简介面向图像分类与轻量级网络实战的菠萝成熟度分级项目采用ShuffleNet对8个不同成熟阶段进行分类适合希望快速上手CNN迁移学习或落地小型图像分类任务的开发者。压缩包共2000个文件以jpg样本图为主辅以Python训练/推理脚本、readme说明、txt配置与json标签映射整体约201MB目录结构清晰便于按需取用。数据划分明确训练集4808张、测试集806张各级别按文件夹存放便于理解数据组织方式。项目附带完整训练好的权重文件在测试集上达到87%准确率并采用cos学习率自动衰减训练50轮预测脚本可自动输出Top-3类别并绘制在图上换用自定义数据时readme也给出了明确说明。已有124人学习下载可直接运行验证也可基于此实验轻量级CNN的分类效果。1. 为什么轻量级CNN ShuffleNet更适合菠萝成熟度分类果园采收线与分拣机上判断菠萝成熟度靠的不是数果眼而是观察果皮由深绿转向金黄的色相过程。按阶段细分到8类时模型要能在工控机甚至嵌入式摄像头里实时跑还得在强光、遮挡、镜头偏色下保持稳定。大模型在这个场景里不仅浪费算力推理延迟塞不满分拣节拍。ShuffleNet这类经典轻量级CNN把单张224×224图像的FLOPs控制在几百M以内却在ImageNet上保持了可用的精度靠的是分组卷积加channel shuffle的思路既压低计算量又让不同通道组之间的特征得以交换。这篇文章围绕一个真实需求展开如何用PyTorch把ShuffleNet训练成能区分8个成熟度阶段的图像分类器并最终落地到边缘推理环境适合做农业视觉、工业质检和移动端分类的工程师直接抄作业。2. ShuffleNet网络结构拆解与8类菠萝成熟度的适配设计2.1 分组卷积的代价通道之间的信息孤岛ShuffleNet识别度最高的设计是pointwise group convolution也就是对1×1卷积也做分组。普通1×1卷积的参数量是输入通道数乘输出通道数分组数为g时每组只看输入通道的1/g参数量和计算量都降为原来的1/g。这在移动端很划算但代价也明显同一组卷积核永远接触不到其他组的输入特征组与组之间形成信息孤岛。在菠萝成熟度分类里这个缺陷会被放大——判断成熟度需要把果皮绿色区域的占比、黄色区域的饱和度、果眼附近的褐变程度联合起来看这些特征分别落在不同通道里。如果底层卷积从一开始就把通道切成互不往来的几组后续网络很难学到跨特征组合能力。2.2 channel shuffle如何打破信息孤岛ShuffleNet给出的解决办法非常简单在两层分组卷积之间把输出通道做一次均匀打乱再重新分组。打乱操作本身不引入任何参数只是一次reshape、转置再变形的过程。这样下一层分组卷积的每组输入里都包含上一层各个组的产出信息在组间开始流动。import torch def channel_shuffle(x, groups): # 输入形状: [B, C, H, W] B, C, H, W x.shape # 将通道分成 groups 组每组 C // groups 个通道 x x.view(B, groups, C // groups, H, W) # 把分组维度和组内通道维度交换实现均匀打乱 x x.transpose(1, 2).contiguous() return x.view(B, C, H, W)这里的关键参数是groups。groups设为1时退化成普通卷积信息完全自由流动但计算量也回到原始水平groups设为8时计算量极小但打乱后单组通道数太少特征表达力受限。在菠萝成熟度这种颜色主导的细粒度任务上我一般用groups3或4能在不损失精度的情况下把计算量压低约三到四倍。2.3 从ShuffleNet v1到v2网络单元的变化ShuffleNet v1的基础单元是瓶颈结构先用1×1分组卷积压缩通道再做3×3深度卷积提取空间特征最后用1×1分组卷积扩张通道。步长为2的单元还会在旁路用3×3平均池化下采样最后把两分支结果拼接起来。v2则吸取了当时对轻量网络设计准则的分析改动更大不再整支卷积而是把输入通道对半分成两个分支一个分支直接恒等映射另一个分支做深度卷积和两个1×1卷积最后把两个分支的输出拼接再做channel shuffle。v2还去掉了两个1×1分组卷积之间的打乱因为拼接操作本身已经完成了信息交换减少一次内存拷贝。现在torchvision直接提供shufflenet_v2系列且带有ImageNet预训练权重做8类成熟度分类时直接用它更可靠。以shufflenet_v2_x1_0为例各阶段输出张量形状如下。网络阶段输出形状通道数变化作用Conv1 MaxPool24×112×1123 → 24浅层边缘、颜色斑块Stage248×56×5624 → 48果眼、纹理局部模式Stage396×28×2848 → 96绿色与黄色区域组合Stage4192×14×1496 → 192全局面块与成熟度证据Conv5 GlobalPool1024×7×7192 → 1024高维语义特征聚合Stage2到Stage4每个阶段由若干ShuffleUnit堆叠x1_0版本的堆叠数分别是4、8、4groups默认固定为2输出的1024维向量接一个全连接层映射到1000类。做8类成熟度分类时只需要替换最后这个全连接层。2.4 8类成熟度与网络输出层的适配8类成熟度本质是有序标签从完全青绿到过度成熟呈递进关系。把最后一个线性层输出改为8即可但要让网络充分理解相邻类别之间的相似性不能只靠改输出维度。比较常见的做法是保留ImageNet预训练权重的浅层和中层只冻结前几层让最后几个阶段在菠萝数据上充分微调因为果皮颜色特征和ImageNet里的自然物体纹理相近浅层不需要大改。