前言在前面的课程中，我们像搭积木一样手写了 U-Net 的网络架构。很多同学迫不及待地想把自己的图片喂进网络开始“炼丹”。但是，深度学习界有一句名言：“数据决定了模型的上限，而网络结构只是在逼近这个上限。”在实际项目中，做数据准备往往比写网络更让人崩溃：用标注工具标出来的是 JSON 文件，怎么变成 U-Net 需要的黑白掩码（Mask）图？为什么我的 Mask 肉眼看是黑白的，一放进 PyTorch 训练就报CUDA error: device-side assert triggered？如何快速按 8:2 的比例把几千张图片和标签划分成训练集和验证集？为了帮大家彻底摆脱这些折磨，我用 PySide6 写了一款带可视化界面的** CV 数据集处理神器**。今天这节课，我就教大家如何直接使用这个工具，一键打通从数据标注到送入 U-Net 训练的最后一步！🎯🎯标注工具介绍图像分割模型的训练需要图像和图像对应的 mask，图像的 mask 通过标注工具获得，之前用过 labelme、labelimg工具，于是自己想了想能不能结合 SAM3 自己开发一个智能标注工具，研究了几天中间也发现了好多问题，最终通过 AI 辅助编程，完成一个属于自己的标