1. 食品图片分类实战:从数据准备到半监督学习
在计算机视觉领域,图片分类一直是最基础也最实用的任务之一。今天我要分享的是一个真实的食品分类项目,通过这个案例你将掌握如何用PyTorch构建完整的图像分类流程,特别是如何利用半监督学习提升模型性能。这个项目我曾在实际业务中应用,效果显著提升了对新品类食品的识别准确率。
食品分类看似简单,但在实际业务场景中会遇到几个典型挑战:类别间相似度高(比如不同种类的面包)、拍摄角度多变、标注成本高昂。针对这些问题,我们采用了数据增强、迁移学习和半监督学习的组合方案。下面我会从环境配置开始,逐步拆解每个关键环节的实现细节。
需要模型API调用? 免费领10W Token,多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 环境配置与可复现性保障
2.1 随机种子固定方法
深度学习项目的第一要务就是确保实验结果可复现。很多开发者遇到过这种情况:同样的代码两次运行结果却不同,这通常是因为随机性因素导致的。在我们的食品分类项目中,我采用了全面的随机种子固定方案:
python复制def seed_everything(seed):
torch.manual_seed(seed) # 固定PyTorch CPU的随机种子
torch.cuda.manual_seed(seed) # 固定当前GPU的随机种子
torch.cuda.manual_seed_all(seed) # 固定所有GPU的随机种子
torch.backends.cudnn.benchmark = False # 关闭cuDNN的自动优化
torch.backends.cudnn.deterministic = True # 使用确定性算法
random.seed(seed) # 固定Python随机模块
np.random.seed(seed) # 固定NumPy随机种子
os.environ['PYTHONHASHSEED'] = str(seed) # 固定哈希种子
关键细节:
cudnn.benchmark=False和deterministic=True这对组合特别重要。cuDNN默认会寻找最优卷积算法,但这个选择过程是非确定性的。强制使用确定性算法虽然可能损失少量性能,但能确保每次计算结果一致。
2.2 环境依赖管理
建议使用conda创建专属环境:
bash复制conda create -n food_classify python=3.8
conda activate food_classify
pip install torch==1.12.1+cu113 torchvision==0.13.1+cu113 -f https://download.pytorch.org/whl/torch_stable.html
pip install numpy pillow tqdm matplotlib
3. 数据处理与增强策略
3.1 数据预处理流程
食品图片通常存在尺寸不一、背景杂乱等问题,我们的预处理流程专门针对这些特点设计:
python复制HW = 224 # 统一缩放尺寸
train_transform = transforms.Compose([
transforms.ToPILImage(), # 转换为PIL格式
transforms.RandomResizedCrop(224), # 随机裁剪并缩放
transforms.RandomRotation(50), # ±50度随机旋转
transforms.RandomHorizontalFlip(), # 水平翻转
transforms.ColorJitter(brightness=0.2, contrast=0.2, saturation=0.2), # 颜色扰动
transforms.ToTensor(), # 转为Tensor并归一化
transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]) # ImageNet标准化
])
val_transform = transforms.Compose([
transforms.ToPILImage(),
transforms.Resize(256), # 先缩放到256x256
transforms.CenterCrop(224), # 中心裁剪224x224
transforms.ToTensor(),
transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225])
])
实战经验:对于食品图片,颜色扰动(ColorJitter)特别有效。不同光照条件下拍摄的同一食品颜色差异很大,这个增强可以提升模型对颜色变化的鲁棒性。