import torch.nn as nn from torchvision import models from torchvision.models import ShuffleNet_V2_X1_0_Weights net models.shufflenet_v2_x1_0(weightsShuffleNet_V2_X1_0_Weights.IMAGENET1K_V1) # 替换最后的全连接层输出8个成熟度阶段 net.fc nn.Linear(1024, 8) # 冻结前三个特征阶段只微调最后一个阶段和全连接层 for name, param in net.named_parameters(): if name.startswith(features.4) or name.startswith(fc): param.requires_grad True else: param.requires_grad False这种部分微调在数据量只有几百张的情况下比全量微调更稳能避免小数据集上浅层特征被破坏。如果后续采集到几千张图我会把冻结层数减半让更多层级适应菠萝特有的光泽表面和拍摄环境。3. 8种菠萝成熟度数据集的制作、标签与预处理3.1 成熟度阶段的定义与标注标准做分类项目第一步不是选模型而是把8个类别的定义定清楚。菠萝成熟度目前没有完全统一的工业标准业界通常按果皮黄化比例结合果眼颜色来分段。下面这套标准是从田间分级实践里归纳出来的用颜色过渡作为主依据方便标注人员看图打标。阶段类别名称果皮黄化比例典型外观特征stage0深绿期0%果皮全绿果眼未凸起stage1黄绿初期1% – 25%基部泛黄中下部仍绿stage2黄绿中期25% – 50%黄色向果眼中部延伸stage3黄绿后期50% – 75%顶部残留绿色整体偏黄stage4近全黄期75% – 95%果眼间黄中带橙绿色仅存缝隙stage5全黄期95% – 100%果皮整体金黄果眼变深stage6过熟早期100% 并出现褐斑果眼周围出现水渍状褐斑stage7腐烂期褐变面积扩大果皮发暗有明显发酵味标注时如果有歧义我一般让两个人独立标同一批图计算标注一致性。Kappa值低于0.7的图片直接丢弃因为这些样本通常处于两个阶段的模糊边界让模型硬学反而会把决策边界搅乱。最终留下的数据集按训练集、验证集、测试集7:2:1划分并且保证同一颗菠萝不同角度的照片全部落在同一个集合里避免数据泄漏导致验证指标虚高。3.2 目录结构与标签加载整理成标准目录结构是最省事的做法后续无论是用torchvision的ImageFolder还是自己写数据类都能直接读。pineapple_dataset/ train/ stage0_deep_green/ stage1_yellow_green_early/ stage2_yellow_green_mid/ stage3_yellow_green_late/ stage4_near_full_yellow/ stage5_full_yellow/ stage6_overripe_early/ stage7_rotten/ val/ stage0_deep_green/ ... test/ stage0_deep_green/ ...用ImageFolder加载时类别顺序按目录名排序stage0到stage7刚好对应标签0到7。这里有个容易踩的坑目录名里不要带下划线以外的特殊字符否则在Windows和Linux之间拷贝后sort顺序可能不一致导致标签错位。3.3 预处理与数据增强配置菠萝成熟度分类里颜色是核心信号但网络不能只依赖整体色相。我常用下面这套预处理管线除了常规随机裁剪和翻转外特意把色相抖动范围调小。from torchvision import transforms train_transform transforms.Compose([ transforms.RandomResizedCrop(224, scale(0.7, 1.0)), transforms.RandomHorizontalFlip(), transforms.RandomRotation(20), transforms.ColorJitter( brightness0.25, contrast0.2, saturation0.2, hue0.03 ), transforms.ToTensor(), transforms.Normalize(mean[0.485, 0.456, 0.406], std[0.229, 0.224, 0.225]) ]) val_transform transforms.Compose([ transforms.Resize(256), transforms.CenterCrop(224), transforms.ToTensor(), transforms.Normalize(mean[0.485, 0.456, 0.406], std[0.229, 0.224, 0.225]) ])hue0.03是刻意压小的。成熟度判断完全建立在绿色到黄色的演进上色相抖动超过0.05就可能把一个stage2的样本变成stage3的样子反而引入错误标签。brightness和contrast可以稍大一些因为果园里光照变化剧烈模型需要在不同曝光下稳定判断。RandomResizedCrop的scale从0.7开始不会裁掉太多全局颜色信息同时能模拟不同拍摄距离带来的尺度变化。如果某个阶段图像特别少不要直接复制粘贴同一张图进训练集那会加重过拟合。