从零构建舌象诊断系统：数据、模型与Web全栈实战

简介：本资源是一套面向计算机专业本科生的毕业设计与课程设计实践项目，聚焦中医舌诊智能化落地，基于深度学习技术构建端到端舌象识别与辅助诊断系统。项目涵盖图像采集预处理、ResNet50/Attention-CNN模型训练、轻量化部署及简易GUI交互界面开发，适用于AI医疗入门实践、课程设计选题或毕设原型开发。压缩包共184个文件，含54个核心Python脚本（含数据加载、模型定义、训练推理逻辑）、61张标注舌象JPEG/JPG样本、40个编译后pyc文件、14个配置与说明txt、7个模型参数及标签映射json文件，以及UI界面文件、字体资源与文档说明，整体体积42.65MB，结构层次分明，便于模块化学习与调试。已有92人下载学习，配套《基于深度学习的舌象诊断系统学习路线》文档清晰梳理技术路径，并提供典型舌象样本与关键代码注释，助力快速理解中医图像识别的数据构建、模型调优与系统集成全流程。

1. 项目缘起：从“交作业”到“真有用”的舌诊系统

又到了一年一度的毕业设计和课程作业季，后台和私信里收到不少同学的询问，其中“基于深度学习的舌象诊断系统”这个题目出现的频率相当高。说实话，第一次看到这个题目，我下意识地觉得这可能又是一个为了“AI”而“AI”，为了“深度学习”而“深度学习”的“缝合怪”项目——无非是找个公开的舌象数据集，套上一个经典的图像分类网络（比如ResNet），训练一下，做个Web界面，然后交差。但当我真正沉下心来，以一个从业者而非学生的视角去审视这个课题时，我发现它远不止于此。它实际上是一个绝佳的、能够串联起计算机视觉、医学图像分析、Web全栈开发乃至产品思维的综合性实战项目。它考验的不仅仅是你调用API和跑通代码的能力，更是你对一个真实世界问题从理解、拆解到落地的完整工程化思维。

这个系统的核心价值是什么？它绝不仅仅是“识别舌苔是黄是白”那么简单。一个真正有价值的舌象诊断辅助系统，应该能够从一张用户上传的舌部照片中，自动化地提取出对中医诊断有意义的特征，比如舌质的颜色（淡红、红、绛紫）、舌苔的质地（薄、厚、腻、腐）、舌体的形态（胖大、瘦薄、齿痕）等，并基于这些特征，结合一定的先验知识或规则，给出初步的体质倾向或健康提示。这背后，涉及到图像预处理（如何去除嘴唇、牙齿等干扰，精准分割出舌体）、特征工程（如何定义和量化“厚腻”）、模型设计（是多标签分类还是分割+分类的混合任务）等一系列具体而微的挑战。完成这样一个系统，你收获的将不仅仅是一份能通过答辩的代码，更是一套解决“非标准场景下视觉任务”的方法论。

所以，无论你是正在为这个课题发愁的毕业生，还是对AI+医疗交叉领域感兴趣的开发者，这篇文章都将带你走一遍这个项目的完整实现路径。我会避开那些华而不实的理论堆砌，直接聚焦于“如何从零开始，做出一个在技术上扎实、在展示上有亮点、在思路上有深度的舌象诊断系统”。我们会从最头疼的数据准备开始，一步步聊到模型选型与训练、前后端开发，以及那些让项目从“及格”变“优秀”的细节打磨。准备好了吗？我们开始。

2. 基石构建：高质量舌象数据集的获取与处理之道

任何深度学习项目，数据都是命门。对于舌象诊断这种专业领域，公开、高质量、标注规范的数据集更是稀缺资源。很多同学项目卡壳，第一步就倒在了数据上。

2.1 数据来源的“野路子”与“正规军”

