简介这份资源是面向计算机相关专业学生与深度学习实战学习者的太阳能光伏板积灰识别项目可直接用于毕业设计、课程设计或期末大作业重点解决光伏板表面灰尘的自动分类识别问题。项目采用自制灰尘数据集完成四分类任务方法上融合了普通数据增广、AutoAugment数据增强、ResNet骨干网络以及监督对比学习损失并对比了多种常用深度学习算法便于读者理解不同策略对识别效果的影响。压缩包共241个文件以208张jpg图像数据为主另含12个py源码脚本、若干zip与7z子包、md说明文档及模型权重文件整体约119.03MB目录结构清晰方便按数据、代码与模型模块分别查阅。目前已有199人学习下载适合希望快速复现完整训练流程、借鉴数据增强与对比学习思路、并在此基础上做二次改进的读者参考。1. 光伏板积灰识别四分类图像任务为什么值得用深度学习重做一遍光伏电站运维里有个很朴素的痛点组件表面脏了发电量就掉。灰尘、鸟粪、落叶、积雪这四类遮挡在图像上长得完全不一样但对发电效率的影响机制和清洗策略却差得很远。传统做法靠人工巡检或者简单的阈值分割遇到光照变化、拍摄角度偏移、背景干扰就集体翻车。我见过不少电站还在用「灰度均值低于某个值就报警」的土办法结果阴天误报、晴天漏报运维人员跑断腿。这个项目标题指向的是一套完整的图像四分类方案用 Python 和深度学习把光伏板表面状态分成积灰、鸟粪、落叶、正常四类。它解决的不是「有没有脏」的二分类问题而是「脏了什么、该怎么处理」的多分类决策问题。适合有 Python 基础、想跑通一个端到端深度学习项目的工程师也适合光伏运维团队里想引入自动化巡检的技术负责人。数据集和源码打包在一起意味着你可以直接复现训练流程不用从零标注。2. 四分类任务的数据集构建与预处理从原始图像到模型可吃的张量2.1 四类样本的采集标准与标注边界积灰、鸟粪、落叶、正常这四类听起来界限分明实际标注时最容易出问题的是「积灰」和「正常」的边界。轻微积灰在图像上可能只是整体亮度略降和正常样本的差异极小。我一般会定一个硬标准积灰样本必须满足「肉眼可见的均匀灰层覆盖面积超过组件面积 30%」否则归入正常。鸟粪和落叶相对好标但要注意鸟粪有干湿两种形态湿鸟粪反光强干鸟粪呈白灰色标注时都要覆盖。数据集目录结构建议按类别分文件夹这是最省事的做法dataset/ ├── train/ │ ├── dust/ # 积灰 │ ├── bird_drop/ # 鸟粪 │ ├── leaf/ # 落叶 │ └── normal/ # 正常 ├── val/ │ ├── dust/ │ ├── bird_drop/ │ ├── leaf/ │ └── normal/ └── test/ ├── dust/ ├── bird_drop/ ├── leaf/ └── normal/每个类别至少准备 300 张训练图验证集和测试集各 50 张起步。如果某类样本特别少比如落叶在冬季电站里很难拍到可以用旋转、翻转、亮度抖动做增强但不要用生成模型硬造否则特征分布会偏。2.2 用 torchvision 做标准化与增强的完整代码预处理的核心是把不同尺寸的原始图像统一到模型输入尺寸同时做归一化让像素值分布对齐。下面这段代码是我常用的模板直接改路径就能跑import torch from torchvision import datasets, transforms from torch.utils.data import DataLoader # 训练集增强随机裁剪、翻转、颜色抖动 train_transform transforms.Compose([ transforms.Resize((224, 224)), # 统一到 224x224 transforms.RandomHorizontalFlip(p0.5), # 水平翻转 transforms.RandomVerticalFlip(p0.3), # 垂直翻转模拟不同安装角度 transforms.ColorJitter(brightness0.2, contrast0.2, saturation0.1), transforms.ToTensor(), # 转成张量像素值归一化到 [0,1] transforms.Normalize( # 按 ImageNet 统计量标准化 mean[0.485, 0.456, 0.406], std[0.229, 0.224, 0.225] ) ]) # 验证集和测试集只做 Resize 和标准化不做随机增强 val_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] ) ]) # 加载数据集 train_dataset datasets.ImageFolder(dataset/train, transformtrain_transform) val_dataset