更合理的做法是用MixUp或者CutMix在图像层面混合两个阶段样本让网络学会更平滑的决策边界。def mixup_batch(images, labels, alpha0.2): lam torch.distributions.Beta(alpha, alpha).sample() perm torch.randperm(images.size(0)) mixed lam * images (1 - lam) * images[perm] return mixed, labels, labels[perm], lamMixUp的beta分布参数alpha取0.2时混合程度比较轻适合成熟度这种相邻类别本身就有连续过渡的任务。混合后的两个标签都要参与损失计算这正好呼应成熟度有序分类的特点网络输出不再要求对某一张模糊图片强行给出单点判断而是学会同时响应两个相邻阶段。4. 用PyTorch训练ShuffleNet完成菠萝成熟度图像分类4.1 训练策略选择SGD配合余弦退火轻量网络在中小规模数据集上微调我优先选带动量的SGD而不是AdamW。SGD配合余弦退火虽然收敛慢一点但最终泛化性通常更好。ShuffleNet的BN层比较多batch size不要设太小否则BN统计量抖动会让训练早期很不稳定。单卡训练常用下面是参数配置。超参数取值设定理由batch size32兼顾BN稳定性与显存占用初始学习率0.01迁移学习下SGD常用起点动量0.9标准配置权重衰减1e-4抑制过拟合不宜超过5e-4训练轮数40余弦退火到eta_min1e-5标签平滑0.1缓解过拟合且容忍相邻类相似性学习率如果用的是0.1ShuffleNet这类带BatchNorm的网络前几轮会容易发散。0.01配batch size32是一个比较稳的组合。epoch设40轮不是固定的我一般看验证集acc曲线的波动幅度连续7轮不上升就早停。4.2 完整训练循环下面给出可直接运行的训练循环框架重点标出了成熟度分类特有的评估逻辑。import torch import torch.nn as nn from torch.utils.data import DataLoader from torchvision.datasets import ImageFolder from torch.optim import SGD from torch.optim.lr_scheduler import CosineAnnealingLR from sklearn.metrics import cohen_kappa_score, classification_report def train_one_epoch(model, loader, criterion, optimizer): model.train() total_loss, correct, total 0.0, 0, 0 for images, labels in loader: images, labels images.cuda(), labels.cuda() optimizer.zero_grad() logits model(images) loss criterion(logits, labels) loss.backward() optimizer.step() total_loss loss.item() * images.size(0) correct (logits.argmax(1) labels).sum().item() total images.size(0) return total_loss / total, correct / total def evaluate(model, loader): model.eval() all_preds, all_labels [], [] with torch.no_grad(): for images, labels in loader: images images.cuda() preds model(images).argmax(1).cpu() all_preds.extend(preds.tolist()) all_labels.extend(labels.tolist()) acc1 sum(p t for p, t in zip(all_preds, all_labels)) / len(all_labels) # 线性加权Kappa用于衡量有序分类的贴近程度 kappa cohen_kappa_score(all_labels, all_preds, weightslinear) return acc1, kappa model net.cuda() train_loader DataLoader(ImageFolder(pineapple_dataset/train, train_transform), batch_size32, shuffleTrue, num_workers4) val_loader DataLoader(ImageFolder(pineapple_dataset/val, val_transform), batch_size32, shuffleFalse, num_workers4) criterion nn.CrossEntropyLoss(label_smoothing0.1) optimizer SGD(model.parameters(), lr0.01, momentum0.9, weight_decay1e-4) scheduler