首先，我们必须正视现实：像ImageNet那样大规模、精细标注的舌象数据集是不存在的。我们的数据策略需要“多条腿走路”。

途径一：学术公开数据集（首选）这是最可靠、最合规的来源。虽然数量有限，但标注相对规范，可直接用于学术研究。你需要像侦探一样去挖掘：

• HIT-Tongue 和 TCM-GP：哈尔滨工业大学和中医药大学早期发布的数据集，虽然图片数量不多（几百到一千张），且图像质量参差不齐（早期手机拍摄），但提供了舌质、舌苔等基础标签，非常适合用于模型初版验证和算法原型开发。你可以在一些论文的补充材料或作者个人主页找到链接。
• 论文附属数据集：在Google Scholar、arXiv上搜索“tongue image classification”、“tongue segmentation”等关键词，仔细阅读近年来的顶会（如MICCAI）或期刊论文。许多作者为了可复现性，会提供自己数据集的下载链接或申请方式。这是获取较新、质量较高数据的重要渠道。
• Kaggle / Tianchi 等竞赛平台：偶尔会有中医AI相关的竞赛，其提供的数据集质量通常很高。即使比赛结束，数据集也往往保留可供下载。

注意：使用任何公开数据集前，务必仔细阅读其附带的许可协议（License）。明确是否允许用于商业用途、二次分发或毕业设计这类非纯学术研究。通常标注“仅用于科研”的，在毕业设计中引用并明确注明出处是没问题的。

途径二：网络爬虫与数据清洗（高风险，需谨慎）这是无奈之举，也是锻炼工程能力的地方。目标主要是医学论文中的示例图、中医科普网站的健康舌象图库等。

• 技术栈：requests+BeautifulSoup/Scrapy进行定向爬取。关键在于“定向”，避免侵犯版权和隐私。
• 核心挑战与处理：
  1. 版权与伦理：绝对不要爬取涉及个人隐私的医疗平台用户数据。只针对明确为科普、教学用途的公开图片，且最终项目展示时应模糊来源，仅作算法演示。
  2. 标注缺失：爬来的图片没有标签。你需要自己动手进行标注。这里就需要引入下一个关键工具。
  3. 质量混杂：网络图片光照、角度、背景差异极大，必须经过严格的清洗。

2.2 数据标注：从“人工”到“半自动”的进化

没有标注的数据就是垃圾。对于舌象，我们至少需要两种类型的标注：

1. 舌体分割标注：将舌体从背景（嘴唇、牙齿、脸部皮肤）中精确地分割出来。这是后续特征分析的基础。
2. 属性分类标注：对分割后的舌体，标注其“舌质颜色”（淡红、红、绛、紫）、“舌苔颜色”（白、黄、灰、黑）、“舌苔质地”（薄、厚、腻）等。

工具选择：

• LabelImg：适用于矩形框标注（Bounding Box），对于舌象这种不规则目标，框标注会引入大量背景噪声，不推荐作为主用。
• LabelMe / CVAT：支持多边形（Polygon）标注，非常适合舌体分割。LabelMe更轻量，CVAT功能更强大（支持团队协作、视频标注）。强烈推荐使用多边形进行精细分割标注。
• 自己写脚本进行半自动标注：这是让项目出彩的关键。你可以先用一个在公开数据集上预训练好的舌体分割模型（如U-Net）对你的爬取图片进行初步预测，生成一个粗糙的分割掩膜（Mask）。然后你只需要在LabelMe中打开图片和预测的Mask，在它的基础上进行微调修正，这比从零开始画多边形要快10倍以上。这个过程本身就体现了你的工程思维——用AI来辅助解决AI数据准备中的痛点。

2.3 数据预处理与增强：打造模型的“健壮胃”

原始数据直接丢给模型，效果一定很差。我们必须通过预处理和增强，模拟现实世界的各种情况，让模型变得“见多识广”。

预处理流程（Pipeline）：

1. 舌体区域提取：利用你标注好的分割Mask，从原图中抠出舌体区域，并将背景置为纯黑或纯白。这一步直接去除了最主要的干扰源（嘴唇、牙齿）。
2. 颜色校正：不同手机、不同光线下的照片色差极大。可以采用简单的白平衡算法（如灰度世界法）或更专业的颜色校正卡方法（如果你有条件拍摄时加入色卡）。一个务实的做法是，在数据集里统一将所有图片转换到LAB颜色空间，并对L通道进行直方图均衡化，以减轻光照影响，同时尽量保留A、B通道的颜色信息。
3. 分辨率统一：将抠出的舌体图像缩放到固定尺寸，如224x224或299x299，以适应后续的CNN输入。

