深度学习------图像分类项目
目录
今天学图像分类项目，才算把之前零散的知识点串了起来 —— 原来图像分类不只是 “把猫和狗分开” 这么简单，还分不同难度的 “境界”；更重要的是，光训练出模型没用，得会用指标判断模型好不好，还得解决 “样本太少训不动” 的实际问题。整理了我觉得最关键的内容，用自己踩过的坑当例子，帮和我一样刚入门的小伙伴少走弯路。
一、先搞懂：图像分类的 “三层境界”，你在第几层？
1. 第一层：通用多类别分类（“分清大类”）
这是最基础的一层，目标是把图像分到 “大类别” 里，比如分辨是飞机、汽车、猫、狗还是船。最经典的就是 CIFAR-10 数据集，一共 10 个大类，每个类的差异很明显 —— 比如飞机有翅膀，汽车有轮子，模型只要抓住这些 “大特征” 就能分对。
我之前练手时用 CIFAR-10，随便搭个简单 CNN，准确率很快就到了 70% 多，这层的关键是 “类间差异大”，不用太精细的特征。
2. 第二层：子类细粒度分类（“分清小类”）
到这层难度就上来了，目标是分 “同一大类下的子类”。比如同样是狗，要分清是金毛、泰迪还是哈士奇；同样是花，要分清是玫瑰、月季还是蔷薇。这些子类的差异很小 —— 比如金毛和拉布拉多都是短毛、黄色，只靠 “有没有双眼皮”“耳朵形状” 这种细节才能区分。
老师放了张不同品种鸟类的图，我自己看都分不清，更别说模型了。这层的关键是 “抓细粒度特征”，得用更深的网络，还得做数据增强，不然很容易把相似子类搞混。
3. 第三层：实例级分类（“分清个体”）
这是最难的一层，目标是分 “同一个体的不同图像”，比如人脸识别 —— 即使同一个人，换了发型、戴了眼镜、光线变了，模型也要认出来；再比如商品溯源，要分清同一款手机的不同个体（靠机身的细微划痕、序列号等）。
这层的挑战是 “类内差异大，类间差异小”—— 比如同一个人笑和不笑的照片，差异可能比和另一个人的照片还大。老师说，这层通常要用到人脸识别专用的模型（比如 FaceNet），还得用迁移学习才能做好。
二、别踩坑：图像分类的 “评估指标”，你真的懂吗？
之前我总以为 “准确率（Accuracy）高就是好模型”，今天才发现大错特错 —— 比如遇到正负样本不均衡（比如 1000 个样本里 990 个是猫，10 个是狗），模型全判成猫，准确率也有 99%，但根本没分出狗，这时候就得靠其他指标。
1. 混淆矩阵：先看清 “错在哪”
混淆矩阵是所有指标的基础，能直观看到模型把哪些样本判错了。二分类的混淆矩阵是 2×2 的，四个核心概念一定要记牢：
-
TP（真正例）：把 “真猫” 判成 “猫”（判对了）；
-
FP（假正例）：把 “真狗” 判成 “猫”（判错了，冤枉好狗）；
-
TN（真反例）：把 “真狗” 判成 “狗”（判对了）；
-
FN（假反例）：把 “真猫” 判成 “狗”（判错了，漏判猫）。
比如我测试了 100 个样本，混淆矩阵显示 TP=45，FP=5，TN=48，FN=2—— 说明有 5 只狗被错判成猫，2 只猫被错判成狗，这样一看就知道模型在 “狗→猫” 的判断上容易出错。
2. 核心指标：准确率、精确率、召回率、F1
光看混淆矩阵还不够，得算具体指标，不同场景看不同指标：
- 准确率（Accuracy）：所有判对的样本占总样本的比例，公式是（TP+TN）/（TP+FP+TN+FN）。适合正负样本均衡的场景，比如 CIFAR-10，要是样本不均衡就别只看它了；
- 精确率（Precision，查准率）：模型判为 “正类” 的样本里，真的是正类的比例，公式是 TP/（TP+FP）。比如我关心 “判成猫的样本里，真猫有多少”，就看精确率 —— 要是精确率低，说明很多狗被错当成猫，会导致 “误报多”；
- 召回率（Recall，查全率）：所有真正类样本里，被模型判对的比例，公式是 TP/（TP+FN）。比如我关心 “所有真猫里，有多少被判对了”，就看召回率 —— 要是召回率低，说明很多猫被错当成狗，会导致 “漏报多”；
- F1-Score：精确率和召回率的调和平均，公式是 2×（精确率 × 召回率）/（精确率 + 召回率）。当精确率和召回率 “打架” 时（比如精确率高了召回率就低），用 F1 看综合性能，F1 越接近 1 越好。
老师举了个例子：医疗影像诊断（比如判断是否有肿瘤），召回率比精确率重要 —— 哪怕把一些正常影像判成肿瘤（精确率低），也不能漏判真肿瘤（召回率要高），不然会耽误治疗；而垃圾邮件过滤，精确率更重要 —— 别把正常邮件判成垃圾邮件（精确率高），不然会错过重要信息。
3. P-R 曲线：直观对比模型好坏
P-R 曲线是 “精确率（P）” 和 “召回率（R）” 的关系图 —— 召回率增加时，精确率通常会下降（想把更多真猫判对，难免会把狗错判成猫）。
