企业官网建设流程全解析

简介：这份资源面向图像分类入门者与深度学习实践者，围绕垃圾分类场景提供一套可直接运行的神经网络模板。包内包含完整的垃圾分类数据集、数据集制作流程、模型训练与预测脚本，train.py负责训练，predict.py完成推理，并支持在图片上以中文标注干垃圾、湿垃圾、可回收垃圾、有害垃圾四类结果，适合作为图像分类任务的参考范例。资源共1046个文件，以1041张jpg图片构成训练与测试数据，另有2个py脚本、1个h5模型文件、1个txt说明及1个mp4演示视频，压缩包约824.68MB。目前已有1332人学习下载。借助这套材料，读者可以理解从数据整理、模型搭建到预测输出的完整链路，并基于TensorFlow与OpenCV快速迁移到其他图像分类项目，节省环境配置与代码调试时间。

1. 垃圾分类图像识别：从一张照片到四个桶，中间到底要过几道关

你拍一张外卖餐盒的照片，扔进模型，它告诉你「其他垃圾」——这个动作背后其实串起了图像处理、图像分类和垃圾分类三个环节。图像处理负责把原始像素变成模型能吃的干净输入，图像分类负责从特征里判断类别，垃圾分类则是把分类结果映射到具体的投放规则。很多人一上来就找最新的图像分类模型，直接拿预训练权重跑微调，结果发现准确率卡在 70% 上不去，回头一查，训练集里「可回收物」和「其他垃圾」的图片本身就标得含糊。这个方向适合有基本 Python 能力、想做一个能跑通的端到端项目的工程师，也适合拿它当图像分类入门练手的人。它不要求你从头训一个大模型，但要求你把数据管线、预处理和评估这三块做扎实。下面按「先搞清楚要做什么、再动手搭管线、最后避开那些让人翻车的坑」的顺序展开。

2. 垃圾分类图像分类的任务拆解与数据准备

2.1 先分清「图像处理」和「图像分类」在项目里各干什么

图像处理在这个项目里不是指用 OpenCV 做几个滤镜就完事，它承担的是把原始照片变成尺寸统一、光照一致、背景干扰被压掉的输入张量。常见做法是：读入图片后先做短边缩放再中心裁剪，然后归一化到 ImageNet 的均值和标准差。图像分类则是把处理后的张量送进网络，输出每个类别的概率。垃圾分类是业务层的事——模型输出「厨余垃圾」这个标签，业务代码再把它映射到「湿垃圾」或「易腐垃圾」的投放口。三者串起来才是一个能用的系统。

很多人把这三层混在一起调，模型准确率低就去换 backbone，其实问题出在预处理阶段：训练时用了随机裁剪增强，推理时却直接 resize，分布对不上，精度自然掉。我一般会把预处理参数写成一个配置字典，训练和推理共用同一份，避免这种低级翻车。

2.2 垃圾分类数据集怎么找、怎么标、怎么分

公开的垃圾分类数据集常见的有 TrashNet、TACO 以及国内一些比赛放出的版本。TrashNet 只有 6 类、约 2500 张，适合跑通流程但不适合追求高精度。TACO 的标注是 COCO 格式，类别更细，但需要自己转成分类任务用的文件夹结构。如果找不到合适的公开集，自己拍也行，但要注意每个类别至少 300 张起步，且拍摄角度、光照、背景要有变化，否则模型学到的只是背景颜色。

标注环节最容易出问题的是边界类别。「沾了油渍的纸盒」算可回收还是其他垃圾，不同人标法不一样。我的做法是先写一份标注规范，把每个类别的判定规则用文字固定下来，标注时遇到拿不准的就单独放一个「待定」文件夹，最后统一裁决。划分训练集、验证集、测试集时按 7:1.5:1.5 的比例分层抽样，保证每个类别在三个集合里的比例一致。

import os import random import shutil from pathlib import Path def split_dataset(src_dir, dst_dir, ratios=(0.7, 0.15, 0.15), seed=42): """ src_dir: 每个子文件夹是一个类别，里面是图片 dst_dir: 输出 train/val/test 三个子目录 ratios: 训练/验证/测试比例 """ random.seed(seed) src = Path(src_dir) dst = Path(dst_dir) classes = [d.name for d in src.iterdir() if d.is_dir()] for cls in classes: imgs = list((src / cls).glob("*.*")) random.shuffle(imgs) n = len(imgs) n_train = int(n * ratios[0]) n_val = int(n * ratios[1]) splits = { "train": imgs[:n_train], "val": imgs[n_train:n_train + n_val], "test": imgs[n_train + n_val:] } for split, files in splits.items(): out = dst / split / cls out.mkdir(parents=True, exist_ok=True) for f in files: shutil.copy2(f, out / f.name) print(f"划分完成，类别数：{len(classes)}") split_dataset("raw_dataset", "dataset")

