录它们的平方加和。这个过程一直进行，直到所有的样本都被预测了一次而且仅被预测一次，比较每组的预测误差，选取误差最小的那一组作为训练模型。 下图所示 2.StratifiedShuffleSplit函数的使用 官方文档 用法： from sklearn.model_selection import StratifiedShuffleSplit St

该资源包含了数据集命名工具，数据集标注工具labelImg,并且在python3下可使用，需要安装pyqt5库，在进行标注前要将data中的内容换为自己的目标种类，可实现VOC pascal格式标注和yolo 格式标注。