做“36种水果和蔬菜识别”这个项目的时候我其实并没有把它当成一个简单的分类任务来处理。PyTorch框架、深度卷积网络模型、照片连续识别和视频识别这几个关键词拼在一起意味着这个项目要同时兼顾精度、速度、部署灵活性和工程化落地。它不光是训练一个模型跑通准确率更要解决真实场景里的连续帧推理、类别混淆、光照干扰、实时性能优化这些棘手问题。我最初是在一次线下活动里看到有人演示果蔬识别的Demo现场摆了一堆真实果蔬摄像头一扫就能在屏幕上圈出名字和置信度。当时我就觉得这东西“看着简单做起来全是细节”。尤其是你要从静态照片识别过渡到视频流识别时模型推理的稳定性、延迟控制、误判处理每一项都够你折腾一阵子。这篇文章把我踩过的坑、验证过的方法、调参心得全部整理出来适合想用PyTorch做视觉分类项目、或者正准备从“单张图片识别”升级到“连续帧/视频识别”的开发者参考。1. 项目整体设计与技术选型思路1.1 需求拆解36类果蔬识别到底考什么很多人拿到这类题目第一反应是“找个预训练模型fine-tune一把完事”。但实际操作起来你会发现这个任务对模型的要求比想象中高得多。首先36个类别不是小数目。普通的二分类或者十分类模型随便一调就能收敛得很好。但到了36个类别而且很多果蔬长得非常像比如“青苹果”和“青梨”容易误判“土豆”和“山药”在部分角度下几乎以假乱真模型必须能够提取到足够细粒度的特征才能区分开。这就要求特征提取网络不能太浅也不能在降采样过程中丢失细节信息。其次任务不只是单张图片识别。标题里明确写了“照片连续识别”和“视频识别”。这带来了两个新问题第一连续帧之间特征高度相似模型需要保持输出的稳定性不能出现前一帧是“香蕉”、后一帧忽然变成“黄瓜”这种跳变第二视频推理对速度敏感如果一帧要处理几百毫秒那基本没办法做到实时。这两个约束直接决定了模型选型和推理策略后面我会详细展开。1.2 为什么选PyTorch框架做这个项目选择PyTorch不是因为它是“最流行的”框架而是因为这个项目的开发节奏决定了它是最合适的。整个项目分三个阶段实验阶段、优化阶段、部署阶段。在实验阶段我需要频繁修改模型结构比如更换不同版本的卷积块、调整注意力机制插入位置、对比不同损失函数的效果。PyTorch的动态图机制让这些操作变得非常顺手改完立刻能跑不用像静态图那样先构图再执行调试成本低很多。在优化阶段我需要用TensorBoard看训练曲线用TorchScript导出模型做推理加速测试PyTorch对这些工具的生态支持非常成熟。在部署阶段我可以用PyTorch自带的量化工具把模型压缩到适合边缘设备运行的大小也可以用ONNX导出对接其他推理框架。还有一个很实际的原因PyTorch的预训练模型库非常丰富从ResNet到EfficientNet、ConvNeXttorchvision.models里基本都能找到。这种“拿来即用”的预训练权重对于果蔬识别这种数据集规模有限的场景来说简直是救命稻草。因为从头训练一个深度卷积网络至少需要百万级的数据量而我们手里的果蔬数据集可能只有几千到几万张不加载预训练权重的话模型很难学出足够泛化的特征。1.3 深度卷积网络模型的选型对比我在实验阶段分别试了ResNet50、EfficientNet-B0和ConvNeXt-Tiny三个模型下面这张表是我在相同训练条件下得到的结果对比模型参数量Top-1准确率单帧推理耗时CPU单帧推理耗时GPUResNet5025.6M94.2%约 240ms约 8msEfficientNet-B05.3M93.8%约 380ms约 11msConvNeXt-Tiny28.6M95.1%约 520ms约 15ms表面上看ConvNeXt准确率最高但它的计算量和推理延迟也最大。如果这个项目只需要做单张照片识别那我肯定无脑选ConvNeXt。可问题是还需要视频识别视频要保证流畅度推理延迟必须控制在比较低的水平否则画面会明显卡顿。我最终选择了ResNet50作为主干网络。原因很简单它在准确率和推理速度之间取得了最好的平衡点。准确率94.2%和95.1%之间的差距可以通过数据增强、模型集成、后处理平滑等手段来弥补但推理速度的差距在视频识别场景下是比较难通过软件手段来抹平的。另外ResNet50作为经典的残差网络它的结构非常稳定不会有EfficientNet那种深度可缩放带来的训练不稳定问题也不会有ConvNeXt那种对训练策略要求较高的麻烦。提示如果部署的目标平台是嵌入式设备比如树莓派或者移动端ARM芯片建议优先考虑MobileNetV3或者ShuffleNetV2这类轻量级网络。它们虽然精度略低但推理速度有质的提升。