这段脚本按类别分层抽样，保证每个类别在三个集合里的比例一致。ratios参数可以根据数据量调整，数据少的时候验证集和测试集可以各留 10%。seed固定住是为了让每次划分结果可复现，方便对比不同模型的实验。注意shutil.copy2会保留文件元信息，如果磁盘空间紧张可以改成shutil.move。

2.3 用 torchvision 搭一条可复用的预处理管线

预处理管线要同时服务于训练和推理，区别只在于训练时加随机增强、推理时用确定性变换。下面这条管线是我在垃圾分类项目里反复用过的版本，输入尺寸 224，训练时随机翻转加颜色抖动，推理时只做 resize 和归一化。

from torchvision import transforms # 训练和推理共用的归一化参数 IMAGENET_MEAN = [0.485, 0.456, 0.406] IMAGENET_STD = [0.229, 0.224, 0.225] train_tf = transforms.Compose([ transforms.RandomResizedCrop(224, scale=(0.7, 1.0)), transforms.RandomHorizontalFlip(p=0.5), transforms.ColorJitter(brightness=0.2, contrast=0.2, saturation=0.2), transforms.ToTensor(), transforms.Normalize(mean=IMAGENET_MEAN, std=IMAGENET_STD), ]) val_tf = transforms.Compose([ transforms.Resize(256), transforms.CenterCrop(224), transforms.ToTensor(), transforms.Normalize(mean=IMAGENET_MEAN, std=IMAGENET_STD), ])

RandomResizedCrop的scale参数控制裁剪区域占原图的比例，垃圾分类图片里主体通常占比较大，所以下限设 0.7 而不是默认的 0.08，避免裁到只剩背景。ColorJitter的强度不要开太大，垃圾分类里颜色是重要线索——比如绿色通常对应厨余，抖动太强会把颜色信息破坏掉。推理时用Resize(256)加CenterCrop(224)是标准做法，和训练时的随机裁剪形成互补。

3. 选模型与训练：从 ResNet 到 Transformer 的取舍

3.1 垃圾分类场景下 backbone 怎么选

垃圾分类的类别数通常在 4 到 10 之间，数据量从几千到几万张不等。这个规模下，ResNet-50 仍然是一个很难被替代的基线。它在 ImageNet 上预训练后，冻结前面几层、只微调后面两个 stage，就能在几千张图上跑到 85% 以上的准确率。如果数据量更少，ResNet-18 或 EfficientNet-B0 更合适，参数少、过拟合风险低。

Transformer 类模型比如 ViT 和 Swin，在数据量充足时上限更高，但它们对数据增强和正则化更敏感。我试过在 TrashNet 上直接微调 ViT-Base，准确率反而不如 ResNet-50，原因是数据量不够，注意力机制没学到有效的局部特征。如果要用 Transformer，建议先用 ResNet 跑一个基线，确认数据管线没问题之后再换。最新的图像分类模型不一定是你的最优解，这一点在垃圾分类这种细粒度不高的任务上尤其明显。