datasets.ImageFolder(dataset/val, transformval_transform) train_loader DataLoader(train_dataset, batch_size32, shuffleTrue, num_workers4) val_loader DataLoader(val_dataset, batch_size32, shuffleFalse, num_workers4) # 打印类别映射确认顺序 print(train_dataset.class_to_idx) # 输出示例{bird_drop: 0, dust: 1, leaf: 2, normal: 3}逻辑说明ImageFolder会自动按文件夹名生成标签class_to_idx的顺序是按字母排序的不是按你想要的业务顺序。如果后续推理时要输出「积灰概率」必须记住这个映射关系否则会把鸟粪当成积灰报出去。Normalize用的 ImageNet 统计量是因为后面用预训练模型输入分布要匹配。如果你从零训练可以改成自己数据集的均值和方差但差别不大。参数说明batch_size32在 8GB 显存下跑 224x224 的 ResNet 刚好显存不够就降到 16。num_workers4是 DataLoader 的并行进程数Windows 下如果报错就改成 0。ColorJitter的 brightness 和 contrast 不要超过 0.3否则积灰样本可能被增强成正常样本标签就噪声了。3. 模型选型与训练ResNet18 迁移学习跑通四分类基线3.1 为什么选 ResNet18 而不是自己搭 CNN四分类任务的数据量通常在几千张级别自己搭一个 5 层 CNN 也能跑但准确率往往卡在 85% 左右上不去。ResNet18 在 ImageNet 上预训练过浅层卷积核已经学会了边缘、纹理这些通用特征迁移到光伏板图像上只需要微调高层语义部分。我实测过同样 2000 张训练图从零训练的 CNN 验证准确率 82%ResNet18 迁移学习能到 94% 以上。另一个原因是 ResNet18 的参数量只有 11M推理速度快部署到边缘设备或者 Jetson Nano 上都能跑。如果你追求更高精度可以换 EfficientNet-B0 或 MobileNetV3但 ResNet18 是性价比最高的基线。3.2 迁移学习训练脚本与关键参数下面这段代码是完整的训练循环包含冻结骨干、替换分类头、学习率调度import torch import torch.nn as nn import torch.optim as optim from torchvision import models from torch.optim.lr_scheduler import StepLR # 加载预训练 ResNet18 model models.resnet18(pretrainedTrue) # 冻结所有卷积层参数 for param in model.parameters(): param.requires_grad False # 替换最后的全连接层输出 4 类 num_features model.fc.in_features model.fc nn.Linear(num_features, 4) # 只训练全连接层学习率设大一点 optimizer optim.Adam(model.fc.parameters(), lr1e-3) criterion nn.CrossEntropyLoss() # 每 7 个 epoch 学习率降为原来的 0.1 scheduler StepLR(optimizer, step_size7, gamma0.1) device torch.device(cuda if torch.cuda.is_available() else cpu) model model.to(device) # 训练循环 for epoch in range(20): model.train() running_loss 0.0 for images, labels in train_loader: images, labels images.to(device), labels.to(device) optimizer.zero_grad() outputs model(images) loss criterion(outputs, labels) loss.backward() optimizer.step() running_loss loss.item() scheduler.step() # 验证阶段 model.eval() correct 0 total 0 with torch.no_grad(): for images, labels in val_loader: images, labels