不过要把精度拉回来就得在数据增强和蒸馏上多下功夫了。2. 数据集准备与预处理细节2.1 数据来源与目录组织方案数据是深度学习项目的地基。36种果蔬识别的训练数据我采用了多条腿走路的收集方式一部分来自公开数据集一部分是拿手机在超市、菜市场拍的实拍图还有一部分是从视频里截取的帧。整个数据集的组织方式遵循PyTorch的ImageFolder标准结构dataset/ train/ apple/ 001.jpg 002.jpg ... banana/ orange/ ... val/ apple/ banana/ orange/ ...每个类别一个文件夹文件夹名就是类别标签。PyTorch的torchvision.datasets.ImageFolder可以自动读取这种结构按照文件夹名生成标签索引不需要手动写标签映射省去了不少麻烦。这里我想重点强调一个问题类别ID的映射关系。文件夹名的排序会影响最终标签的数字编号比如文件夹按字母序排列时apple可能是0banana可能是1。这个映射在训练和推理阶段必须保持一致。我踩过一次坑训练时数据加载正常但推理阶段我手动写了一个类别名称到ID的映射结果顺序搞错了导致模型把梨识别成橙子。后来我把映射表保存成了一个固定的JSON文件训练和推理都从同一个文件读取映射关系彻底解决了这个问题。2.2 预处理流程与数据增强策略果蔬识别这个场景预处理有一个非常重要的点颜色空间的稳定性。水果和蔬菜的类别区分很大程度上依赖颜色信息。比如红苹果和青苹果光是颜色特征就能决定它们的归属。因此我在预处理阶段没有做过度亮度和对比度调整而是以保留原始颜色信息为主。核心预处理流程如下import torchvision.transforms as transforms train_transforms transforms.Compose([ transforms.RandomResizedCrop(224, scale(0.6, 1.0)), transforms.RandomHorizontalFlip(), transforms.RandomRotation(15), transforms.ColorJitter(brightness0.2, contrast0.2, saturation0.2, hue0.05), transforms.ToTensor(), transforms.Normalize(mean[0.485, 0.456, 0.406], std[0.229, 0.224, 0.225]) ]) val_transforms 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]) ])这里说几个关键参数的选择逻辑RandomResizedCrop的scale范围我设成了0.6到1.0也就是裁剪后保留原图的60%到100%。这是因为果蔬在图片里通常占据主要位置如果裁剪得太狠只保留局部可能会导致模型学到错误的局部特征比如看到一小块红色就认为是苹果。ColorJitter里hue只设了0.05很小。果蔬识别对色相变化极其敏感如果hue抖动过大绿色的青椒可能被增强成紫色的模型会学到错误的信息。归一化用ImageNet的均值和标准差。这个操作可能很多初学者不理解归一化并不是必须匹配训练数据的真实分布而是为了保持和预训练权重的输入分布一致。因为预训练模型是在ImageNet上训练的它的权重期望看到的是“经过ImageNet统计量归一化”的图片。如果你用了自己的统计量相当于人为改变了输入分布预训练权重就发挥不出应有的效果了。2.3 类别不均衡与难样本处理36个类别的数据量很难做到绝对均衡。有些常见果蔬比如苹果、香蕉、土豆图片数量可能有上千张而有些相对少见的比如榴莲、火龙果、杨桃可能只有两三百张。我在统计数据集类别分布时发现最多的类别和最少的类别之间差了将近4倍。如果直接拿不均衡的数据去训练模型会偏向样本量大的类别。针对这个问题我做了两件事第一件事是对样本量少的类别进行过采样。在PyTorch里我通过设置WeightedRandomSampler来实现给样本少的类别分配更高的采样概率让每个batch里各类别出现的频率更均衡。第二件事是在损失函数层面做了调整选用了Focal Loss替代传统的交叉熵损失。Focal Loss的设计初衷是解决目标检测里的类别不均衡问题它的核心思路是降低易分样本的权重让模型更聚焦于难分的样本。class FocalLoss(nn.Module): def __init__(self, alpha0.25, gamma2.0): super().