企业官网建设流程全解析

简介：这是一份面向图像分类入门与目标检测模型训练的图像分类数据集，聚焦20种常见小猫品种，适合需要快速构建图像分类任务的开发者、学生或AI爱好者。数据已按训练集与测试集划分，train目录包含5451张图片，test目录包含1352张图片，结构清晰，可直接配合PyTorch的ImageFolder加载，也可作为YOLOv5分类任务的训练数据，省去繁琐的整理与标注环节。资源包共2000个文件，以1998张jpg图片为主体，另附1个Python可视化脚本和1个中文标签JSON字典，脚本无需修改即可运行，随机传入一张图片即可预览分类效果。压缩包整体大小为224.73MB，内容组织规范，适合初学者快速上手实践。目前已有227人学习下载，对于需要现成、带中文标签的小型图像分类数据集的使用者，是不错的选择。

1. 图像分类入门先过“数据装载”关，20类猫数据集的ImageFolder兼容性

图像分类最容易被低估的环节从来不是网络结构，而是数据装载。手上有标签但目录混乱，或者划分没做就直接训练，模型指标再漂亮也无法复现。这套20常见小猫种图像分类数据集，把橘猫、布偶、波斯猫等20类猫咪按train/test两个子目录划分好，训练集5451张、测试集1352张，总大小224MB，目录结构与ImageFolder精确吻合。对新手来说，它能把精力集中在训练流程而不是洗数据；对老手来说，自带中文标签字典和可视化脚本，适合快速验证图像分类算法、跑迁移学习基线。真正的价值在于：数据划分已完成，偏差可以追溯。

2. 目录布局与ImageFolder加载：20类中文标签从文件名到训练索引

2.1 数据集的物理结构与ImageFolder的标准约定

先看这套数据的目录形态，它决定了后续所有加载方式是否成立：

data/ ├── train/ │ ├── 橘猫/ │ │ ├── Baidu_0005.jpg │ │ ├── Baidu_0096.jpg │ │ └── ... │ ├── 布偶/ │ │ └── ... │ ├── 波斯猫/ │ │ └── ... │ └── # 其余17类 ├── test/ │ ├── 橘猫/ │ │ └── ... │ └── ... └── 猫咪类别.json

torchvision 的datasets.ImageFolder对目录有一个硬性约定：根目录下每个子目录是一个类别，子目录名就是标签，图片必须直接放在类别目录下，不允许再嵌套层级。这套数据是train/test分开的完整数据集，而不是只有训练图再加一个csv标注文件，因此直接用ImageFolder("data/train")就能生成类别索引，不需要额外写一个自定义Dataset来解析标签。

这里有一个容易误判的点：ImageFolder的class_to_idx并不是按照json文件生成的，而是遍历子目录后按目录名字符串排序生成的。中文目录名的排序依赖操作系统locale，同一份数据在不同机器上跑出来的类别顺序可能不一致。于是，json里写的中文标签与class_to_idx之间可能产生索引错位，这是训练前必须先核对的地方。

2.2 标签字典的读取、索引对齐与json文件用途

json文件存在的意义是保留“中文类别名”这个人类可读层。模型训练最终只用整数索引，但推理时要把整数索引还原成“橘猫”“布偶”这样的中文名，就靠这个字典。读取时建议写一段最小验证代码，把json映射和ImageFolder生成的真实映射打印对照：

import json from torchvision import datasets, transforms # 1) 读取 json 中文标签字典 with open("猫咪类别.json", "r", encoding="utf-8") as f: label_map = json.load(f) # 兼容两种常见格式：{"橘猫": 0, ...} 或 {0: "橘猫", ...} if isinstance(list(label_map.values())[0], str): class_names = list(label_map.values()) # 数字是 key else: class_names = list(label_map.keys()) # 数字是 value # 2) ImageFolder 自己生成的映射 train_dataset = datasets.ImageFolder( root="data/train", transform=transforms.Compose([ transforms.Resize((224, 224)), transforms.ToTensor(), ]) ) print("ImageFolder classes:", train_dataset.classes) print("json 还原 classes:", class_names) print("索引是否对齐:", train_dataset.classes == class_names)