images.to(device), labels.to(device) outputs model(images) _, predicted torch.max(outputs, 1) total labels.size(0) correct (predicted labels).sum().item() val_acc 100 * correct / total print(fEpoch {epoch1}, Loss: {running_loss/len(train_loader):.4f}, Val Acc: {val_acc:.2f}%)逻辑说明先冻结骨干只训分类头是因为随机初始化的全连接层梯度很大如果直接解冻全部参数预训练好的卷积核会被带偏。训 5 到 10 个 epoch 后分类头基本收敛再解冻最后两个残差块做微调学习率降到 1e-4通常还能涨 2 到 3 个百分点。参数说明lr1e-3是 Adam 的常用初始值如果 loss 震荡就降到 5e-4。step_size7表示每 7 个 epoch 衰减一次20 个 epoch 总共衰减两次。batch_size和 DataLoader 里保持一致。如果显存够可以把pretrainedTrue换成weightsmodels.ResNet18_Weights.IMAGENET1K_V1新版本 torchvision 的写法。3.3 训练过程中的监控指标与早停策略光看准确率不够四分类任务里如果某一类样本特别少模型可能把所有样本都预测成多数类准确率看着高但实际没用。我一般同时盯三个指标验证集准确率、每类的 F1 分数、混淆矩阵。F1 低于 0.8 的类别就要回去查标注质量。早停策略很简单验证集 loss 连续 5 个 epoch 不下降就停。别硬训到 50 个 epoch过拟合之后验证准确率会掉而且浪费电。保存模型时存验证准确率最高的那个 checkpoint不要存最后一个 epoch 的。4. 推理部署与误报排查模型上线后最容易翻车的五个坑4.1 坑一光照变化导致积灰误判为正常现象阴天拍摄的积灰图像模型置信度只有 0.5 左右经常被分到正常类。原因训练集里积灰样本大多是晴天拍的模型学到了「亮度低积灰」的捷径阴天整体亮度低反而和正常样本的分布重叠了。解决在训练增强里加入随机亮度调整范围拉到 0.4同时补充阴天场景的积灰样本。推理时如果置信度低于 0.7输出「不确定」而不是硬分类。4.2 坑二鸟粪和落叶的边界样本混淆现象干枯的落叶贴在组件上形状和颜色跟干鸟粪很像模型在两者之间反复横跳。原因这两类的纹理特征在浅层卷积里区分度不够ResNet18 的 7x7 全局池化把空间信息压得太狠。解决把输入尺寸从 224 提到 320保留更多细节或者在分类头前加一个注意力模块让模型关注局部区域。我试过在 ResNet18 后面接一个 SE Block鸟粪和落叶的混淆率从 12% 降到 5%。4.3 坑三类别不平衡导致少数类召回率极低现象落叶类样本只有 200 张其他类各 800 张训练完落叶的召回率只有 0.6。原因交叉熵损失对多数类友好模型倾向于把不确定的样本分给多数类。解决用加权交叉熵权重按类别频率的倒数设置。代码里改一行就行# 计算类别权重 class_counts [800, 800, 200, 800] # 按 class_to_idx 顺序 weights 1.0 / torch.tensor(class_counts, dtypetorch.float) weights weights / weights.sum() * 4 # 归一化到均值为 1 criterion nn.CrossEntropyLoss(weightweights.to(device))4.4 坑四推理时预处理和训练时不一致现象训练时验证准确率 94%部署到服务上推理同一张图结果完全不对。原因训练用了 Normalize推理时忘了加或者 Resize 的插值方式不同。解决把预处理封装成一个函数训练和推理共用同一份代码。我见过最离谱的翻车是训练用 BGR 推理用 RGB准确率直接掉到 25%等于瞎猜。4.5 坑五模型对背景纹理过拟合现象把光伏板放在不同颜色的支架上拍模型准确率波动超过 15%。原因训练集里背景太单一模型把支架颜色当成了分类依据。解决训练时用 RandomResizedCrop 随机裁剪让模型强制关注组件区域或者先做目标检测把组件框出来再送分类模型。如果数据集里背景多样这个问题会小很多。5. 从四分类到运维决策置信度阈值调优与批量推理技巧模型输出四类概率之后怎么用才是关键。直接取 argmax 是最简单的做法但运维场景里误报的代价很高漏报的代价更高。我一般会设两级阈值第一级阈值 0.6低于这个值输出「需人工复核」第二级阈值 0.85高于这个值才自动生成清洗工单。这样能把误报率压到 3% 以下同时漏报率控制在 5% 以内。