CosineAnnealingLR(optimizer, T_max40, eta_min1e-5) best_kappa 0.0 for epoch in range(40): train_loss, train_acc train_one_epoch(model, train_loader, criterion, optimizer) val_acc, val_kappa evaluate(model, val_loader) scheduler.step() print(fEpoch {epoch1:02d} loss{train_loss:.4f} acc{train_acc:.3f} fval_acc{val_acc:.3f} kappa{val_kappa:.3f}) if val_kappa best_kappa: best_kappa val_kappa torch.save(model.state_dict(), shufflenet_pineapple_best.pt)这里评估指标用了两层准确率只是粗看模型整体判断对多少线性加权Kappa才是真正衡量有序分类质量的指标。Kappa把判错一个阶段和判错三个阶段区别对待比如把stage5判成stage4比判成stage0情有可原。注意训练循环里model要事先换成微调状态上面代码块里的model变量是第2章定义的net。4.3 损失函数针对有序标签的细节调整CrossEntropyLoss的label_smoothing0.1对这个任务帮助很大。8类菠萝成熟度的标签噪声主要集中在相邻阶段平滑后的目标分布给相邻类别留了少量概率模型就不会为了强行区分两个非常接近的成熟度阶段而过度放大颜色差异从而降低过拟合。有些项目会在CrossEntropy之外再加一个序数回归损失比如让相邻类别的输出logits差值保持合理范围。我实测在数据量只有几百张时这种额外损失项反而容易让训练不稳定不如label smoothing加MixUp的组合平滑。如果数据量超过2000张再考虑更复杂的有序损失也不迟。4.4 训练结果怎么看关注混淆矩阵而非单点acc训练结束后一定要看混淆矩阵。8类成熟度里相邻阶段的混淆是正常的如果stage1的图大量被分成stage0说明黄化比例阈值定得太紧标注标准需要调整但如果是stage1和stage6互相混淆那说明网络学到的根本不是颜色特征更像是在记忆背景或拍摄角度属于数据集的背景偏差问题。这时候我会检查训练集里每个类别的图像背景是否一致必要时做背景抠除或增加多样背景的采集。5. ShuffleNet模型在边缘设备上的量化与部署训练完成只是开始菠萝分拣场景里模型通常要跑在Jetson Nano、RK3588这类设备上甚至要集成到工业相机内。ShuffleNet本身已经够轻但推理速度还能通过量化进一步压榨。PyTorch的静态量化对ShuffleNet v2支持得比较完整因为它的拼接和深度卷积都在量化算子覆盖范围内。import torch.quantization as quant model_fp32 net.cuda().eval() model_fp32.fuse_model() # 融合ConvBNReLU model_fp32.qconfig quant.get_default_qconfig(fbgemm) quant.prepare(model_fp32, inplaceTrue) # 用验证集前100张图做校准 with torch.no_grad(): for i, (images, _) in enumerate(val_loader): if i 32: break model_fp32(images.cpu()) quant.convert(model_fp32, inplaceTrue) torch.save(model_fp32.state_dict(), shufflenet_pineapple_int8.pt)校准样本不能太少50张以下得到的量化scale参数对颜色极端情况的适配会很差菠萝病害果和正常果的激活值分布差异大最少用100张覆盖各个成熟阶段。量化后再跑一遍测试集Kappa下降不超过0.02就算合格。部署时有几个经验值得记一下。channel shuffle虽然理论计算量接近零但实际推理时涉及transpose和contiguous在部分NPU上会产生额外内存拷贝反而比同规格的MobileNet慢。遇到这种情况我会把最后的分类头输出从8类接到BN层之前保持模型结构不变只做算子融合减少一次ReLU。ONNX导出时注意opset要设成16以上避免channel shuffle被序列化成低效的Gather算子。dummy_input torch.randn(1, 3, 224, 224) torch.onnx.export( model, dummy_input, shufflenet_pineapple.onnx, input_names[input], output_names[logits], opset_version17, dynamoFalse )导出后建议用onnxruntime直接验证一遍输出确认与PyTorch结果对齐。最后把推理封装成一个接收摄像头帧的函数内部先做CenterCrop和Normalize再跑ONNX Runtime输出8个logits中取值最大的索引作为成熟度阶段。配合流水线上的速度控制模块这套方案在中等算力的边缘设备上能做到单帧20毫秒以内足够应对每分钟几十个果实的实时分拣节奏。本文还有配套的精品资源点击获取 基于ShuffleNet的菠萝成熟度分类：轻量级CNN实战与部署指南