__init__() self.alpha alpha self.gamma gamma def forward(self, inputs, targets): ce_loss nn.functional.cross_entropy(inputs, targets, reductionnone) pt torch.exp(-ce_loss) focal_loss self.alpha * (1 - pt) ** self.gamma * ce_loss return focal_loss.mean()这里alpha参数控制正负样本权重gamma参数控制难易样本的调节力度。对于果蔬识别这种场景我把alpha设为0.25gamma设为2.0效果比默认交叉熵损失要好尤其是像“土豆”和“山药”这类容易混淆的类别误判率明显下降了。3. 模型训练实战与关键参数配置3.1 迁移学习与冻结策略用预训练权重做迁移学习是果蔬识别这类小规模数据集的必由之路。我在加载权重时用了一个非常关键的策略分阶段微调。第一个阶段冻结backbone的所有层只训练最后的全连接分类头。这时候网络相当于只把预训练模型当做一个特征提取器全连接层需要从零学习“提取到的特征”和“36个类别”之间的映射关系。这个阶段我用较大学习率快速把分类头训练到一个合理的水平。import torchvision.models as models model models.resnet50(weightsmodels.ResNet50_Weights.IMAGENET1K_V2) num_ftrs model.fc.in_features model.fc nn.Linear(num_ftrs, 36) # 冻结backbone for param in model.parameters(): param.requires_grad False for param in model.fc.parameters(): param.requires_grad True optimizer torch.optim.SGD(model.fc.parameters(), lr0.01, momentum0.9)第二个阶段解冻backbone的后半部分也就是layer3和layer4和全连接层一起参与训练。前面layer1和layer2提取的是边缘、纹理、颜色块等通用特征这些特征本身质量很高不需要大幅调整而layer3和layer4提取的是更高层的语义特征更接近果蔬类别的区分信息需要针对任务做微调。这个阶段学习率要降低到原来的十分之一甚至百分之一防止破坏预训练权重中已经学好的底层特征。# 解冻 layer3 和 layer4 for name, param in model.named_parameters(): if layer3 in name or layer4 in name or fc in name: param.requires_grad True optimizer torch.optim.SGD( filter(lambda p: p.requires_grad, model.parameters()), lr0.001, momentum0.9, weight_decay1e-4 )为什么要分阶段而不是一次性全部微调因为一次性全部微调时随机初始化的分类头会产生巨大的梯度回传很容易把预训练好的backbone参数冲坏。先冻结backbone、把分类头训好再逐步解冻深层相当于给模型一个“预热”的过程训练稳定性会好很多。3.2 优化器与学习率调度细节优化器我最终选了SGD而不是Adam。这个决策可能和很多人的直觉相反但实际效果确实更好。Adam在训练初期收敛快但后期容易在最优解附近震荡很难收敛到更平坦的极小值点SGD虽然收敛慢一些配合合适的学习率调度最后精度往往更高。这在图像分类任务里是个比较经典的经验SGDmomentum是图像分类微调的首选配置。学习率调度我用的是CosineAnnealingLR配合一个预热阶段。预热阶段用线性升温在5个epoch内把学习率从0逐步升到目标值避免模型刚开始训练时因为学习率过大而梯度爆炸。之后学习率按余弦曲线周期性下降让模型在训练后期逐步逼近最优解。scheduler torch.optim.lr_scheduler.SequentialLR( optimizer, schedulers[ torch.optim.lr_scheduler.LinearLR(optimizer, start_factor0.1, total_iters5), torch.optim.lr_scheduler.CosineAnnealingLR(optimizer, T_max45, eta_min1e-6) ], milestones[5] )这里T_max45是个需要重点解释的参数。