HAM10000 皮肤病变数据集的平衡与增强版本（衍生与校正）

数据集获取

源站：https://doi.org/10.17632/hpcf9psdy7

标准获取流程：

1. 访问源站链接，注册/登录账号；
2. 进入数据集详情页，按页面指引申请权限或直接下载；
3. 部分平台提供 SDK，例如：
   • OpenDataLab: pip install openxlab 后 openxlab.dataset.get(...)
   • ModelScope: pip install modelscope 后 modelscope download
   • 天池: 登录后页面提供直链下载
     以源站「数据下载/使用文档」页面为准。

数据集大小约 115.2 MB。

数据说明

概述 HAM10000（“Human Against Machine with 10,000 training images”）数据集是皮肤病变分类领域使用最广泛的数据集之一。它包含10,015张皮肤镜图像，分为七个诊断类别：黑色素细胞痣（NV）、黑色素瘤（MEL）、良性角化病（BKL）、基底细胞癌（BCC）、光化性角化病（AKIEC）、血管病变（VASC）和皮肤纤维瘤（DF）。原始HAM10000数据集的主要挑战之一是其类别分布高度不平衡。仅NV类就占所有样本的约67%，而少数类DF和VASC合计不足3%。这种不平衡导致模型产生偏差，在常见类别上表现良好，但在罕见病变上表现不佳。许多研究人员试图通过大量上采样小类别来解决这一问题，例如将150张图像的类别增加到超过1000个样本，这往往导致模型过拟合且不切实际。此衍生版本旨在提供一个平衡且科学合理的替代方案。它结合了对大类别进行下采样和对小类别进行受控增强的方法。

每类选择约500–650个训练样本作为目标，以在保持公平性的同时维护数据多样性。对于NV、MEL和BKL等较大的类别，进行欠采样至每类约500个样本，以防止多数类主导。对于AKIEC、DF和VASC等较小的类别，使用真实变换进行谨慎增强，如随机旋转（±30°）、水平/垂直翻转、缩放（0.8–1.2倍）、亮度和对比度调整（±20%）以及轻度高斯噪声。这确保了没有类别被人为膨胀或扭曲。最终数据集结构如下：AKIEC – 训练：654，测试：150 BCC – 训练：500，测试：150 BKL – 训练：500，测试：150 DF – 训练：537，测试：115 MEL – 训练：500，测试：150 NV – 训练：500，测试：150 VASC – 训练：568，测试：142 这些数字创建了一个几乎均匀且平衡的数据集，而没有丢失重要

数据加载示例（图像类）

from PIL import Image
import glob, os

files = (glob.glob(os.path.join(path, "**", "*.png"), recursive=True)
       + glob.glob(os.path.join(path, "**", "*.jpg"), recursive=True)
       + glob.glob(os.path.join(path, "**", "*.tif"), recursive=True))
print("图像文件数:", len(files))
img = Image.open(files[0]); print("尺寸/模式:", img.size, img.mode)

# torchvision Dataset 方式:
# from torchvision import datasets
# ds = datasets.ImageFolder(path)  # 要求 子目录=类别

目录组织与标注格式以源站说明和下载后实际文件为准。