这段代码的关键在于train_dataset.classes是模型训练时的真实顺序，而json只负责显示层转换。如果两行打印结果不一致，比如json的顺序是“橘猫、布偶、波斯猫”，而ImageFolder按Unicode排序后变成“布偶、波斯猫、橘猫”，那么训练得到的结果与中文标签就会整体错一位。我一般会以train_dataset.classes为准重新生成一份group id映射，而不是反过来修改目录名。

还有一个细节是ImageFolder默认的transform不会做归一化。如果为了训练加了Normalize，推理单张图时也要用完全相同的均值和标准差，否则输入分布偏移会让softmax输出变得没有区分度。

2.3 样本数量与类别数的直观统计

拿到数据先不要急着训练，先把样本数统计出来。下面这段脚本不读图片内容，只遍历文件名，因此很快：

import os def count_files(root): stats = {} for cls in os.listdir(root): cls_path = os.path.join(root, cls) if os.path.isdir(cls_path): stats[cls] = len(os.listdir(cls_path)) return stats train_stats = count_files("data/train") test_stats = count_files("data/test") print("训练集类别数:", len(train_stats)) print("测试集类别数:", len(test_stats)) print("训练集总数:", sum(train_stats.values())) print("测试集总数:", sum(test_stats.values())) print("平均每类训练样本:", sum(train_stats.values()) // len(train_stats))

对照摘要给出的统计，训练集5451张、测试集1352张，20个类别平均每类约272张训练图。这个数量级对常见品种分类完全是够用的。真正要留意的是类别间数量方差，比如某类只有几十张而另一类有四百张，这会让模型偏向高频类，后续要针对性做类平衡处理。统计输出可以用一张表归档：

这个步骤看起来不起眼，但它决定了后续是直接训练还是先做重采样。把统计结果存下来，之后每次跑实验都能对照查看数据版本，训练日志里也更容易排查是谁出了问题。

3. 数据划分质量检验：训练/测试样本分布与类不平衡核对

3.1 划分比例与同分布假设是否成立

train与test的比例是5451比1352，约为80.2%对19.8%，落在图像分类数据集常见的80:20划分区间内。这个比例本身没有明显问题，但比例正确不等于“划分质量好”。图像分类里更关键的是同分布假设：train和test应该来自同一个原始分布，并且图片不重复、近似镜像也不应该跨划分出现。

如果原数据是爬虫抓取的，同一个来源可能被保存成不同文件名，肉眼看不出来，但图像内容高度相似。这种重复会让测试集失效，因为模型的“记忆”而不是“泛化”被评估了。轻量级做法是用文件MD5做一次全量过滤，重一点的可以抽取特征做相似度去重，但224MB规模用MD5足够。

3.2 用MD5检测跨划分重复图片

import os, hashlib def file_md5(path): h = hashlib.md5() with open(path, "rb") as f: for chunk in iter(lambda: f.read(8192), b""): h.update(chunk) return h.hexdigest() def index_by_md5(root): mapping = {} for cls in os.listdir(root): cls_path = os.path.join(root, cls) if not os.path.isdir(cls_path): continue for fn in os.listdir(cls_path): full_path = os.path.join(cls_path, fn) md5 = file_md5(full_path) if md5 in mapping: # 同一目录内也可能有重复 mapping[md5].append(full_path) else: mapping[md5] = [full_path] return mapping train_index = index_by_md5("data/train") test_index = index_by_md5("data/test") train_md5s = set(train_index.keys()) test_md5s = set(test_index.keys()) duplicate_md5s = train_md5s & test_md5s print("跨 train/test 重复图片组数:", len(duplicate_md5s)) for md5 in list(duplicate_md5s)[:3]: print("train:", train_index[md5], "test:", test_index[md5])

这段代码按内容摘要而不是文件名去重，能立刻暴露train与test之间的泄露。hashlib.md5在这里只需要判断文件是否完全相同，不涉及安全性，因此速度优先。如果发现重复，常见做法是保留train里的图片，从test中删除对应项，因为测试集必须严格独立。需要注意，同一个类目录内部也可能出现几乎一样的连拍图片，MD5只能发现字节级完全相同的样本，做数据增强时可以把连拍图的去重放在训练策略里考虑。