简介面向图像分类与轻量级网络实战的菠萝成熟度分级项目采用ShuffleNet对8个不同成熟阶段进行分类适合希望快速上手CNN迁移学习或落地小型图像分类任务的开发者。压缩包共2000个文件以jpg样本图为主辅以Python训练/推理脚本、readme说明、txt配置与json标签映射整体约201MB目录结构清晰便于按需取用。数据划分明确训练集4808张、测试集806张各级别按文件夹存放便于理解数据组织方式。项目附带完整训练好的权重文件在测试集上达到87%准确率并采用cos学习率自动衰减训练50轮预测脚本可自动输出Top-3类别并绘制在图上换用自定义数据时readme也给出了明确说明。已有124人学习下载可直接运行验证也可基于此实验轻量级CNN的分类效果。1. 为什么轻量级CNN ShuffleNet更适合菠萝成熟度分类果园采收线与分拣机上判断菠萝成熟度靠的不是数果眼而是观察果皮由深绿转向金黄的色相过程。按阶段细分到8类时模型要能在工控机甚至嵌入式摄像头里实时跑还得在强光、遮挡、镜头偏色下保持稳定。大模型在这个场景里不仅浪费算力推理延迟塞不满分拣节拍。ShuffleNet这类经典轻量级CNN把单张224×224图像的FLOPs控制在几百M以内却在ImageNet上保持了可用的精度靠的是分组卷积加channel shuffle的思路既压低计算量又让不同通道组之间的特征得以交换。这篇文章围绕一个真实需求展开如何用PyTorch把ShuffleNet训练成能区分8个成熟度阶段的图像分类器并最终落地到边缘推理环境适合做农业视觉、工业质检和移动端分类的工程师直接抄作业。2. ShuffleNet网络结构拆解与8类菠萝成熟度的适配设计2.1 分组卷积的代价通道之间的信息孤岛ShuffleNet识别度最高的设计是pointwise group convolution也就是对1×1卷积也做分组。普通1×1卷积的参数量是输入通道数乘输出通道数分组数为g时每组只看输入通道的1/g参数量和计算量都降为原来的1/g。这在移动端很划算但代价也明显同一组卷积核永远接触不到其他组的输入特征组与组之间形成信息孤岛。在菠萝成熟度分类里这个缺陷会被放大——判断成熟度需要把果皮绿色区域的占比、黄色区域的饱和度、果眼附近的褐变程度联合起来看这些特征分别落在不同通道里。如果底层卷积从一开始就把通道切成互不往来的几组后续网络很难学到跨特征组合能力。2.2 channel shuffle如何打破信息孤岛ShuffleNet给出的解决办法非常简单在两层分组卷积之间把输出通道做一次均匀打乱再重新分组。打乱操作本身不引入任何参数只是一次reshape、转置再变形的过程。这样下一层分组卷积的每组输入里都包含上一层各个组的产出信息在组间开始流动。import torch def channel_shuffle(x, groups): # 输入形状: [B, C, H, W] B, C, H, W x.shape # 将通道分成 groups 组每组 C // groups 个通道 x x.view(B, groups, C // groups, H, W) # 把分组维度和组内通道维度交换实现均匀打乱 x x.transpose(1, 2).contiguous() return x.view(B, C, H, W)这里的关键参数是groups。groups设为1时退化成普通卷积信息完全自由流动但计算量也回到原始水平groups设为8时计算量极小但打乱后单组通道数太少特征表达力受限。在菠萝成熟度这种颜色主导的细粒度任务上我一般用groups3或4能在不损失精度的情况下把计算量压低约三到四倍。2.3 从ShuffleNet v1到v2网络单元的变化ShuffleNet v1的基础单元是瓶颈结构先用1×1分组卷积压缩通道再做3×3深度卷积提取空间特征最后用1×1分组卷积扩张通道。步长为2的单元还会在旁路用3×3平均池化下采样最后把两分支结果拼接起来。v2则吸取了当时对轻量网络设计准则的分析改动更大不再整支卷积而是把输入通道对半分成两个分支一个分支直接恒等映射另一个分支做深度卷积和两个1×1卷积最后把两个分支的输出拼接再做channel shuffle。v2还去掉了两个1×1分组卷积之间的打乱因为拼接操作本身已经完成了信息交换减少一次内存拷贝。现在torchvision直接提供shufflenet_v2系列且带有ImageNet预训练权重做8类成熟度分类时直接用它更可靠。以shufflenet_v2_x1_0为例各阶段输出张量形状如下。网络阶段输出形状通道数变化作用Conv1 MaxPool24×112×1123 → 24浅层边缘、颜色斑块Stage248×56×5624 → 48果眼、纹理局部模式Stage396×28×2848 → 96绿色与黄色区域组合Stage4192×14×1496 → 192全局面块与成熟度证据Conv5 GlobalPool1024×7×7192 → 1024高维语义特征聚合Stage2到Stage4每个阶段由若干ShuffleUnit堆叠x1_0版本的堆叠数分别是4、8、4groups默认固定为2输出的1024维向量接一个全连接层映射到1000类。做8类成熟度分类时只需要替换最后这个全连接层。2.4 8类成熟度与网络输出层的适配8类成熟度本质是有序标签从完全青绿到过度成熟呈递进关系。把最后一个线性层输出改为8即可但要让网络充分理解相邻类别之间的相似性不能只靠改输出维度。比较常见的做法是保留ImageNet预训练权重的浅层和中层只冻结前几层让最后几个阶段在菠萝数据上充分微调因为果皮颜色特征和ImageNet里的自然物体纹理相近浅层不需要大改。