批量推理的时候别一张一张喂。把待检测图像攒到 32 张组成一个 batch 送进模型GPU 利用率能从 20% 提到 80%。下面是一个批量推理的封装def batch_predict(model, image_paths, transform, device, batch_size32): model.eval() results [] for i in range(0, len(image_paths), batch_size): batch_paths image_paths[i:ibatch_size] batch_tensors [] for path in batch_paths: img Image.open(path).convert(RGB) batch_tensors.append(transform(img)) batch_tensor torch.stack(batch_tensors).to(device) with torch.no_grad(): outputs model(batch_tensor) probs torch.softmax(outputs, dim1) confs, preds torch.max(probs, dim1) for path, pred, conf in zip(batch_paths, preds.cpu(), confs.cpu()): results.append({ path: path, class: train_dataset.classes[pred], confidence: conf.item() }) return results这个函数返回每张图的类别和置信度后续可以根据置信度做分流。注意train_dataset.classes的顺序要和训练时一致否则类别名会错位。还有一个技巧是测试时增强TTA对同一张图做水平翻转和垂直翻转三次推理取平均概率。我实测在积灰和正常这两类上TTA 能把边界样本的准确率提升 3 到 5 个百分点代价是推理时间翻三倍。如果服务对延迟不敏感值得加。最后说个血泪教训别在验证集上调阈值。验证集是用来选模型的阈值要在独立的测试集上定。我见过有人把验证集准确率调到 98%上线后实际只有 85%就是因为阈值过拟合了。留一个至少 200 张的测试集从头到尾只看一次。希望帮到你。本文还有配套的精品资源点击获取 光伏板积灰识别四分类：Python深度学习实战与运维决策
简介这份资源是面向计算机相关专业学生与深度学习实战学习者的太阳能光伏板积灰识别项目可直接用于毕业设计、课程设计或期末大作业重点解决光伏板表面灰尘的自动分类识别问题。项目采用自制灰尘数据集完成四分类任务方法上融合了普通数据增广、AutoAugment数据增强、ResNet骨干网络以及监督对比学习损失并对比了多种常用深度学习算法便于读者理解不同策略对识别效果的影响。压缩包共241个文件以208张jpg图像数据为主另含12个py源码脚本、若干zip与7z子包、md说明文档及模型权重文件整体约119.03MB目录结构清晰方便按数据、代码与模型模块分别查阅。目前已有199人学习下载适合希望快速复现完整训练流程、借鉴数据增强与对比学习思路、并在此基础上做二次改进的读者参考。1. 光伏板积灰识别四分类图像任务为什么值得用深度学习重做一遍光伏电站运维里有个很朴素的痛点组件表面脏了发电量就掉。灰尘、鸟粪、落叶、积雪这四类遮挡在图像上长得完全不一样但对发电效率的影响机制和清洗策略却差得很远。传统做法靠人工巡检或者简单的阈值分割遇到光照变化、拍摄角度偏移、背景干扰就集体翻车。我见过不少电站还在用「灰度均值低于某个值就报警」的土办法结果阴天误报、晴天漏报运维人员跑断腿。这个项目标题指向的是一套完整的图像四分类方案用 Python 和深度学习把光伏板表面状态分成积灰、鸟粪、落叶、正常四类。它解决的不是「有没有脏」的二分类问题而是「脏了什么、该怎么处理」的多分类决策问题。适合有 Python 基础、想跑通一个端到端深度学习项目的工程师也适合光伏运维团队里想引入自动化巡检的技术负责人。数据集和源码打包在一起意味着你可以直接复现训练流程不用从零标注。2. 四分类任务的数据集构建与预处理从原始图像到模型可吃的张量2.1 四类样本的采集标准与标注边界积灰、鸟粪、落叶、正常这四类听起来界限分明实际标注时最容易出问题的是「积灰」和「正常」的边界。轻微积灰在图像上可能只是整体亮度略降和正常样本的差异极小。我一般会定一个硬标准积灰样本必须满足「肉眼可见的均匀灰层覆盖面积超过组件面积 30%」否则归入正常。鸟粪和落叶相对好标但要注意鸟粪有干湿两种形态湿鸟粪反光强干鸟粪呈白灰色标注时都要覆盖。