3.2 微调 ResNet-50 的完整训练脚本与参数说明

下面这个训练脚本是我在多个垃圾分类项目里用过的模板，核心逻辑是：加载预训练权重、替换最后的全连接层、分层设置学习率、用余弦退火调度。

import torch import torch.nn as nn from torch.utils.data import DataLoader from torchvision import datasets, models from torch.optim.lr_scheduler import CosineAnnealingLR from torchvision.transforms import Compose def build_model(num_classes, freeze_backbone=True): model = models.resnet50(weights=models.ResNet50_Weights.IMAGENET1K_V2) if freeze_backbone: for name, param in model.named_parameters(): if "layer4" not in name and "fc" not in name: param.requires_grad = False model.fc = nn.Linear(model.fc.in_features, num_classes) return model def train_one_epoch(model, loader, criterion, optimizer, device): model.train() total_loss, correct, total = 0.0, 0, 0 for imgs, labels in loader: imgs, labels = imgs.to(device), labels.to(device) optimizer.zero_grad() outputs = model(imgs) loss = criterion(outputs, labels) loss.backward() optimizer.step() total_loss += loss.item() * imgs.size(0) correct += (outputs.argmax(1) == labels).sum().item() total += imgs.size(0) return total_loss / total, correct / total # 数据加载 train_ds = datasets.ImageFolder("dataset/train", transform=train_tf) val_ds = datasets.ImageFolder("dataset/val", transform=val_tf) train_loader = DataLoader(train_ds, batch_size=32, shuffle=True, num_workers=4) val_loader = DataLoader(val_ds, batch_size=32, shuffle=False, num_workers=4) device = torch.device("cuda" if torch.cuda.is_available() else "cpu") model = build_model(num_classes=len(train_ds.classes)).to(device) # 分层学习率：新加的全连接层用大学习率，微调的 layer4 用小学习率 params = [ {"params": model.fc.parameters(), "lr": 1e-3}, {"params": model.layer4.parameters(), "lr": 1e-4}, ] optimizer = torch.optim.AdamW(params, weight_decay=1e-4) scheduler = CosineAnnealingLR(optimizer, T_max=30) criterion = nn.CrossEntropyLoss(label_smoothing=0.1) for epoch in range(30): train_loss, train_acc = train_one_epoch(model, train_loader, criterion, optimizer, device) scheduler.step() print(f"Epoch {epoch+1}: loss={train_loss:.4f}, acc={train_acc:.4f}")

build_model里冻结了除layer4和fc之外的所有层，这是数据量在几千张时的稳妥做法。如果数据超过两万张，可以把layer3也解冻。label_smoothing=0.1是防止模型对某个类别过度自信，垃圾分类里有些图片确实模棱两可，硬标签会逼模型记住噪声。CosineAnnealingLR的T_max设成总 epoch 数，让学习率从初始值平滑降到接近零。AdamW的weight_decay设 1e-4，比 SGD 的 5e-4 更温和，适合微调场景。

3.3 训练过程中该盯哪些指标

训练时不要只看 loss 和 accuracy。垃圾分类项目里我必看三个东西：每个类别的召回率、混淆矩阵、以及验证集 loss 和训练集 loss 的差值。如果「可回收物」的召回率明显低于其他类别，大概率是这一类里混进了太多「其他垃圾」的图片，或者这一类内部差异太大——比如塑料瓶和纸箱都被标成可回收，但视觉上差别很大。

混淆矩阵能直接告诉你哪两个类别在互相误判。我遇到过一次「厨余垃圾」和「其他垃圾」互相误判严重，查了半天发现是拍摄时厨余垃圾经常用黑色塑料袋装着，而其他垃圾里也有大量黑色塑料袋，模型学到的其实是「黑色塑料袋」这个背景特征。解决办法是在预处理阶段加一个简单的背景裁剪，或者补充一些散装厨余垃圾的图片。

4. 推理部署与数据增强的实战细节

4.1 把训练好的模型导出成推理脚本

训练完的模型要能脱离训练代码独立跑。下面这个推理脚本加载 checkpoint，对单张图片输出类别和置信度，适合集成到 Web 服务或边缘设备上。

import torch from PIL import Image from torchvision import transforms def load_model(ckpt_path, num_classes, device): model = models.resnet50(weights=None) model.fc = nn.Linear(model.fc.in_features, num_classes) model.load_state_dict(torch.load(ckpt_path, map_location=device)) model.to(device).eval() return model def predict(image_path, model, class_names, device): img = Image.open(image_path).convert("RGB") tensor = val_tf(img).unsqueeze(0).to(device) with torch.no_grad(): logits = model(tensor) probs = torch.softmax(logits, dim=1) conf, idx = probs.max(1) return class_names[idx.item()], conf.item() model = load_model("best.pth", num_classes=6, device=device) label, score = predict("test.jpg", model, train_ds.classes, device) print(f"预测：{label}，置信度：{score:.3f}")

推理时一定要用model.eval()和torch.no_grad()，前者关闭 dropout 和 batch norm 的训练行为，后者省显存。val_tf必须和训练时的验证变换完全一致，包括 resize 的尺寸和归一化参数。如果部署环境没有 GPU，map_location要设成cpu，同时把模型转成 half 精度可以进一步压缩体积。

4.2 数据增强在垃圾分类里的边界

数据增强不是越多越好。垃圾分类任务里，水平翻转是安全的，因为垃圾不会因为左右翻转改变类别。垂直翻转要谨慎——有些类别的图片上下颠倒后看起来像另一个类别。旋转角度超过 15 度就可能把「杯子」转成「碗」的视角。颜色抖动前面说过，强度要控制。