import torch.nn as nn from torchvision import models from torchvision.models import ShuffleNet_V2_X1_0_Weights net models.shufflenet_v2_x1_0(weightsShuffleNet_V2_X1_0_Weights.IMAGENET1K_V1) # 替换最后的全连接层输出8个成熟度阶段 net.fc nn.Linear(1024, 8) # 冻结前三个特征阶段只微调最后一个阶段和全连接层 for name, param in net.named_parameters(): if name.startswith(features.4) or name.startswith(fc): param.requires_grad True else: param.requires_grad False这种部分微调在数据量只有几百张的情况下比全量微调更稳能避免小数据集上浅层特征被破坏。如果后续采集到几千张图我会把冻结层数减半让更多层级适应菠萝特有的光泽表面和拍摄环境。3. 8种菠萝成熟度数据集的制作、标签与预处理3.1 成熟度阶段的定义与标注标准做分类项目第一步不是选模型而是把8个类别的定义定清楚。菠萝成熟度目前没有完全统一的工业标准业界通常按果皮黄化比例结合果眼颜色来分段。下面这套标准是从田间分级实践里归纳出来的用颜色过渡作为主依据方便标注人员看图打标。阶段类别名称果皮黄化比例典型外观特征stage0深绿期0%果皮全绿果眼未凸起stage1黄绿初期1% – 25%基部泛黄中下部仍绿stage2黄绿中期25% – 50%黄色向果眼中部延伸stage3黄绿后期50% – 75%顶部残留绿色整体偏黄stage4近全黄期75% – 95%果眼间黄中带橙绿色仅存缝隙stage5全黄期95% – 100%果皮整体金黄果眼变深stage6过熟早期100% 并出现褐斑果眼周围出现水渍状褐斑stage7腐烂期褐变面积扩大果皮发暗有明显发酵味标注时如果有歧义我一般让两个人独立标同一批图计算标注一致性。Kappa值低于0.7的图片直接丢弃因为这些样本通常处于两个阶段的模糊边界让模型硬学反而会把决策边界搅乱。最终留下的数据集按训练集、验证集、测试集7:2:1划分并且保证同一颗菠萝不同角度的照片全部落在同一个集合里避免数据泄漏导致验证指标虚高。3.2 目录结构与标签加载整理成标准目录结构是最省事的做法后续无论是用torchvision的ImageFolder还是自己写数据类都能直接读。pineapple_dataset/ train/ stage0_deep_green/ stage1_yellow_green_early/ stage2_yellow_green_mid/ stage3_yellow_green_late/ stage4_near_full_yellow/ stage5_full_yellow/ stage6_overripe_early/ stage7_rotten/ val/ stage0_deep_green/ ... test/ stage0_deep_green/ ...用ImageFolder加载时类别顺序按目录名排序stage0到stage7刚好对应标签0到7。这里有个容易踩的坑目录名里不要带下划线以外的特殊字符否则在Windows和Linux之间拷贝后sort顺序可能不一致导致标签错位。3.3 预处理与数据增强配置菠萝成熟度分类里颜色是核心信号但网络不能只依赖整体色相。我常用下面这套预处理管线除了常规随机裁剪和翻转外特意把色相抖动范围调小。from torchvision import transforms train_transform transforms.Compose([ transforms.RandomResizedCrop(224, scale(0.7, 1.0)), transforms.RandomHorizontalFlip(), transforms.RandomRotation(20), transforms.ColorJitter( brightness0.25, contrast0.2, saturation0.2, hue0.03 ), transforms.ToTensor(), transforms.Normalize(mean[0.485, 0.456, 0.406], std[0.229, 0.224, 0.225]) ]) val_transform transforms.Compose([ transforms.Resize(256), transforms.CenterCrop(224), transforms.ToTensor(), transforms.Normalize(mean[0.485, 0.456, 0.406], std[0.229, 0.224, 0.225]) ])hue0.03是刻意压小的。成熟度判断完全建立在绿色到黄色的演进上色相抖动超过0.05就可能把一个stage2的样本变成stage3的样子反而引入错误标签。brightness和contrast可以稍大一些因为果园里光照变化剧烈模型需要在不同曝光下稳定判断。RandomResizedCrop的scale从0.7开始不会裁掉太多全局颜色信息同时能模拟不同拍摄距离带来的尺度变化。如果某个阶段图像特别少不要直接复制粘贴同一张图进训练集那会加重过拟合。