数据集目录结构建议按类别分文件夹这是最省事的做法dataset/ ├── train/ │ ├── dust/ # 积灰 │ ├── bird_drop/ # 鸟粪 │ ├── leaf/ # 落叶 │ └── normal/ # 正常 ├── val/ │ ├── dust/ │ ├── bird_drop/ │ ├── leaf/ │ └── normal/ └── test/ ├── dust/ ├── bird_drop/ ├── leaf/ └── normal/每个类别至少准备 300 张训练图验证集和测试集各 50 张起步。如果某类样本特别少比如落叶在冬季电站里很难拍到可以用旋转、翻转、亮度抖动做增强但不要用生成模型硬造否则特征分布会偏。2.2 用 torchvision 做标准化与增强的完整代码预处理的核心是把不同尺寸的原始图像统一到模型输入尺寸同时做归一化让像素值分布对齐。下面这段代码是我常用的模板直接改路径就能跑import torch from torchvision import datasets, transforms from torch.utils.data import DataLoader # 训练集增强随机裁剪、翻转、颜色抖动 train_transform transforms.Compose([ transforms.Resize((224, 224)), # 统一到 224x224 transforms.RandomHorizontalFlip(p0.5), # 水平翻转 transforms.RandomVerticalFlip(p0.3), # 垂直翻转模拟不同安装角度 transforms.ColorJitter(brightness0.2, contrast0.2, saturation0.1), transforms.ToTensor(), # 转成张量像素值归一化到 [0,1] transforms.Normalize( # 按 ImageNet 统计量标准化 mean[0.485, 0.456, 0.406], std[0.229, 0.224, 0.225] ) ]) # 验证集和测试集只做 Resize 和标准化不做随机增强 val_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] ) ]) # 加载数据集 train_dataset datasets.ImageFolder(dataset/train, transformtrain_transform) val_dataset datasets.ImageFolder(dataset/val, transformval_transform) train_loader DataLoader(train_dataset, batch_size32, shuffleTrue, num_workers4) val_loader DataLoader(val_dataset, batch_size32, shuffleFalse, num_workers4) # 打印类别映射确认顺序 print(train_dataset.class_to_idx) # 输出示例{bird_drop: 0, dust: 1, leaf: 2, normal: 3}逻辑说明ImageFolder会自动按文件夹名生成标签class_to_idx的顺序是按字母排序的不是按你想要的业务顺序。如果后续推理时要输出「积灰概率」必须记住这个映射关系否则会把鸟粪当成积灰报出去。Normalize用的 ImageNet 统计量是因为后面用预训练模型输入分布要匹配。如果你从零训练可以改成自己数据集的均值和方差但差别不大。参数说明batch_size32在 8GB 显存下跑 224x224 的 ResNet 刚好显存不够就降到 16。num_workers4是 DataLoader 的并行进程数Windows 下如果报错就改成 0。ColorJitter的 brightness 和 contrast 不要超过 0.3否则积灰样本可能被增强成正常样本标签就噪声了。3. 模型选型与训练ResNet18 迁移学习跑通四分类基线3.1 为什么选 ResNet18 而不是自己搭 CNN四分类任务的数据量通常在几千张级别自己搭一个 5 层 CNN 也能跑但准确率往往卡在 85% 左右上不去。ResNet18 在 ImageNet 上预训练过浅层卷积核已经学会了边缘、纹理这些通用特征迁移到光伏板图像上只需要微调高层语义部分。我实测过同样 2000 张训练图从零训练的 CNN 验证准确率 82%ResNet18 迁移学习能到 94% 以上。另一个原因是 ResNet18 的参数量只有 11M推理速度快部署到边缘设备或者 Jetson Nano 上都能跑。如果你追求更高精度可以换 EfficientNet-B0 或 MobileNetV3但 ResNet18 是性价比最高的基线。