我一般会先用一组保守的增强跑基线，然后逐个加入更强的增强，看验证集准确率的变化。如果加入某个增强后验证集掉了两个点以上，就说明这个增强和任务语义冲突。MixUp 和 CutMix 在垃圾分类上效果不稳定，因为混合后的图片可能同时包含两个类别的特征，而垃圾分类的标签是互斥的。如果要用，建议只在数据量很大且类别边界清晰时尝试。

4.3 用混淆矩阵定位系统性误判

混淆矩阵不只是一个评估工具，它可以直接指导你补数据。下面这段代码画出归一化的混淆矩阵，并找出误判最多的类别对。

import numpy as np import matplotlib.pyplot as plt from sklearn.metrics import confusion_matrix def plot_confusion(model, loader, class_names, device): model.eval() all_preds, all_labels = [], [] with torch.no_grad(): for imgs, labels in loader: imgs = imgs.to(device) preds = model(imgs).argmax(1).cpu().numpy() all_preds.extend(preds) all_labels.extend(labels.numpy()) cm = confusion_matrix(all_labels, all_preds, normalize="true") fig, ax = plt.subplots(figsize=(8, 6)) im = ax.imshow(cm, cmap="Blues") ax.set_xticks(range(len(class_names))) ax.set_yticks(range(len(class_names))) ax.set_xticklabels(class_names, rotation=45, ha="right") ax.set_yticklabels(class_names) for i in range(len(class_names)): for j in range(len(class_names)): ax.text(j, i, f"{cm[i, j]:.2f}", ha="center", va="center") plt.colorbar(im) plt.tight_layout() plt.savefig("confusion_matrix.png", dpi=150) plot_confusion(model, val_loader, train_ds.classes, device)

归一化后的混淆矩阵每一行加起来是 1，对角线上的值就是该类别的召回率。如果第 i 行第 j 列的值超过 0.2，说明类别 i 有超过 20% 的样本被误判成类别 j，这时候就要去翻这些误判样本的原图，看是标注问题还是特征混淆。我一般会把误判样本的路径导出来，人工过一遍，确认是标注错误就修正标签，确认是特征混淆就补拍类似场景的图片。

5. 避坑与排查：垃圾分类图像分类里最容易翻车的五件事

5.1 训练集准确率 99% 但测试集只有 60%

现象：训练 loss 一路降到 0.01，训练准确率接近满分，但验证集和测试集准确率卡在 60% 左右不动。

原因：最常见的是数据泄漏——同一张图片的副本同时出现在训练集和验证集里。垃圾分类数据经常从网上批量下载，同一张图可能有多个文件名。另一个原因是训练集和测试集的拍摄条件差异太大，比如训练集全是白底商品图，测试集是手机随手拍。

解决：划分数据集之前先做去重，用图片的 MD5 或感知哈希（pHash）找出重复项。如果训练集和测试集来源不同，要么统一来源，要么在训练时加入更强的风格增强，比如随机调整亮度、对比度和背景模糊。

5.2 模型把「黑色塑料袋」当成「其他垃圾」的唯一特征

现象：所有装在黑色塑料袋里的垃圾都被判成其他垃圾，哪怕里面装的是塑料瓶。

原因：训练数据里「其他垃圾」类别大量使用黑色塑料袋拍摄，模型学到了这个捷径特征，而不是垃圾本身的形状和材质。

解决：补充散装垃圾的图片，或者在预处理阶段做前景分割，把背景裁掉。如果不想引入分割模型，可以在训练时随机裁剪掉图片边缘区域，逼模型关注中心主体。更彻底的做法是收集一批「黑色塑料袋装可回收物」的图片，单独标成可回收，让模型学会区分内容和容器。

5.3 推理速度在 CPU 上慢到无法接受

现象：模型在 GPU 上单张推理 10ms，部署到 CPU 服务器后变成 500ms，QPS 上不去。

原因：ResNet-50 在 CPU 上的浮点运算量不小，加上 Python 的 PIL 解码和预处理也占时间。

解决：先把模型转成 ONNX 或 TorchScript，再用 ONNX Runtime 或 OpenVINO 做推理加速。预处理阶段把 PIL 换成 OpenCV 的imdecode，速度能快一倍。如果还不行，换 MobileNetV3 或 EfficientNet-Lite，精度掉两三个点但速度提升明显。批量推理时把 batch size 调到 8 或 16，CPU 的利用率会高很多。