余弦退火的原理是学习率从初始值逐步下降到eta_min一个周期结束之后就重新涨回初始值。如果T_max太大学习率下降得太慢训练后期模型更新幅度过大无法精细收敛如果T_max太小学习率下降太快模型还没来得及充分探索就进入收敛期精度不够。根据我多次实验的经验总训练轮次50轮、T_max设为45轮是比较合适的比例。3.3 训练监控与过拟合应对训练过程中我同时看三个指标训练损失、验证损失和验证准确率。很多初学者只盯着验证准确率看这是不够的。准确率是一个离散指标对模型变化的反应不那么敏感损失是一个连续的指标能够更细腻地反映模型是否过拟合。如果验证损失下降了但验证准确率不动说明模型在接近决策边界附近有优化空间如果训练损失一直在下降而验证损失开始回升这是过拟合的典型信号。我用几个方法来防止过拟合最有效的就是数据增强我在前面的预处理里已经做了比较充分的增强但训练到20轮以后我又开始叠加更激进的增强方式。用CutMix和MixUp做样本混合增强。CutMix会把一张图片的一部分区域裁剪下来粘贴到另一张图片上标签也跟着混合MixUp则是把两张图片做像素级的线性叠加。这两种方法相当于无限扩充了训练样本的多样性对缓解过拟合效果显著。第二个方法是随机失活Dropout。我在全连接层之前加了一个Dropout层失活概率设为0.3。虽然ResNet本身有一定的正则化能力但加一个Dropout层在全连接层和之前的特征之间制造一点“信息阻断”能强迫模型不要过度依赖某一个特征维度。第三个方法很朴素但也很有用提前停止。我设定了一个规则验证集准确率连续8个epoch都没有提升就保存当前最优模型并停止训练。这不是偷懒而是防止模型在过拟合区间做了太多无意义的训练。4. 照片连续识别与视频识别的工程化实现4.1 连续识别方案从单张推理到文件夹批量处理照片连续识别最典型的场景是用户上传一组照片系统需要连续识别每张图片并汇总结果。这个功能看起来简单但实现层面有一些坑需要注意。我采用的方案是按文件夹读取图片逐张推理结果统一汇总。目录结构大概是这样的import os from PIL import Image import torch def predict_folder(folder_path, model, transform, device): model.eval() results [] with torch.no_grad(): for img_name in sorted(os.listdir(folder_path)): if not img_name.lower().endswith((.jpg, .jpeg, .png)): continue img_path os.path.join(folder_path, img_name) img Image.open(img_path).convert(RGB) tensor transform(img).unsqueeze(0).to(device) probs torch.softmax(model(tensor), dim1) pred_idx probs.argmax(dim1).item() pred_name idx_to_name[pred_idx] confidence probs[0, pred_idx].item() results.append({ image: img_name, label: pred_name, confidence: confidence }) return results这里有两个细节很多人会忽略。第一个是Image.open之后要调用convert(RGB)。有些图片实际是灰度图或者带透明通道的PNG如果不转成RGB模型可能会吃到四通道或者单通道输入直接报错或者推理结果异常。第二个是sorted排序。连续识别有时候需要保持和文件夹内文件顺序一致的结果输出sorted可以保证Windows和Linux环境下文件顺序的一致性避免因为文件系统差异导致结果顺序错乱。单张图片推理时还有一个很重要的置信度阈值问题。36类果蔬识别模型即使对错误类别也会给出一个不低的置信度分数。比如一张空白背景的照片模型可能也会以70%的置信度把它判成某个类别。我设置了一个阈值小于等于0.65的判断为“无法识别”输出结果是unknown而不是强行给出一个类别名。阈值怎么定用验证集来调。