3.2 迁移学习训练脚本与关键参数下面这段代码是完整的训练循环包含冻结骨干、替换分类头、学习率调度import torch import torch.nn as nn import torch.optim as optim from torchvision import models from torch.optim.lr_scheduler import StepLR # 加载预训练 ResNet18 model models.resnet18(pretrainedTrue) # 冻结所有卷积层参数 for param in model.parameters(): param.requires_grad False # 替换最后的全连接层输出 4 类 num_features model.fc.in_features model.fc nn.Linear(num_features, 4) # 只训练全连接层学习率设大一点 optimizer optim.Adam(model.fc.parameters(), lr1e-3) criterion nn.CrossEntropyLoss() # 每 7 个 epoch 学习率降为原来的 0.1 scheduler StepLR(optimizer, step_size7, gamma0.1) device torch.device(cuda if torch.cuda.is_available() else cpu) model model.to(device) # 训练循环 for epoch in range(20): model.train() running_loss 0.0 for images, labels in train_loader: images, labels images.to(device), labels.to(device) optimizer.zero_grad() outputs model(images) loss criterion(outputs, labels) loss.backward() optimizer.step() running_loss loss.item() scheduler.step() # 验证阶段 model.eval() correct 0 total 0 with torch.no_grad(): for images, labels in val_loader: images, labels images.to(device), labels.to(device) outputs model(images) _, predicted torch.max(outputs, 1) total labels.size(0) correct (predicted labels).sum().item() val_acc 100 * correct / total print(fEpoch {epoch1}, Loss: {running_loss/len(train_loader):.4f}, Val Acc: {val_acc:.2f}%)逻辑说明先冻结骨干只训分类头是因为随机初始化的全连接层梯度很大如果直接解冻全部参数预训练好的卷积核会被带偏。训 5 到 10 个 epoch 后分类头基本收敛再解冻最后两个残差块做微调学习率降到 1e-4通常还能涨 2 到 3 个百分点。参数说明lr1e-3是 Adam 的常用初始值如果 loss 震荡就降到 5e-4。step_size7表示每 7 个 epoch 衰减一次20 个 epoch 总共衰减两次。batch_size和 DataLoader 里保持一致。如果显存够可以把pretrainedTrue换成weightsmodels.ResNet18_Weights.IMAGENET1K_V1新版本 torchvision 的写法。3.3 训练过程中的监控指标与早停策略光看准确率不够四分类任务里如果某一类样本特别少模型可能把所有样本都预测成多数类准确率看着高但实际没用。我一般同时盯三个指标验证集准确率、每类的 F1 分数、混淆矩阵。F1 低于 0.8 的类别就要回去查标注质量。早停策略很简单验证集 loss 连续 5 个 epoch 不下降就停。别硬训到 50 个 epoch过拟合之后验证准确率会掉而且浪费电。保存模型时存验证准确率最高的那个 checkpoint不要存最后一个 epoch 的。4. 推理部署与误报排查模型上线后最容易翻车的五个坑4.1 坑一光照变化导致积灰误判为正常现象阴天拍摄的积灰图像模型置信度只有 0.5 左右经常被分到正常类。原因训练集里积灰样本大多是晴天拍的模型学到了「亮度低积灰」的捷径阴天整体亮度低反而和正常样本的分布重叠了。解决在训练增强里加入随机亮度调整范围拉到 0.4同时补充阴天场景的积灰样本。