数据增强（Data Augmentation）： 这里不能无脑地用ImageNet那套。舌象的增强必须符合医学图像的特性。

• 必须用（模拟拍摄差异）：随机水平翻转（舌头左右大致对称）、小幅度的旋转（±15度）和缩放（0.9-1.1倍）、轻微的亮度、对比度调整。
• 谨慎使用（可能改变医学特征）：剧烈的色彩抖动（HSV调整）要非常小心，因为舌质/苔的颜色是核心诊断依据，过度调整会扭曲真实特征。添加高斯噪声可以模拟低质量图片。
• 避免使用：垂直翻转（舌头不会倒着长）、大角度的旋转、透视变换，这些都会导致舌象形态发生不真实的畸变。

# 一个示例性的舌象数据增强Pipeline（使用Albumentations库） import albumentations as A transform = A.Compose([ A.Resize(224, 224), # 统一大小 A.HorizontalFlip(p=0.5), # 水平翻转 A.Rotate(limit=15, p=0.5), # 小角度旋转 A.RandomBrightnessContrast(brightness_limit=0.1, contrast_limit=0.1, p=0.5), # 微调亮度对比度 A.HueSaturationValue(hue_shift_limit=5, sat_shift_limit=10, val_shift_limit=5, p=0.3), # 极小幅度的色相饱和度调整 A.GaussNoise(var_limit=(5.0, 20.0), p=0.2), # 添加噪声 A.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]), # ImageNet均值标准差归一化 ])

我的踩坑经验：早期我尝试了过强的颜色增强，导致模型完全无法学会区分“白苔”和“黄苔”。后来发现，对于舌象，空间几何上的增强（翻转、旋转）可以大胆用，但颜色光谱上的增强必须极其克制。更好的做法是，在数据收集阶段就尽量保证光源的相对一致性，而不是指望增强来弥补。

3. 模型核心：是分类、分割还是多任务？

这是项目的技术心脏。直接套用ImageNet预训练模型做分类是最简单的，但也是最没有深度的。我们需要根据任务特性来设计或选择模型。

3.1 任务定义与模型架构选型

舌象诊断本质是一个细粒度图像分析问题，并且包含多个子任务。我推荐一种层次化的多任务学习框架，这比单一分类模型更有说服力。

方案一：端到端多标签分类（快速出活，基础版）

• 任务：将舌象诊断视为一个多标签分类问题。例如，定义标签为：[舌质_淡红， 舌质_红， 舌质_绛紫]， [舌苔_白， 舌苔_黄]， [舌苔_薄， 舌苔_厚]。
• 模型：使用在ImageNet上预训练的ResNet-50、EfficientNet-B3或DenseNet-121作为骨干网络（Backbone）。将其最后的全连接层替换为一个多输出的头部（Head）。例如，三个子全连接层，分别对应舌质颜色、舌苔颜色、舌苔质地的分类。
• 优点：实现简单，训练速度快，可以直接利用强大的预训练特征。
• 缺点：模型的可解释性差，像一个“黑盒”。它可能根据一些无关的噪声区域（如图像边缘）做出判断，而非真正关注舌体本身。

方案二：分割引导的多任务网络（推荐，进阶版）这是更能体现你技术深度的方案。

1. 第一阶段：舌体分割。使用一个轻量化的分割模型（如U-Net、DeepLabv3+的MobileNet版本），输入原始舌图，输出舌体的二值掩膜（Mask）。这个模型可以单独训练。
2. 第二阶段：特征提取与分类。
   • 将原始图像和分割出的Mask进行逐元素相乘，得到“纯净”的舌体区域图像（背景为黑）。
   • 将这张“纯净”舌图输入到一个分类骨干网络（如ResNet）。
   • 关键技巧：除了使用舌图本身的特征外，将分割模型编码器（Encoder）的中间层特征，通过跳跃连接（Skip Connection）或注意力机制，融合到分类网络的中间层。这样，分类网络不仅能“看到”舌体，还能“感知”到分割网络提取的舌体形状、边界等几何信息，这些信息对于判断“齿痕舌”、“胖大舌”至关重要。
3. 第三阶段：多任务输出。分类网络末端依然是多输出头部，用于各个属性的分类。