更合理的做法是用MixUp或者CutMix在图像层面混合两个阶段样本让网络学会更平滑的决策边界。def mixup_batch(images, labels, alpha0.2): lam torch.distributions.Beta(alpha, alpha).sample() perm torch.randperm(images.size(0)) mixed lam * images (1 - lam) * images[perm] return mixed, labels, labels[perm], lamMixUp的beta分布参数alpha取0.2时混合程度比较轻适合成熟度这种相邻类别本身就有连续过渡的任务。混合后的两个标签都要参与损失计算这正好呼应成熟度有序分类的特点网络输出不再要求对某一张模糊图片强行给出单点判断而是学会同时响应两个相邻阶段。4. 用PyTorch训练ShuffleNet完成菠萝成熟度图像分类4.1 训练策略选择SGD配合余弦退火轻量网络在中小规模数据集上微调我优先选带动量的SGD而不是AdamW。SGD配合余弦退火虽然收敛慢一点但最终泛化性通常更好。ShuffleNet的BN层比较多batch size不要设太小否则BN统计量抖动会让训练早期很不稳定。单卡训练常用下面是参数配置。超参数取值设定理由batch size32兼顾BN稳定性与显存占用初始学习率0.01迁移学习下SGD常用起点动量0.9标准配置权重衰减1e-4抑制过拟合不宜超过5e-4训练轮数40余弦退火到eta_min1e-5标签平滑0.1缓解过拟合且容忍相邻类相似性学习率如果用的是0.1ShuffleNet这类带BatchNorm的网络前几轮会容易发散。0.01配batch size32是一个比较稳的组合。epoch设40轮不是固定的我一般看验证集acc曲线的波动幅度连续7轮不上升就早停。4.2 完整训练循环下面给出可直接运行的训练循环框架重点标出了成熟度分类特有的评估逻辑。import torch import torch.nn as nn from torch.utils.data import DataLoader from torchvision.datasets import ImageFolder from torch.optim import SGD from torch.optim.lr_scheduler import CosineAnnealingLR from sklearn.metrics import cohen_kappa_score, classification_report def train_one_epoch(model, loader, criterion, optimizer): model.train() total_loss, correct, total 0.0, 0, 0 for images, labels in loader: images, labels images.cuda(), labels.cuda() optimizer.zero_grad() logits model(images) loss criterion(logits, labels) loss.backward() optimizer.step() total_loss loss.item() * images.size(0) correct (logits.argmax(1) labels).sum().item() total images.size(0) return total_loss / total, correct / total def evaluate(model, loader): model.eval() all_preds, all_labels [], [] with torch.no_grad(): for images, labels in loader: images images.cuda() preds model(images).argmax(1).cpu() all_preds.extend(preds.tolist()) all_labels.extend(labels.tolist()) acc1 sum(p t for p, t in zip(all_preds, all_labels)) / len(all_labels) # 线性加权Kappa用于衡量有序分类的贴近程度 kappa cohen_kappa_score(all_labels, all_preds, weightslinear) return acc1, kappa model net.cuda() train_loader DataLoader(ImageFolder(pineapple_dataset/train, train_transform), batch_size32, shuffleTrue, num_workers4) val_loader DataLoader(ImageFolder(pineapple_dataset/val, val_transform), batch_size32, shuffleFalse, num_workers4) criterion nn.CrossEntropyLoss(label_smoothing0.1) optimizer SGD(model.parameters(), lr0.01, momentum0.9, weight_decay1e-4) scheduler