5.4 新增一个类别后模型完全失效

现象：原本 6 类的模型要扩展到 7 类，重新训练后所有类别的准确率都掉了。

原因：直接修改全连接层后，新加的类别随机初始化，训练时梯度会冲击已经学好的特征。如果学习率没调小，整个网络都会被带偏。

解决：扩展类别时先把 backbone 全部冻结，只训练新的全连接层 5 到 10 个 epoch，等新类别有基本识别能力后再解冻 layer4 做微调。学习率要比第一次训练时小一个数量级。另外，新类别的数据量不能太少，至少要和最少的旧类别持平。

5.5 验证集准确率波动大，每次跑结果都不一样

现象：同样的代码和数据，每次训练完验证集准确率在 82% 到 88% 之间跳。

原因：随机种子没固定，数据划分、权重初始化、数据增强的随机性都会影响结果。另外 batch size 太小也会导致梯度噪声大。

解决：在脚本开头固定torch.manual_seed、np.random.seed和random.seed，DataLoader 的worker_init_fn也要设种子。如果数据量允许，把 batch size 提到 32 以上。评估时用 K 折交叉验证代替单次划分，取平均准确率作为最终指标，波动会小很多。

6. 用 Grad-CAM 验证模型到底在看哪里

模型告诉你「厨余垃圾」，但它到底是看到了剩饭剩菜，还是看到了你拍照时桌子的木纹？这个问题不搞清楚，上线之后迟早翻车。Grad-CAM 是我在垃圾分类项目里必做的一步验证，它把模型最后一块卷积层的梯度加权回特征图，生成一张热力图，告诉你模型做判断时关注了图片的哪个区域。

import cv2 import numpy as np import torch import torch.nn.functional as F class GradCAM: def __init__(self, model, target_layer): self.model = model self.target_layer = target_layer self.gradients = None self.activations = None target_layer.register_forward_hook(self._save_activation) target_layer.register_full_backward_hook(self._save_gradient) def _save_activation(self, module, input, output): self.activations = output.detach() def _save_gradient(self, module, grad_input, grad_output): self.gradients = grad_output[0].detach() def generate(self, input_tensor, class_idx=None): self.model.eval() output = self.model(input_tensor) if class_idx is None: class_idx = output.argmax(1).item() self.model.zero_grad() output[0, class_idx].backward() weights = self.gradients.mean(dim=(2, 3), keepdim=True) cam = (weights * self.activations).sum(dim=1, keepdim=True) cam = F.relu(cam) cam = F.interpolate(cam, size=input_tensor.shape[2:], mode="bilinear", align_corners=False) cam = cam.squeeze().cpu().numpy() cam = (cam - cam.min()) / (cam.max() - cam.min() + 1e-8) return cam, class_idx # 使用示例 grad_cam = GradCAM(model, model.layer4[-1]) img_tensor = val_tf(Image.open("test.jpg").convert("RGB")).unsqueeze(0).to(device) cam, pred_idx = grad_cam.generate(img_tensor) # 叠加到原图 img = cv2.imread("test.jpg") img = cv2.resize(img, (cam.shape[1], cam.shape[0])) heatmap = cv2.applyColorMap(np.uint8(255 * cam), cv2.COLORMAP_JET) overlay = cv2.addWeighted(img, 0.6, heatmap, 0.4, 0) cv2.imwrite("gradcam_result.jpg", overlay) print(f"预测类别：{train_ds.classes[pred_idx]}")

target_layer选model.layer4[-1]是因为它是 ResNet 最后一个卷积块，感受野足够大，能覆盖整个垃圾主体。register_full_backward_hook拿到的梯度是反向传播时该层的梯度，和激活值相乘再求和就得到每个通道的权重。F.relu过滤掉负值，因为只有正贡献的区域才是模型真正关注的。最后归一化到 0 到 1 再叠加热力图。

拿到热力图之后怎么看：如果高亮区域集中在垃圾主体上，说明模型学到了正确的特征；如果高亮区域在背景、桌沿、或者图片角落，说明模型走了捷径。我遇到过一次模型把「可回收物」的判断依据放在图片右下角的水印上，因为训练集里可回收物的图片大多来自同一个网站，水印位置固定。解决办法是把图片边缘裁掉 10%，或者补充不同来源的图片。

这个验证步骤花不了多少时间，但能帮你提前发现那些准确率数字掩盖不了的问题。我现在的习惯是每训练完一个版本，先跑一批测试图的 Grad-CAM，确认关注区域合理之后再去看准确率报表。希望帮到你。

本文还有配套的精品资源，点击获取