一、如何数据集中加入图像尺寸？
部分核心代码如下：
image_files = [filename for filename in os.listdir(folder_path) if filename.endswith(('.jpg', '.png'))]
num_batches = len(image_files) // batch_size + 1
for batch_idx in range(num_batches):
start_idx = batch_idx * batch_size
end_idx = min(start_idx + batch_size, len(image_files))
batch_files = image_files[start_idx:end_idx]
df = pd.DataFrame(columns=['feature_{}'.format(i) for i in range(512)] + ['width', 'height', 'coordinates', 'image_name', 'label'])
for filename in batch_files:
image_path = os.path.join(folder_path, filename)
image = Image.open(image_path).convert('RGB')
image_width, image_height = image.size
image_input = preprocess(image).unsqueeze(0).to(device)
with torch.no_grad():
image_features = model.encode_image(image_input)
name_parts = filename.split('_')
coordinates = tuple(map(float, name_parts[1].strip('()').split(',')))
object_name = '_'.join(name_parts[2:])
row_data = image_features.squeeze().tolist() + [image_width, image_height, coordinates, object_name, 0]
df.loc[len(df)] = row_data
这段代码的作用是逐行处理图像数据，并将其存储在一个DataFrame中。让我们逐行解读代码：
image_files = [filename for filename in os.listdir(folder_path) if filename.endswith(('.jpg', '.png'))]
这行代码用于获取指定文件夹路径下以’.jpg’或’.png’结尾的图像文件名列表。
num_batches = len(image_files) // batch_size + 1
这行代码计算需要进行的批次数量。根据图像文件的数量和指定的批次大小，计算出总共需要多少个批次。
for batch_idx in range(num_batches):
这行代码开始对每个批次进行迭代。batch_idx是当前迭代的批次索引。
start_idx = batch_idx * batch_size
end_idx = min(start_idx + batch_size, len(image_files))
batch_files = image_files[start_idx:end_idx]
这部分代码确定当前批次的起始索引和结束索引，并从图像文件列表中选择对应的文件。根据批次索引和批次大小，计算出当前批次的起始和结束位置，并从图像文件列表中选择这些位置之间的文件。
df = pd.DataFrame(columns=['feature_{}'.format(i) for i in range(512)] + ['width', 'height', 'coordinates', 'image_name', 'label'])
这行代码创建一个空的DataFrame，列名包括512个特征列（‘feature_0’到’feature_511’），以及’width’、‘height’、‘coordinates’、‘image_name’和’label’。
for filename in batch_files:
这行代码开始对当前批次中的每个文件进行迭代处理。filename是当前迭代的文件名。
image_path = os.path.join(folder_path, filename)
image = Image.open(image_path).convert('RGB')
image_width, image_height = image.size
这部分代码构建图像的完整路径，并使用PIL库的Image.open方法打开图像文件。然后，将图像转换为RGB模式，并获取图像的宽度和高度。
image_input = preprocess(image).unsqueeze(0).to(device)
with torch.no_grad():
image_features = model.encode_image(image_input)
这部分代码对图像进行预处理，并将其作为输入传递给模型。通过调用模型的encode_image方法，获取图像的特征向量。
name_parts = filename.split('_')
coordinates = tuple(map(float, name_parts[1].strip('()').split(',')))
object_name = '_'.join(name_parts[2:])
这部分代码根据文件名解析出坐标和物体名称。首先，通过下划线将文件名拆分为多个部分。然后，从第二部分中提取坐标信息，将其转换为浮点数，并存储在一个元组中。最后，将剩余的部分拼接成物体名称。
row_data = image_features.squeeze().tolist() + [image_width, image_height, coordinates, object_name, 0]
df.loc[len(df)] = row_data
这部分代码构建了一行数据，其中包含图像特征向量、图像的宽度和高度、坐标、物体名称和标签。然后，将这一行数据添加到DataFrame中。
整个过程会针对每个批次中的每个图像文件重复执行，将图像的特征和相关信息添加到DataFrame中。
我们看一下输出的结果：
顺利提取成功！
二、如何把tuple格式的坐标按顺序写成四列数据？
可以使用Python中的字符串分割和提取操作，将包含坐标信息的字符串进行分割，然后提取出对应的xmin、ymin、xmax、ymax值。以下是一个示例代码：
import pandas as pd
# 读取数据集
df = pd.read_csv('your_dataset.csv')
# 创建新的列
df['xmin'] = 0
df['ymin'] = 0
df['xmax'] = 0
df['ymax'] = 0
# 遍历每一行数据
for index, row in df.iterrows():
# 提取坐标字符串
coordinates = row['coordinates']
# 分割字符串并提取坐标值
xmin, ymin, xmax, ymax = map(float, coordinates.strip('()').split(','))
# 将提取的值赋给对应的列
df.at[index, 'xmin'] = xmin
df.at[index, 'ymin'] = ymin
df.at[index, 'xmax'] = xmax
df.at[index, 'ymax'] = ymax
# 打印结果
print(df[['xmin', 'ymin', 'xmax', 'ymax']])
这段代码假设您的数据集已保存为一个名为"your_dataset.csv"的CSV文件，并使用pandas库来读取和处理数据。代码会遍历数据集中的每一行，提取坐标字符串，并分割成四个值，然后将这些值分别赋给新创建的四列。最后，打印生成的四列（xmin、ymin、xmax、ymax）。
请注意，根据您提供的数据集，示例代码中的列名可能需要进行适当调整。
我们来看一下输出的结果：
提取成功！
三、如何把某一列放到最后？
我们上面数据集的输出结果为：
Index(['feature_0', 'feature_1', 'feature_2', 'feature_3', 'feature_4',
'feature_5', 'feature_6', 'feature_7', 'feature_8', 'feature_9',
...
'feature_511', 'width', 'height', 'coordinates', 'image_name', 'label',
'xmin', 'ymin', 'xmax', 'ymax'],
dtype='object', length=521)
可以看到，label列不在最后一列，我们需要将其放到最后一列，该如何操作？
要将"label"列移动到最后一列，您可以使用pandas库的reindex方法。以下是相应的示例代码：
import pandas as pd
# 读取数据集
df = pd.read_csv('your_dataset.csv')
# 将"label"列移动到最后一列
column_order = list(df.columns)
column_order.remove('label')
column_order.append('label')
df = df.reindex(columns=column_order)
# 打印结果
print(df)
这段代码假设您的数据集已保存为一个名为"your_dataset.csv"的CSV文件，并使用pandas库来读取和处理数据。首先，将数据集的列名存储在一个列表中。然后，从列表中移除"label"列，并将其追加到列表的末尾。最后，使用pandas的reindex方法按新的列顺序重新排列数据集。
请注意，示例代码中的列名可能需要根据您的实际数据集进行适当调整。
输出结果为：