• 优点：
  • 可解释性强：分割步骤让模型和人都能明确关注区域，符合诊断逻辑。
  • 特征更鲁棒：通过Mask屏蔽了干扰，模型学习到的特征更纯粹。
  • 一石二鸟：分割模型和分类模型都可以作为独立的成果展示。
• 缺点：需要分割标注数据，训练流程更复杂，可能需要分阶段训练或设计更精巧的损失函数。

3.2 损失函数设计与训练技巧

模型结构定了，怎么教它学习是关键。

损失函数（Loss Function）：

• 分割任务：使用二值交叉熵损失（BCE Loss）或Dice Loss。Dice Loss对于像舌体这样前景/背景面积不平衡的目标效果通常更好。
• 分类任务（多标签）：每个子任务（如舌质颜色）都是一个多类分类，使用标准的交叉熵损失（CrossEntropy Loss）。但要注意，舌质颜色的几个类别（淡红、红、绛紫）可能是互斥的（单标签），而舌质颜色和舌苔颜色之间是并存的（多标签）。你需要为不同类型的输出头配置合适的损失。
• 多任务学习：总损失是各个任务损失的加权和。总损失 = w1 * 分割损失 + w2 * 舌质分类损失 + w3 * 舌苔颜色损失 + ...。权重的设置是个经验活，通常可以从1.0开始，然后根据验证集上各个任务的表现进行微调。如果某个任务一直学不好，可以适当增大其权重。

训练技巧：

• 迁移学习：分割和分类的骨干网络（Encoder/Backbone）务必使用在大型数据集（如ImageNet、COCO）上预训练的权重。这是在小数据集上取得好效果的基石。
• 分层学习率：对于预训练的骨干网络，设置一个较小的学习率（如1e-4到1e-5），让其微调；对于我们随机初始化的分割解码器（Decoder）和分类头部（Head），设置较大的学习率（如1e-3），让其快速学习。这可以通过优化器参数分组轻松实现。
• 早停法（Early Stopping）：监控验证集上的综合损失或关键指标（如分割的IoU，分类的F1-score），当其在连续多个epoch（如10个）不再提升时，停止训练，并回滚到最优的模型权重。防止过拟合。
• 类别不平衡处理：舌象数据中，“淡红舌”、“薄白苔”这类健康态的数据可能远多于“绛紫舌”、“焦黑苔”。可以在损失函数中使用weight参数，给少数类别更高的权重，或者使用重采样技术，在每轮训练中更多地抽取少数类样本。