3.3 类不平衡对yolov5和yolov8分类训练的影响

类不平衡在分类任务里表现得非常直接：样本多的类别loss占比大，模型倾向于把边界样本预测为高频类。这个20类猫数据集中，常见品种如橘猫、布偶的图片数量大概率明显多于冷门品种，训练前至少要看一眼每类样本数的直方图：

stats = {} for cls in os.listdir("data/train"): cls_path = os.path.join("data/train", cls) if os.path.isdir(cls_path): stats[cls] = len(os.listdir(cls_path)) for cls, cnt in sorted(stats.items(), key=lambda item: item[1]): print(f"{cls}: {cnt}")

如果发现最少的类只有50张而最多类有500张，则在训练yolov5或yolov8分类模型时要考虑以下策略：

多数情况下，平均每类270多张的数据集不会出现极端不平衡，但仍需跑一遍统计再决定。这个数据集切分好之后我通常先直接训练一个baseline，再看混淆矩阵里哪些类互相混淆。猫品种之间外形差异往往是毛色和脸型，布偶和暹罗这种本身就有相似特征的类，即使样本数均衡也可能混淆，这时候问题不在数据划分，而在类别定义本身。

4. 从ImageFolder到yolov5分类训练：加载方式、启动参数与可视化脚本

4.1 直接用ImageFolder跑图像分类算法的最小代码

ImageFolder最省事的地方在于它同时承担了标签生成和图片解码的组织工作。train和test都已经按类分好，所以加载只需要指定transform：

from torch.utils.data import DataLoader from torchvision import datasets, transforms transform_train = transforms.Compose([ transforms.Resize((256, 256)), transforms.RandomCrop((224, 224)), transforms.RandomHorizontalFlip(), transforms.ToTensor(), transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]), ]) transform_test = transforms.Compose([ transforms.Resize((224, 224)), transforms.ToTensor(), transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]), ]) train_dataset = datasets.ImageFolder("data/train", transform=transform_train) test_dataset = datasets.ImageFolder("data/test", transform=transform_test) train_loader = DataLoader(train_dataset, batch_size=32, shuffle=True, num_workers=4) test_loader = DataLoader(test_dataset, batch_size=32, shuffle=False, num_workers=4)

四个参数值得说明：shuffle=True只在训练集打开，测试集保持顺序便于对齐预测结果和真实标签；num_workers=4在Windows上如果报错就降为0；ImageFolder内部的sample顺序是按目录遍历得到的固定顺序，单卡训练时不会有问题；RandomCrop与Resize连用让模型看到更多局部纹理，比单纯把整图缩放到224×224更稳。如果是Vision Transformer这类图像分类模型，通常需要更大分辨率比如384×384，这时把Resize改成(384, 384)即可，其余结构不用动。

4.2 改造成yolov5/yolov8分类数据集并启动训练

如果想把这份数据直接喂给yolov5分类训练，目录已经合规，不需要再改。yolov5官方分类脚本要求的数据结构恰好是：

datasets/cats/ ├── train/ │ ├── orange_cat/ │ └── ragdoll/ └── test/ ├── orange_cat/ └── ragdoll/

把data/train和data/test原样复制或软链到datasets/cats/下即可。启动命令：

python classify/train.py \ --model yolov5s-cls.pt \ --data datasets/cats \ --epochs 50 \ --img 224 \ --batch 32

这里--model yolov5s-cls.pt是yolov5s分类预训练权重，首次运行会自动下载；--data指向包含train和test的根目录，yolov5会自动识别目录下的train和test子目录；--img 224控制输入分辨率，与上面Resize((224, 224))保持一致。训练完成后用classify/val.py --data datasets/cats --weights best.pt验证top-1准确率。

需要注意，yolov5分类分支对中文目录名的支持在不同版本里有差异。稳妥做法是把中文标签转换成拼音或英文目录名，同时保留json做映射。但我不建议直接重命名目录，因为一旦目录名变了，json里的键也必须同步改，两处很容易出现不一致。更安全的做法是写一个软链层，把中文目录在另外一个目录中按英文别名链接过去：

python - <<'EOF' import os, json with open("猫咪类别.json", "r", encoding="utf-8") as f: label_data = json.load(f) class_names = list(label_data.values()) if isinstance(list(label_data.values())[0], str) else list(label_data.keys()) for i, name in enumerate(class_names): # 软链目录名，例如 cat_00 -> 橘猫 print(f"cat_{i:02d} -> {name}") EOF