判断模型好不好看两点：
- 曲线 “越靠右上角” 越好，说明在高召回率下，精确率也很高；
- 曲线和坐标轴围成的 “面积越大”，模型综合性能越好。
老师放了两个模型的 P-R 曲线，一个曲线几乎贴满右上角，另一个在召回率 0.5 时精确率就降到 0.3，高下立判 —— 以后对比模型，光看单一指标不够，画个 P-R 曲线更直观。
4. 多分类的小技巧：k×k 混淆矩阵
如果是多分类（比如 CIFAR-10 的 10 类），混淆矩阵就是 k×k 的，对角线元素是 “判对的样本数”，非对角线是 “判错的样本数”。比如第 3 行第 5 列的数，就是 “真类别 3（比如鸟）被判成类别 5（比如狗）的样本数”。
对角线元素之和越大，模型整体准确率越高；某一行非对角线元素多，说明这个类容易被错判 —— 比如我之前做 CIFAR-10 时，“猫” 和 “狗” 那两行的非对角线元素多，说明模型总把猫和狗搞混，后来加了数据增强才好一些。
三、必学：模型的 “深度” 和 “宽度”，影响性能的关键
之前我搭 CNN 时，总随便设 “几层卷积、几个通道”，今天才知道这对应模型的 “深度” 和 “宽度”，直接影响性能：
1. 深度：网络 “走多远”
模型的深度是 “计算最长路径的卷积层 + 全连接层数量”。比如经典的 LeNet，路径是 C1（卷积层）→C3（卷积层）→C5（卷积层）→F6（全连接层）→Output（全连接层），一共 5 层，所以深度是 5。
深度越深，模型能抓的特征越精细 —— 浅层抓边缘、颜色，深层抓形状、纹理，再深层抓 “猫耳朵”“狗鼻子” 这种高级特征。但也不是越深越好，太深了会过拟合，还难训练（梯度消失）。
2. 宽度：网络 “有多胖”
模型的宽度是 “每一层的通道数”，主要看卷积层。比如 LeNet 的 C1 层有 6 个通道，C3 层有 16 个通道，所以宽度是 6 和 16。
宽度越宽，模型能同时抓的特征种类越多 —— 比如 6 个通道可以分别抓 “水平边缘”“垂直边缘”“红色区域”“蓝色区域” 等不同特征。但宽度太宽会导致参数量暴增，训练变慢，所以通常是 “浅层窄、深层宽”（比如一开始 6 个通道，慢慢加到 64、128）。
四、实战痛点：样本太少怎么办？两个解决方案
做实际项目时，我最头疼的就是 “样本太少”—— 比如做工业产品缺陷检测，缺陷样本只有几十张；做医疗影像分类，病人数据更少，根本训不动模型。老师讲了两个超实用的解决方案：
1. 迁移学习：站在 “预训练模型” 的肩膀上
迁移学习的思路很简单：用别人在大数据集（比如 ImageNet，1400 万张图，1000 类）上训好的模型（比如 ResNet、VGG），当自己的 “特征提取器”，再在自己的小数据集上微调。
比如我做 “花瓣分类”（只有 200 张图），直接用 ResNet50 的前半部分（卷积层）提取特征，只训练最后几层全连接层 —— 这样不用从头训，不仅快，准确率还高。老师说，ImageNet 数据集很通用，预训练模型学到的 “边缘、纹理” 等特征，在其他图像任务上也能用，这就是迁移学习的魔力。
2. 数据增强：“造” 更多样本
如果样本实在太少，还可以用数据增强 “造” 样本，分有监督和无监督两种：
- 有监督增强：最常用，不改变样本标签，只做外观变换，比如：
- 平移：把图片往左 / 右 / 上 / 下挪一点；
- 翻转：水平翻转、垂直翻转（比如猫的图片翻转后还是猫）；
- 亮度 / 对比度调整：让图片亮一点、暗一点，对比度强一点；
- 裁剪 / 缩放：随机裁一块再缩放到固定尺寸（比如从 256×256 裁 224×224）。我之前做细粒度分类时，用了这些增强，样本量相当于翻了 3 倍，准确率提升了 15%。
- 无监督增强：更高级，用 GAN（生成对抗网络）生成全新的样本，比如用 GAN 生成 “看起来像真的” 的猫图片，再用来训模型。这种方法适合样本极度稀缺的场景（比如医疗影像），但 GAN 训练起来有点难，新手可以先从有监督增强入手。
五、结尾：我的图像分类实战计划
今天学完这些，我终于有了清晰的实战思路：接下来先从 “通用多类别分类”（CIFAR-10）练手，用 CNN + 数据增强，重点练评估指标的计算；然后挑战 “细粒度分类”（比如花分类），试试迁移学习；最后再研究实例级分类（简单的人脸识别）。
如果和我一样刚入门，建议别一开始就搞复杂的，先把 “评估指标” 和 “样本少的解决方案” 吃透 —— 这两个是实战中最常用的，比单纯搭模型重要多了。
码道开发者社区，聚焦华为云码道 CodeArts 代码智能体，沉淀 Agent、Skill、鸿蒙开发实战内容，供开发者查阅资料、交流技术、分享工程实践
更多推荐
14
0- 0
已为社区贡献14条内容
所有评论(0)