4. 系统实现：从模型到可交互的Web应用

模型训练好了，.pth或.h5文件躺在那里只是一堆参数。我们需要把它包装成一个用户（或答辩老师）可以直观感受的系统。

4.1 后端API服务：FastAPI的优雅实践

别再用笨重的Django或Flask写简单的预测接口了。FastAPI凭借其现代、快速、自动生成API文档的特性，是这类项目后端的不二之选。

# main.py 核心API示例 from fastapi import FastAPI, File, UploadFile, HTTPException from fastapi.middleware.cors import CORSMiddleware from pydantic import BaseModel import torch from PIL import Image import io import numpy as np import cv2 # 假设我们有自己的模型处理模块 from model_pipeline import TongueDiagnosisModel app = FastAPI(title="舌象智能诊断系统API") # 允许前端跨域请求 app.add_middleware( CORSMiddleware, allow_origins=["*"], # 生产环境应替换为具体前端地址 allow_credentials=True, allow_methods=["*"], allow_headers=["*"], ) # 加载模型（单例模式，避免每次请求重复加载） model = TongueDiagnosisModel() model.load_weights("checkpoints/best_model.pth") model.eval() class DiagnosisResult(BaseModel): """定义返回结果的数据结构""" tongue_body_color: str tongue_coating_color: str tongue_coating_texture: str confidence: dict # 存放各类别的置信度 segmentation_mask_url: str # 分割结果图的URL（可选） @app.post("/diagnose", response_model=DiagnosisResult) async def diagnose_tongue(file: UploadFile = File(...)): """ 接收舌象图片，返回诊断结果。 """ # 1. 验证文件类型 if not file.content_type.startswith("image/"): raise HTTPException(status_code=400, detail="请上传图片文件") # 2. 读取图片并预处理 contents = await file.read() image = Image.open(io.BytesIO(contents)).convert("RGB") # 调用预处理函数，将其转换为模型输入张量 input_tensor = preprocess_image(image) # 3. 模型预测 with torch.no_grad(): # 假设model.predict返回字典，包含分类结果和分割掩膜 predictions, seg_mask = model.predict(input_tensor) # 4. 后处理：将掩膜保存为临时图片，生成可访问的URL # 这里简化处理，实际项目中可将图片保存到静态文件目录或上传到云存储 mask_path = save_segmentation_mask(seg_mask, file.filename) mask_url = f"/static/masks/{os.path.basename(mask_path)}" # 5. 构造返回结果 result = DiagnosisResult( tongue_body_color=predictions['body_color']['label'], tongue_coating_color=predictions['coating_color']['label'], tongue_coating_texture=predictions['coating_texture']['label'], confidence={ 'body_color': predictions['body_color']['probs'], 'coating_color': predictions['coating_color']['probs'], 'coating_texture': predictions['coating_texture']['probs'] }, segmentation_mask_url=mask_url ) return result # 启动命令：uvicorn main:app --reload --host 0.0.0.0 --port 8000

关键点：

• 异步支持：async/await处理文件上传等I/O密集型操作，提高并发能力。
• 数据验证：使用Pydantic模型DiagnosisResult来定义和验证返回数据的结构，确保前端收到的数据格式一致。
• 自动文档：访问http://localhost:8000/docs即可获得完整的交互式API文档，这对于项目演示和后续协作极其友好。
• 错误处理：对非图片文件、模型预测失败等异常情况进行捕获并返回清晰的错误信息。

4.2 前端界面：Vue 3 + Element Plus的简洁风

前端的目标是清晰、美观、易用。Vue 3的组合式API加上Element Plus的组件库，能让你快速搭建出专业的界面。

<!-- TongueDiagnosis.vue 核心组件示例 --> <template> <div class="diagnosis-container"> <el-card class="upload-card"> <template #header> <span>舌象上传与诊断</span> </template> <el-upload class="upload-area" drag action="#" <!-- 不设置action，使用自定义上传 --> :auto-upload="false" :on-change="handleFileChange" :show-file-list="false" accept="image/*" > <el-icon class="el-icon--upload"><upload-filled /></el-icon> <div class="el-upload__text">将舌象图片拖到此处，或<em>点击上传</em></div> <div class="el-upload__tip">请上传清晰的舌部正面照片，背景尽量简洁</div> </el-upload> <div v-if="previewImage" class="preview-section"> <h3>图片预览</h3> <img :src="previewImage" alt="舌象预览" class="preview-img" /> <el-button type="primary" :loading="diagnosing" @click="submitDiagnosis"> 开始智能诊断 </el-button> </div> </el-card> <el-card v-if="result" class="result-card"> <template #header> <span>诊断结果</span> </template> <el-row :gutter="20"> <el-col :span="12"> <div class="result-item"> <h4>舌质颜色</h4> <el-tag :type="getTagType(result.tongue_body_color)" size="large"> {{ result.tongue_body_color }} </el-tag> <el-progress :percentage="result.confidence.body_color[result.tongue_body_color] * 100" :format="formatPercent" /> </div> <!-- 类似显示舌苔颜色、质地 --> </el-col> <el-col :span="12"> <div class="result-item"> <h4>舌体分割图</h4> <img :src="result.segmentation_mask_url" alt="舌体分割" class="mask-img" /> <p class="tip">模型自动提取的舌体区域，用于辅助判断</p> </div> </el-col> </el-row> <div class="interpretation"> <h4>简要解读</h4> <p>{{ generateInterpretation(result) }}</p> </div> </el-card> </div> </template> <script setup> import { ref } from 'vue'; import { UploadFilled } from '@element-plus/icons-vue'; import { ElMessage } from 'element-plus'; import axios from 'axios'; const previewImage = ref(''); const diagnosing = ref(false); const result = ref(null); const handleFileChange = (file) => { const reader = new FileReader(); reader.onload = (e) => { previewImage.value = e.target.result; }; reader.readAsDataURL(file.raw); }; const submitDiagnosis = async () => { if (!previewImage.value) { ElMessage.warning('请先上传图片'); return; } diagnosing.value = true; const formData = new FormData(); // 这里需要将base64或文件对象转换为File对象，此处省略转换代码 // formData.append('file', imageFile); try { const response = await axios.post('/api/diagnose', formData, { headers: { 'Content-Type': 'multipart/form-data' }, }); result.value = response.data; ElMessage.success('诊断完成！'); } catch (error) { ElMessage.error('诊断失败：' + (error.response?.data?.detail || error.message)); } finally { diagnosing.value = false; } }; </script>