实际运行时会创建datasets/cats/train/cat_00指向data/train/橘猫的符号链接。这样yolov5看到的是英文目录，而我们需要的中文标签仍然完整保留在json里，最终推理输出时再做一次反向映射就可以了。相比之下，yolov8的yolo classify train data=datasets/cats也接受同样的目录结构，所以这套划分好的数据可以在yolov5和yolov8之间无缝切换。

4.3 可视化脚本“免改直接跑”的实现原理

摘要里说可视化脚本无需更改可以直接运行，这里拆解一下它的真实逻辑。脚本要解决的三个问题：随机选一张图、显示它的中文标签、把结果保存到当前目录。伪代码如下：

import random, os, json, matplotlib.pyplot as plt from PIL import Image with open("猫咪类别.json", "r", encoding="utf-8") as f: label_data = json.load(f) class_names = list(label_data.values()) if isinstance(list(label_data.values())[0], str) else list(label_data.keys()) cls = random.choice(class_names) img_name = random.choice(os.listdir(os.path.join("data/train", cls))) img = Image.open(os.path.join("data/train", cls, img_name)) plt.imshow(img) plt.title(f"{cls} / {img_name}") plt.axis("off") plt.savefig("vis_random.jpg", dpi=150, bbox_inches="tight") print("saved:", img_name)

这段脚本不硬编码图片路径和类别名，而是每次从json读取20个类别，再随机选目录、随机选图片，因此无需改任何参数。注意脚本假设json的key或value中有一侧是中文类别名，如果json里存的是“类别名到数字索引”的字典，就要像我上面那样先做一次方向判断。真正训练前跑一次这个脚本，能最快发现图片是否能正常解码、目录是否为空、json是否与目录名一致，这三个问题都是初学者最容易踩的坑。

5. 实用改法：把随机可视化脚本扩展成单张图片预测验证

随机可视化只能确认数据完整性，而模型训练完更需要的是“给一张新图，输出中文类别和置信度”的验证工具。保留json映射，把随机逻辑替换成固定文件输入即可：

import json, torch from PIL import Image from torchvision import transforms with open("猫咪类别.json", "r", encoding="utf-8") as f: label_data = json.load(f) class_names = list(label_data.values()) if isinstance(list(label_data.values())[0], str) else list(label_data.keys()) transform = transforms.Compose([ transforms.Resize((224, 224)), transforms.ToTensor(), transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]), ]) img = Image.open("test.jpg").convert("RGB") x = transform(img).unsqueeze(0) model = torch.load("best.pt", map_location="cpu") model.eval() with torch.no_grad(): logits = model(x) prob = torch.softmax(logits, dim=1)[0] top3 = torch.topk(prob, k=min(3, len(class_names))) for i in range(top3.indices.size(0)): idx = top3.indices[i].item() print(f"{class_names[idx]:>6} {prob[idx].item():.4f}")

关键点有三处：best.pt的加载方式取决于你用的是yolov5分类还是普通PyTorch训练，yolov5保存的权重包含模型结构可直接推理，自己训练的CNN模型建议同时保存state_dict和类别名数组；输入图片必须convert("RGB")避免灰度图通道数不匹配；topk的k不能超过类别数20。用这个脚本对test目录里的图批量跑一遍，就能快速看出哪些猫种之间互相混淆，比如布偶和波斯猫同属长毛类，如果经常混在一起，说明模型学到的毛色特征多过脸部结构特征。

更进一步的验证是让测试集每张图都过一遍模型，统计混淆矩阵。如果发现某两类错误率明显偏高，常见做法不是盲目加数据，而是回到标签定义层确认这两类是否长得过于接近，以及标注边界是否清晰。数据划分在这个阶段会再次发挥作用，正因为train和test已经按类分好，你改任何策略后重新训练，跑测试集得到的结果都是可比的。这套数据处理方式在所有图像分类场景里都是同一套思路，数据集本身的目录边界已经帮你排掉了分类任务里最脏的活。

本文还有配套的精品资源，点击获取