图像分类模型训练核心是“数据准备→模型选择→训练调优→评估部署”四步闭环：规范数据格式、迁移预训练网络、监控训练过程、用真实场景评估并导出ONNX部署。
用Python训练图像分类模型，核心是“数据准备→模型选择→训练调优→评估部署”四步闭环。不依赖复杂框架封装，掌握底层逻辑才能真正解决问题。
数据准备：格式规范比数量更重要
深度学习模型对输入敏感，乱序、尺寸不一、标签错位会直接导致训练失败。推荐统一用red">torchvision.datasets.ImageFolder或tf.keras.utils.image_dataset_from_directory加载——它们自动按文件夹名映射类别，省去手动标注。
- 训练集/验证集/测试集按7:2:1划分，避免数据泄露
- 所有图像缩放到同一尺寸（如224×224），用双线性插值保持细节
- 添加基础增强：随机水平翻转+亮度/对比度微调（transforms.RandomHorizontalFlip(p=0.5)）即可提升泛化，过度增强反而干扰特征学习
模型搭建：从预训练网络开始，不是从零造轮子
ResNet50、EfficientNetB0等预训练模型已在ImageNet上学习通用纹理、边缘、部件特征。直接迁移，只需替换最后的全连接层适配你的类别数。
- PyTorch示例：model = torchvision.models.resnet50(pretrained=True); model.fc = nn.Linear(2048, num_classes)
- 冻结前几层参数（for param in model.layer1.parameters(): param.requires_grad = False），只微调高层，节省显存且收敛更快
- 不建议自己写CNN结构——除非你有明确的轻量化或领域特殊需求
训练过程：监控损失和准确率，别只看最终数字
训练时loss下降但val_acc卡住？大概率是过拟合或学习率不当。用torch.optim.lr_scheduler.ReduceLROnPlateau动态调学习率比固定值更稳。
立即学习“Python免费学习笔记（深入）”；
- batch_size设为32或64（根据GPU显存调整），太小收敛慢，太大易震荡
- 每轮保存验证集acc最高的模型权重（torch.save(model.state_dict(), 'best.pth')）
- 用tqdm包装DataLoader，实时看进度；用matplotlib画loss/acc曲线，异常拐点一眼识别
评估与上线：用真实场景数据检验，不是只跑test集
test集准确率95%≠上线后好用。要测光照变化、模糊、裁剪偏移等常见干扰下的表现。
- 混淆矩阵（sklearn.metrics.confusion_matrix）比单个accuracy更能发现类别偏差问题
- 导出为ONNX格式（torch.onnx.export）便于跨平台部署，比直接跑PyTorch更轻量
- 简单API封装：用Flask写个/predict接口，接收base64图片，返回JSON结果，50行内搞定
基本上就这些。流程不复杂，但每步细节决定成败——比如数据路径多一个斜杠、归一化用错均值标准差，模型就可能完全不学。