设计要点：

• 用户体验：拖拽上传、实时预览、加载状态提示，这些细节能极大提升使用感受。
• 结果可视化：不仅展示文字标签，用进度条展示模型置信度，用不同颜色的Tag高亮关键结果，并展示分割图以增加可信度和可解释性。
• 响应式布局：使用Element Plus的栅格系统，确保在电脑和手机端都能良好显示。

4.3 部署与展示：让项目“跑起来”

本地运行成功只是第一步，如何让答辩老师或线上用户访问到你的系统？

方案一：本地演示（最简单）在答辩电脑上，同时启动后端服务（uvicorn main:app）和前端开发服务器（npm run dev）。将前端请求的API地址配置为http://localhost:8000。确保电脑已安装Python和Node.js环境。优点是无网络要求，缺点是只能单机访问。

方案二：内网穿透（推荐用于远程答辩或给导师看）使用Ngrok或frp等工具，将你本地运行的服务暴露到一个公网可访问的临时网址。

1. 下载Ngrok，注册并获取Authtoken。
2. 在终端运行ngrok http 8000（假设后端运行在8000端口）。
3. Ngrok会生成一个如https://abc123.ngrok.io的网址。将这个地址配置到前端项目的API基地址中，并重新构建前端。
4. 将构建好的前端文件（dist文件夹）也通过Python的http.server或Nginx在另一个端口（如8080）启动，并用Ngrok映射出去。
5. 现在，任何人访问Ngrok提供的前端网址，就能使用你的完整系统了。

注意：Ngrok免费版网址随机且每次重启都会变化，不适合长期使用。但对于毕业设计答辩这种短期演示，完全够用且非常方便。

方案三：云服务器部署（最专业）购买一台腾讯云/阿里云的轻量应用服务器（学生机很便宜）。在服务器上：

1. 安装Python、Node.js环境。
2. 使用Gunicorn（配合Uvicorn Workers）来稳定运行FastAPI后端。
3. 使用Nginx作为反向代理，将前端静态文件请求和后端API请求分发到不同的端口。
4. 配置域名和SSL证书（HTTPS）。这一步会让你的项目看起来非常专业。

我的踩坑经验：部署时最容易出问题的是端口冲突和路径问题。务必在服务器上先用curl http://localhost:8000/docs测试后端API是否正常。前端打包后，所有对/api的请求都需要Nginx正确转发到后端服务地址，否则会出现404错误。一个简单的Nginx配置片段如下：

server { listen 80; server_name your_domain.com; # 或服务器IP # 前端静态文件 location / { root /path/to/your/frontend/dist; index index.html; try_files $uri $uri/ /index.html; # 支持Vue Router的history模式 } # 后端API代理 location /api/ { proxy_pass http://127.0.0.1:8000/; # 转发到Gunicorn运行的地址 proxy_set_header Host $host; proxy_set_header X-Real-IP $remote_addr; } }