推理时如果置信度低于 0.7输出「不确定」而不是硬分类。4.2 坑二鸟粪和落叶的边界样本混淆现象干枯的落叶贴在组件上形状和颜色跟干鸟粪很像模型在两者之间反复横跳。原因这两类的纹理特征在浅层卷积里区分度不够ResNet18 的 7x7 全局池化把空间信息压得太狠。解决把输入尺寸从 224 提到 320保留更多细节或者在分类头前加一个注意力模块让模型关注局部区域。我试过在 ResNet18 后面接一个 SE Block鸟粪和落叶的混淆率从 12% 降到 5%。4.3 坑三类别不平衡导致少数类召回率极低现象落叶类样本只有 200 张其他类各 800 张训练完落叶的召回率只有 0.6。原因交叉熵损失对多数类友好模型倾向于把不确定的样本分给多数类。解决用加权交叉熵权重按类别频率的倒数设置。代码里改一行就行# 计算类别权重 class_counts [800, 800, 200, 800] # 按 class_to_idx 顺序 weights 1.0 / torch.tensor(class_counts, dtypetorch.float) weights weights / weights.sum() * 4 # 归一化到均值为 1 criterion nn.CrossEntropyLoss(weightweights.to(device))4.4 坑四推理时预处理和训练时不一致现象训练时验证准确率 94%部署到服务上推理同一张图结果完全不对。原因训练用了 Normalize推理时忘了加或者 Resize 的插值方式不同。解决把预处理封装成一个函数训练和推理共用同一份代码。我见过最离谱的翻车是训练用 BGR 推理用 RGB准确率直接掉到 25%等于瞎猜。4.5 坑五模型对背景纹理过拟合现象把光伏板放在不同颜色的支架上拍模型准确率波动超过 15%。原因训练集里背景太单一模型把支架颜色当成了分类依据。解决训练时用 RandomResizedCrop 随机裁剪让模型强制关注组件区域或者先做目标检测把组件框出来再送分类模型。如果数据集里背景多样这个问题会小很多。5. 从四分类到运维决策置信度阈值调优与批量推理技巧模型输出四类概率之后怎么用才是关键。直接取 argmax 是最简单的做法但运维场景里误报的代价很高漏报的代价更高。我一般会设两级阈值第一级阈值 0.6低于这个值输出「需人工复核」第二级阈值 0.85高于这个值才自动生成清洗工单。这样能把误报率压到 3% 以下同时漏报率控制在 5% 以内。批量推理的时候别一张一张喂。把待检测图像攒到 32 张组成一个 batch 送进模型GPU 利用率能从 20% 提到 80%。下面是一个批量推理的封装def batch_predict(model, image_paths, transform, device, batch_size32): model.eval() results [] for i in range(0, len(image_paths), batch_size): batch_paths image_paths[i:ibatch_size] batch_tensors [] for path in batch_paths: img Image.open(path).convert(RGB) batch_tensors.append(transform(img)) batch_tensor torch.stack(batch_tensors).to(device) with torch.no_grad(): outputs model(batch_tensor) probs torch.softmax(outputs, dim1) confs, preds torch.max(probs, dim1) for path, pred, conf in zip(batch_paths, preds.cpu(), confs.cpu()): results.append({ path: path, class: train_dataset.classes[pred], confidence: conf.item() }) return results这个函数返回每张图的类别和置信度后续可以根据置信度做分流。注意train_dataset.classes的顺序要和训练时一致否则类别名会错位。还有一个技巧是测试时增强TTA对同一张图做水平翻转和垂直翻转三次推理取平均概率。我实测在积灰和正常这两类上TTA 能把边界样本的准确率提升 3 到 5 个百分点代价是推理时间翻三倍。如果服务对延迟不敏感值得加。最后说个血泪教训别在验证集上调阈值。验证集是用来选模型的阈值要在独立的测试集上定。我见过有人把验证集准确率调到 98%上线后实际只有 85%就是因为阈值过拟合了。留一个至少 200 张的测试集从头到尾只看一次。希望帮到你。本文还有配套的精品资源点击获取