发现同一幅图的原图（.jpg，$1920\times 1080$）才 155K，其用 .npy 存的 segmentation mask 居然有 2M。按理 segmentation mask 只有一个通道，数据量应该更少，可能是不同文件压缩方法导致差异。这里比较几种存 mask 的方法：

• .npy
• .mat
• .jpg
• .png

import numpy as np
import scipy.io as sio
from PIL import Image

# 读原 mask
m = np.load("42.npy")
print(m.shape, m.dtype) # (1080, 1920) uint8
# 存 jpg、png、mat，右键属性看文件大小
i = Image.fromarray(m).convert("RGB")
i.save("42.jpg")
i.save("42.png", "PNG")
sio.savemat("42.mat", {"mask": m}, do_compression=True)

# 重读，看跟原 npy mask 有无差异
jpg = np.asarray(Image.open("42.jpg"))
print(jpg.shape, jpg.dtype) # (1080, 1920, 3) uint8
png = np.asarray(Image.open("42.png"))
print(png.shape, png.dtype) # (1080, 1920, 3) uint8
mat = sio.loadmat("42.mat")["mask"]
print(mat.shape, mat.dtype) # (1080, 1920) uint8

# 比较 jpg 差异
for i in range(jpg.shape[2]):
    print("jpg diff:", i, (m != jpg[:, :, i]).sum())
# jpg diff: 0 46349
# jpg diff: 1 46349
# jpg diff: 2 46349

# 比较 png 差异
for i in range(png.shape[2]):
    print("png diff:", i, (m != png[:, :, i]).sum())
# png diff: 0 0
# png diff: 1 0
# png diff: 2 0

# 比较 mat 差异
print("mat diff:", (m != mat).sum())
# mat diff: 0

用 .jpg 存会失真！因为有损压缩吧，.png 就不会。再看大小（win10）：

Conclusion

还是 .mat 压得更小，.png 也还行，两种都不会失真，且比 .npy 小。numpy 也有压缩方法 numpy.packbits，但用起来没有 .mat 方便，且似乎压缩率不如 .mat，见：压缩二进制numpy数据。

当是 instance/panoptic segmentation mask 的时候，可能要另存一个 mask 表示 instance id，可以考虑：

• png：一个 channel 表示 class id、一个 channel 表示 instance id，第三个 channel 不用（png 可以只有 3 个 channels）；
• mat：class id 和 instance id 分别存一个 矩阵。

此时推荐用 .mat 吧，是以 dict 的形式存的，形如：{"class": class_id_mask, "instance": instance_id_mask}，更可读。不过如果大小超过 2G 会报错，见：h5py存取简例。