5. 项目升华：从“功能实现”到“亮点挖掘”

做到前面几步，一个可运行的系统已经完成了。但要想在答辩中拿到高分，你需要思考并展示项目的“深度”和“思考”。

5.1 可解释性分析：你的模型“看”到了什么？

不要只说模型准确率有多高。展示模型是如何做出决策的，这至关重要。

• Grad-CAM / Class Activation Mapping：这是必做项！使用Grad-CAM生成热力图，直观地显示模型在预测“黄苔”或“绛紫舌”时，主要关注的是舌头的哪个区域。如果热力图标亮在舌体中央的苔质部分，说明模型学对了；如果标亮在嘴唇或背景上，说明模型可能学偏了。这能强力证明你的模型不是“黑箱”。
• 特征可视化：使用t-SNE或UMAP将模型最后全连接层之前提取的特征向量降维到2D或3D，然后按真实标签着色。观察一下，“红舌”的样本点是否聚在一起，并与“淡红舌”的样本点清晰分开？这可以从特征空间的角度证明模型学习到了有区分度的表示。

5.2 性能评估：超越“准确率”的指标

对于分类不平衡的医学数据，准确率（Accuracy）是极具误导性的。假设95%的样本都是“健康舌”，模型即使全部预测为“健康舌”，也能获得95%的准确率，但这毫无用处。

• 必须使用的指标：对于每个子任务（如舌质颜色分类），计算精确率（Precision）、召回率（Recall）和F1-score。并给出混淆矩阵（Confusion Matrix）。这能清晰地告诉你，模型在哪两类之间容易混淆（例如，是否总是把“红舌”误判为“绛紫舌”）。
• 分割任务指标：使用交并比（IoU）和Dice系数来评估舌体分割的精度。
• 在报告中展示：不要只放最终数字。用曲线图展示训练过程中训练集和验证集损失的变化，观察是否过拟合。用柱状图对比不同模型（如ResNet vs EfficientNet）在各个指标上的表现。

5.3 系统局限性、伦理与未来展望

这是体现你批判性思维和项目完整性的部分。

• 坦诚局限性：
  1. 数据偏差：承认你的数据集可能无法覆盖所有人群的舌象（如不同年龄、种族、肤色）。
  2. 环境依赖：系统诊断结果严重依赖输入图片的质量（光照、角度、对焦）。可以设计一个“图片质量检测”模块，对模糊、过暗、舌体不完整的图片进行提示。
  3. 模型局限：当前模型只能识别有限的几种舌象特征，而真实中医诊断涉及舌态、津液、瘀点等更多维度，且需要结合问诊。
• 强调辅助定位：在项目介绍和界面中，必须用醒目文字注明：“本系统仅为健康监测和中医学习提供辅助参考，不能替代专业医师的诊断。如有健康问题，请及时就医。”这是AI+医疗项目必须有的伦理意识。
• 提出有深度的展望：
  • 数据层面：探讨与医疗机构合作，构建更大规模、标注更专业的标准化舌象数据库的可能性。
  • 技术层面：提出引入目标检测来定位舌尖、舌边、舌根等子区域，进行分区分析；或尝试使用Vision Transformer（ViT）等新架构。
  • 系统层面：设计用户反馈闭环，让用户可以对诊断结果进行“正确”或“错误”的反馈，利用这些反馈数据持续优化模型（在线学习）。

当你把以上所有点都考虑到并实现，你的“基于深度学习的舌象诊断系统”就从一个普通的课程作业，升格为一个具备产品思维、工程实践和学术深度的优秀项目。它不仅展示了你会用PyTorch和Vue，更展示了你能独立解决一个复杂、开放的跨领域问题。这才是这个项目最大的价值所在。

本文还有配套的精品资源，点击获取