CosineAnnealingLR(optimizer, T_max40, eta_min1e-5) best_kappa 0.0 for epoch in range(40): train_loss, train_acc train_one_epoch(model, train_loader, criterion, optimizer) val_acc, val_kappa evaluate(model, val_loader) scheduler.step() print(fEpoch {epoch1:02d} loss{train_loss:.4f} acc{train_acc:.3f} fval_acc{val_acc:.3f} kappa{val_kappa:.3f}) if val_kappa best_kappa: best_kappa val_kappa torch.save(model.state_dict(), shufflenet_pineapple_best.pt)这里评估指标用了两层准确率只是粗看模型整体判断对多少线性加权Kappa才是真正衡量有序分类质量的指标。Kappa把判错一个阶段和判错三个阶段区别对待比如把stage5判成stage4比判成stage0情有可原。注意训练循环里model要事先换成微调状态上面代码块里的model变量是第2章定义的net。4.3 损失函数针对有序标签的细节调整CrossEntropyLoss的label_smoothing0.1对这个任务帮助很大。8类菠萝成熟度的标签噪声主要集中在相邻阶段平滑后的目标分布给相邻类别留了少量概率模型就不会为了强行区分两个非常接近的成熟度阶段而过度放大颜色差异从而降低过拟合。有些项目会在CrossEntropy之外再加一个序数回归损失比如让相邻类别的输出logits差值保持合理范围。我实测在数据量只有几百张时这种额外损失项反而容易让训练不稳定不如label smoothing加MixUp的组合平滑。如果数据量超过2000张再考虑更复杂的有序损失也不迟。4.4 训练结果怎么看关注混淆矩阵而非单点acc训练结束后一定要看混淆矩阵。8类成熟度里相邻阶段的混淆是正常的如果stage1的图大量被分成stage0说明黄化比例阈值定得太紧标注标准需要调整但如果是stage1和stage6互相混淆那说明网络学到的根本不是颜色特征更像是在记忆背景或拍摄角度属于数据集的背景偏差问题。这时候我会检查训练集里每个类别的图像背景是否一致必要时做背景抠除或增加多样背景的采集。5. ShuffleNet模型在边缘设备上的量化与部署训练完成只是开始菠萝分拣场景里模型通常要跑在Jetson Nano、RK3588这类设备上甚至要集成到工业相机内。ShuffleNet本身已经够轻但推理速度还能通过量化进一步压榨。PyTorch的静态量化对ShuffleNet v2支持得比较完整因为它的拼接和深度卷积都在量化算子覆盖范围内。import torch.quantization as quant model_fp32 net.cuda().eval() model_fp32.fuse_model() # 融合ConvBNReLU model_fp32.qconfig quant.get_default_qconfig(fbgemm) quant.prepare(model_fp32, inplaceTrue) # 用验证集前100张图做校准 with torch.no_grad(): for i, (images, _) in enumerate(val_loader): if i 32: break model_fp32(images.cpu()) quant.convert(model_fp32, inplaceTrue) torch.save(model_fp32.state_dict(), shufflenet_pineapple_int8.pt)校准样本不能太少50张以下得到的量化scale参数对颜色极端情况的适配会很差菠萝病害果和正常果的激活值分布差异大最少用100张覆盖各个成熟阶段。量化后再跑一遍测试集Kappa下降不超过0.02就算合格。部署时有几个经验值得记一下。channel shuffle虽然理论计算量接近零但实际推理时涉及transpose和contiguous在部分NPU上会产生额外内存拷贝反而比同规格的MobileNet慢。遇到这种情况我会把最后的分类头输出从8类接到BN层之前保持模型结构不变只做算子融合减少一次ReLU。ONNX导出时注意opset要设成16以上避免channel shuffle被序列化成低效的Gather算子。dummy_input torch.randn(1, 3, 224, 224) torch.onnx.export( model, dummy_input, shufflenet_pineapple.onnx, input_names[input], output_names[logits], opset_version17, dynamoFalse )导出后建议用onnxruntime直接验证一遍输出确认与PyTorch结果对齐。最后把推理封装成一个接收摄像头帧的函数内部先做CenterCrop和Normalize再跑ONNX Runtime输出8个logits中取值最大的索引作为成熟度阶段。配合流水线上的速度控制模块这套方案在中等算力的边缘设备上能做到单帧20毫秒以内足够应对每分钟几十个果实的实时分拣节奏。本文还有配套的精品资源点击获取