https://www.kaggle.com/datasets/awsaf49/cbis-ddsm-breast-cancer-image-dataset
如上kaggle网址的资料集， 我目前已经有了full， cropped， ROI图片拆开的文件夹文件， 并且也有了框住ROI的bounding box坐标(x y w h).
问题来了， 我要进行下一步YOLOv5， or v7的训练：
“我该如何设定Dataset和Dataloader”
进而接下去训练我的YOLO模型？？
很不懂怎么设定Dataset和Dataloader耶！
感觉挺复杂
喔对了請不要用ChatGPT的答案， 因为我用过了。
謝謝!
如何设定Kaggle上的Dataloader
在Kaggle上登录，然后打开要使用的数据集。
在数据集页面上，点击“数据”选项卡，然后点击“下载数据”按钮。
将数据集文件解压缩到您的本地文件夹中。
使用Python的Dataloader库，从本地文件夹中加载数据集文件。
使用Dataloader库提供的API，将数据集文件转换为可以在模型中使用的格式。
你把代码发给我看一下
第一步：你需要准备一组所要训练的图片数据。这个数据中包含你要检测的类别信息和每个类别所涉及的图片数量。
第二步：用一些工具将数据中的所有图片处理成YOLO对应的输入格式，并可以根据图片中的每个目标，用自定义的bouding box进行标记，并将标记好的结果存储在txt文件中。
第三步：准备编写数据加载器(DataLoader)，以从txt文件中加载图片及目标信息。
第四步：准备编写一个让网络易于理解该模型的数据集(Dataset)，在这里，DataLoader将与Dataset进行逐步的对接。
第五步：设置好模型参数然后训练
对于如何设定YOLO模型的Dataset和Dataloader，这是一件复杂的事情，因为它需要涉及到图像预处理，数据加载等多个方面。这里有一个大致的思路：
准备数据：
将图片读入内存，使用Pillow库或OpenCV库等。
使用已有的bounding box坐标信息为图片打标签，并保存在数据集的标签中。
实现Dataset：
通过继承torch.utils.data.Dataset实现自己的数据集类，并实现__len__，__getitem__方法。
__len__方法返回数据集中图片的数量。
__getitem__方法根据给定的索引返回一个样本（图片和标签）。
实现Dataloader：
实例化一个torch.utils.data.DataLoader，将自己实现的数据集作为参数传入。
指定batch_size，num_workers等参数，以确定加载数据的方式。
训练模型：
定义YOLO模型的结构和损失函数。
使用dataloader迭代训练数据，更新模型的参数。
计算训练误差，并监测模型的效果。
这些都是大致的步骤，但是具体实现方法还是要根据您的需求和数据来定。请注意
1、导入所需的库：
import torch
import torchvision
import torchvision.transforms as transforms
2、加载数据集：
train_dataset = torchvision.datasets.CBISDDSM(root='./data', train=True, transform=transforms.ToTensor(), download=True)
test_dataset = torchvision.datasets.CBISDDSM(root='./data', train=False, transform=transforms.ToTensor(), download=True)
3、创建Dataloader：
train_dataloader = torch.utils.data.DataLoader(train_dataset, batch_size=100, shuffle=True, num_workers=4)
test_dataloader = torch.utils.data.DataLoader(test_dataset, batch_size=100, shuffle=False, num_workers=4)
batch_size表示每次读取的数据数量，shuffle表示是否打乱数据顺序，num_workers表示加载数据时使用的线程数。
这就是如何设置Dataloader的步骤。希望对您有所帮助。