我统计了所有错误样本的最大置信度再把阈值放在最大错误置信度和最小正确置信度之间最终选定了0.65这个值。4.2 视频识别全流程解析视频识别比图片识别复杂一个量级核心思路是把视频帧拆解出来逐帧推理再对连续帧的结果做平滑处理。整个流程分四步第一步用OpenCV读取视频流。import cv2 cap cv2.VideoCapture(video_path) fps cap.get(cv2.CAP_PROP_FPS) total_frames int(cap.get(cv2.CAP_PROP_FRAME_COUNT))这里需要注意视频帧率的问题。常见视频的帧率是25fps或30fps如果每一帧都做推理推理速度达不到帧率要求时就会出现抽帧现象画面明显不流畅。我的方案是不追求每一帧都推理而是设定一个推理间隔。比如模型单帧推理耗时为100ms那么每秒可以处理10帧相当于在原视频的25帧里每2到3帧抽一帧识别。第二步帧预处理。视频帧是OpenCV读进来的BGR格式而模型训练时用的是RGB格式这里必须做颜色通道转换。同时还需要把帧从原始分辨率缩放到模型输入的224x224。这个缩放方式也有讲究直接用cv2.resize拉伸会改变图片比例导致果蔬形状变形我使用的是等比缩放加中心裁剪保持图片内容不变形。第三步批量推理与结果收集。这里有一个性能优化技巧。与其一张一张地推理不如把连续几帧拼接成一个batch一起推理这样能充分利用GPU的并行计算能力。我用torch.cat把多帧经过预处理的Tensor拼接在一个batch维度上一次推理得到多帧结果。frames_batch [] for frame_idx in sample_indices: tensor transform(frame).unsqueeze(0) frames_batch.append(tensor) frames_tensor torch.cat(frames_batch, dim0) with torch.no_grad(): logits model(frames_tensor.to(device)) probs torch.softmax(logits, dim1)第四步滑窗平滑处理。视频识别里最扎眼的问题就是识别结果抖动。比如一个梨在视频里被连续识别了10帧梨、1帧苹果、再接着5帧梨如果不做后处理画面上类别标签会跳来跳去观感极差。我的解决方案是滑窗投票。维护一个大小为5帧的结果窗口对窗口内的类别进行投票得票最多的类别作为当前帧的最终识别结果。这个思路类似信号处理里的滑动平均滤波能有效消除偶发误判。效果很直观随着窗口变大识别稳定性提升但代价是响应延迟增加窗口内第一次出现的新类别需要等几帧才能反映到最终结果上。针对这个权衡5帧是我实测中体验最好的值。4.3 视频识别性能优化三板斧视频识别要做实时模型推理速度是重中之重。我从三个层面做了优化第一个层面是模型层面的优化。在确保精度不跌太多的情况下我对ResNet50做了一次“瘦身”。具体是把layer4中的3x3卷积替换成深度可分离卷积参数量降低了约20%推理速度提升约15%精度只掉了0.3%。这个方法不是通用的但对果蔬分类这种对小感受野不极端敏感的任务效果不错。第二个层面是推理层面的优化。利用torch.no_grad()关闭梯度计算是基础操作更关键的是开启cudnn.benchmarktorch.backends.cudnn.benchmark True这个设置可以让cuDNN自动寻找当前输入尺寸下的最优卷积算法。虽然它会带来第一次运行的自动调优开销但后续每一帧的推理都会显著加速在视频识别这种连续推理场景下非常划算。第三个层面是数据层面的优化。如果视频分辨率是1080p模型输入只需要224x224中间有大量像素是无效计算。我把解码器和预处理做了流水线优化先用OpenCV快速缩放帧到256x256再做中心裁剪替代先完整存储1080p帧再做变换的方式。看起来这只是工程细节实际上对于视频场景来说这一招能把每帧处理的延迟降低一半以上。5. 常见问题与排查技巧实录5.1 训练阶段损失函数不收敛的排查思路我在训练这个模型时遇到过一次损失值一直不降的情况训练了10个epoch损失函数在2.8附近震荡完全没有收敛迹象。排查过程是这样的先检查学习率发现学习率设置过高初始值0.1太大了导致梯度更新幅度过大模型在损失面上的位置不断震荡。降到0.01之后损失开始正常下降。接着又发现第二个问题数据增强里的RandomRotation(15)配了一个大角度的随机旋转导致部分样本被旋转后果蔬的主要特征被扭曲得太厉害模型很难学到稳定的特征。旋转角度改回10度以内这个问题就消失了。损失不收敛时不要盲目调模型结构按这个顺序排查学习率是否合适数据增强是否过于激进标签是否错位batch_size是否过小导致梯度噪声过大。5.2 视频识别阶段连续帧识别结果跳变我刚把模型接到视频流上时出现了非常明显的识别抖动。一个苹果的连续画面里大约每隔5到8帧就会出现一次错误预测有时候甚至连续错好多次。这个问题的根源有两方面一是视频帧之间天然存在轻微的运动模糊和光照变化模型对低质量帧的鲁棒性不够二是没有做任何帧间平滑单帧的误判直接反映到了输出上。我做了三个修正第一滑窗投票平滑输出选用5帧窗口把偶发的误判过滤掉了第二在预处理阶段增加了轻微的高斯模糊去除噪声虽然会让图像轻微变糊但连续帧的稳定性提升非常明显第三对置信度做EMA时间滤波让置信度指标本身也平滑化避免因为置信度的突然波动造成阈值判断的抖动。5.3 易混淆类别辨析技巧36类果蔬里最让我头疼的是以下几组高相似对易混淆组合误判原因针对性策略青苹果 vs 青梨颜色相同形状差异小增加不同拍摄角度的青苹果/青梨样本训练阶段对这两类做更多旋转增强土豆 vs 山药表皮颜色和纹理接近引入更多不同表面状态样本模型需要同时看形状和表皮纹理特征橘子和橙子部分品种颜色和形状非常接近增加纹理特征输入在预处理中适当放大图像让模型看到更细微的表皮颗粒红色甜椒 vs 番茄某些角度颜色接近、表面反光相似依赖形态特征区分增加更多侧视角度的训练数据针对易混淆类别一个非常有效的技巧是困难样本挖掘。我写了一个脚本在验证集上自动找出所有被错误分类的样本单独归到一个“hard_examples”文件夹里。然后用这些困难样本做一次额外的微调。这个过程相当于给模型“重点补课”专门纠正它的薄弱环节。5.4 部署推理阶段的常见坑推理阶段最大的坑是最小矩形的差异。换机器的场景很常见我在一台机器上训练好的模型拿到另一台没有GPU的机器上做推理。如果直接用torch.load加载权重文件有时候会因为缺少依赖版本不对而报错。我的经验是存档时用state_dict()而不是整个模型对象加载时用torch.load(map_locationcpu)显式指定CPU这样能避免很多设备匹配相关的问题。另一个坑是类别映射表丢失。我在迭代模型版本时更新过一次类别顺序结果旧模型和新模型虽然结构一样但类别ID对不上导致推理结果全乱了。后来我把类别映射表保存成JSON文件每次训练前都加载这个文件模型训练和推理都基于同一个映射表不再手动维护标签顺序。6. 项目落地效果与扩展思考6.1 最终效果评估整个项目跑完最终的模型在验证集上的Top-1准确率为94.2%Top-5准确率为98.7%。视频识别场景下在实验室自采的果蔬视频片段上测试识别帧率达到每秒约15帧GPU滑窗平滑后类别跳变的频率从平均每分钟8次降低到了每分钟不到1次。说句实话这里还有一个值得分享的判断94.2%的准确率看起来不错但离“真正能用”还是有一点距离的。在真实场景里光照变化、遮挡、果蔬的不同成熟度都会让模型面临新的挑战。我有一次在户外自然光下测试准确率直接掉到了88%左右。所以如果想把这个项目真正落地到实际场景必须针对使用场景重新收集数据做领域自适应。6.2 后续可以扩展的方向果蔬识别这个项目做下来之后可扩展的方向其实很多。我个人比较推荐以下几个第一是目标检测化。目前做的是分类任务前提是图片中有一个明确的主要果蔬。但如果一张图里有多种果蔬分类模型就搞不定了。可以把模型升级为YOLO或者Faster R-CNN这类检测模型输出一个或多个检测框每个框对应一种果蔬。这样从“这是什么果蔬”升级到“画面上哪里有果蔬”应用场景一下子宽了很多。第二是模型轻量化。如果要在手机端或者嵌入式设备上部署当前ResNet50的体量偏大。可以尝试知识蒸馏用一个轻量级网络比如MobileNetV3作为学生模型用当前训练好的ResNet50在大量无标签数据上产生软标签来训练学生模型在保持精度的同时大幅压缩模型体积。第三是在线学习。实际使用中可能会遇到新的果蔬品种比如不同地域的独特品种不在36类范围内。这时候可以设计一个人工反馈机制当模型置信度低时让用户手动输入正确类别把样本加入训练集做增量学习。这个方向对工程能力的要求更高但它在实际落地中的价值非常大。最后再分享一个我在整个项目中后期才意识到的心得图像分类项目里模型结构和训练技巧固然重要但数据质量的决定性权重往往被低估了。我把训练集中所有图片人工过了一遍挑出了几十张标签错误的样本、几十张模糊得连人都没法判断的图片把这些脏数据清理掉之后验证集准确率直接提升了将近2个百分点。这个提升幅度比调整任何模型参数都来得大。所以不管用多好的网络结构花时间整理数据永远是最划算的投资。