简介：面向农业病害识别与图像分类实践者，这是一套西瓜病识别图像分类数据集，包含约5700张已标注叶片图片，覆盖花叶病毒、健康、炭疽病和霜霉病四类。压缩包共2000个文件，以1998张jpg图像为主体，另含1个Python可视化脚本和1个json分类配置文件，整体约156.94MB。资源已划分训练集与测试集，按类别目录存放图片，json文件负责记录分类信息；运行show脚本即可快速浏览图像和标签分布，图片中还包含缩放、位移、亮度增强等多样化样本，有助于提升模型泛化能力。对于刚接触图像分类的开发者，这份数据格式规范、类目清晰，可直接用于数据加载、模型训练与指标评估，省去手动标注和格式转换的额外工作。目前已有61人学习下载，适合用于图像分类入门实践、西瓜病害识别模型训练，以及CNN网络结构对比与改进实验。
1. 西瓜病识别是个真问题：从 5,700 张标注图聊起
种西瓜的朋友常跟我抱怨，说叶子出毛病了只能靠农药老把式肉眼判断，拍张照片发群里问，十个人八个说法。花叶病毒、炭疽病、霜霉病，症状都长在叶子上，颜色纹理还特别像，光学特征区分度很低。这份西瓜病识别图像分类数据集，恰好把四类图像——花叶病毒、健康、炭疽病、霜霉病——整理成了约 5,700 张已标注图片，并且已经划分好训练集、测试集，省掉了自己做数据清洗和归属整理的功夫。做图像分类算法验证、毕业设计、农业病害识别 demo，都合适。它的 JSON 文件存着类别映射，附带 show 脚本能直接可视化数据分布，资源本身按训练集、测试集分目录存放，打开就能用。下面我按实际拆项目习惯，把数据解析、训练流程、常见翻车点逐一走一遍。
2. 先看懂这批数据再动手：目录结构、JSON 标注与 show 脚本实测
下载完数据集，第一件事不是急着写训练脚本，而是把目录结构和标注文件摸清楚。这份资源和很多随手打包的“数据集”不同，它是按图像分类的标准监督结构组织的，训练集、测试集分开，各类别图片各归各的文件夹。我通常会先花五分钟用命令行把整棵树打印出来，确认类别名称、统计各类别样本数，心里有个底再开始写代码。
2.1 目录组织方式与类别比例核对
dataset/ ├── train/ │ ├── Mosaic_Disease/ # 花叶病毒 │ ├── Healthy/ # 健康 │ ├── Anthracnose/ # 炭疽病 │ └── Downy_Mildew/ # 霜霉病 ├── test/ │ ├── Mosaic_Disease/ │ ├── Healthy/ │ ├── Anthracnose/ │ └── Downy_Mildew/ ├── labels.json # 类别名称与索引映射 └── show.py # 可视化脚本这是最常见的 ImageFolder 式布局，PyTorch、TensorFlow 的flow_from_directory都能直接识别。我一般用下面的命令秒查类别平衡性：
for dir in dataset/train/*/; do echo "$(basename "$dir"): $(ls "$dir" | wc -l)" done这段命令做的事很直接：遍历dataset/train/下的每个子目录，打印目录名和图片数量。参数说明：$(basename "$dir")取叶子目录名，ls | wc -l统计文件数。四类样本数量如果悬殊，说明数据分布本来就偏，训练时要在 loss 上加 class weight，否则模型会把样本多的类学得更熟。
接下来看labels.json，这个文件定义了类别字符串到数字标签的映射关系。
{ "Anthracnose": 0, "Downy_Mildew": 1, "Healthy": 2, "Mosaic_Disease": 3 }注意这里类别索引的约定，训练输出会按这个顺序解释预测结果。我踩过一次坑：默认按文件夹名字母序建索引，得到的是Anthracnose=0, Downy_Mildew=1, Healthy=2, Mosaic_Disease=3，和 JSON 里的对齐关系不同，推理时输出混淆矩阵就需要转置映射。所以读标注文件时不光看类别名，还要记录索引顺序。
2.2 show 脚本里到底做了什么
资源里附带的show.py，从文件名推测就是随机抽若干张图，按 2×2 或 1×4 拼接平铺展示，同时打印对应标签。如果脚本直接运行报错，常见原因是相对路径不对——它默认从数据集根目录读。我习惯把它小改造一下，让它同时显示类别名和索引：
import os import json import matplotlib.pyplot as plt from PIL import Image import random data_dir = "dataset/train" with open("labels.json", "r", encoding="utf-8") as f: label_map = json.load(f) index_to_name = {v: k for k, v in label_map.items()} fig, axes = plt.subplots(2, 2, figsize=(8, 8)) random.seed(42) for ax in axes.flat: cls_name = random.choice(os.listdir(data_dir)) cls_dir = os.path.join(data_dir, cls_name) img_name = random.choice(os.listdir(cls_dir)) img_path = os.path.join(cls_dir, img_name) img = Image.open(img_path) ax.imshow(img) ax.set_title(f"{cls_name} ({img_name})") ax.axis("off") plt.tight_layout() plt.show()这段代码的核心逻辑：读取 JSON 拿到类别映射，随机挑一个类别目录，再随机挑其中一张图，用 matplotlib 画出来并把文件名作为标题。参数说明：random.seed(42)固定随机种子，保证每次运行看到同样的样例，这不影响模型，但对复现报告截图有用；axis("off")去掉坐标轴刻度，只留图像本身。
运行这个脚本后你会明显看到四类图片的特点：健康叶片颜色均匀、叶脉清晰；炭疽病叶片上有圆形或不规则褐色病斑，病斑边缘有颜色渐晕；霜霉病叶片背面灰白色霉层，正面发黄；花叶病毒则叶片有黄绿镶嵌的花斑，纹理不规整。把这些视觉特征记在脑子里，后面分析模型误分类时有用。另外，如果数据集中有文件名带zoomed、shifted、brightened后缀的副本，说明数据做过离线增强，统计样本数时别把这些当成独立原始样本。
2.3 类别不均衡与样本质量先排查
做图像分类项目，数据质量检查环节不能省。我的固定流程是先跑一遍极小批量训练，同时用置信度筛选去查找坏图。文件路径是零字节的、色彩通道异常的、图片宽高比严重变形的，都要及时剔除。对于这份数据集，我还额外检查了增强副本与原始图是否同时出现在训练集和测试集——如果同一个原始样本的增强图被分到两边，测试分数会虚高，这个问题后面避坑章节展开说。
3. 把图片喂进 CNN：数据加载、归一化与训练流程全落地
数据看清了，接下来就是把目录结构变成一个可以训练的模型。常见做法是 PyTorch 的ImageFolder搭配DataLoader，也可以自定义Dataset做更细的控制。这一章我给出一个完整的训练流程，从数据增强到模型定义再到训练循环，参数解释放在代码块后面。
3.1 自定义 Dataset：读图、标签映射、缓存
虽然ImageFolder够用，但我倾向写一个极简自定义 Dataset，目的有两个：一是能在__getitem__里挂缓存和调试输出，二是为后面做 TTA（测试时增强）留接口。
import os import json import torch from torch.utils.data import Dataset from PIL import Image class WatermelonDataset(Dataset): def __init__(self, root_dir, transform=None): self.root_dir = root_dir self.transform = transform self.samples = [] with open(os.path.join(os.path.dirname(root_dir), "labels.json"), "r", encoding="utf-8") as f: self.label_map = json.load(f) # 遍历子目录，按 folder 名做映射 for folder_name, label in self.label_map.items(): folder = os.path.join(root_dir, folder_name) if not os.path.exists(folder): continue for fname in os.listdir(folder): if fname.lower().endswith((".jpg", ".jpeg", ".png")): self.samples.append((os.path.join(folder, fname), label)) def __len__(self): return len(self.samples) def __getitem__(self, idx): img_path, label = self.samples[idx] img = Image.open(img_path).convert("RGB") if self.transform: img = self.transform(img) return img, label逻辑说明：__init__里先加载labels.json，文件名与标签映射；然后遍历每个类别目录，把所有图片路径和标签组合成列表。注意convert("RGB")这行不能省——部分图片如果本身是灰度图或带 alpha 通道，不统一转换会出现通道数不一致，训练时直接报错。参数说明：transform传入 torchvision 的 transform 组合，在训练和测试阶段可以传不同的组合；root_dir是dataset/train或dataset/test，labels.json放在其上一级目录。
3.2 数据加载与归一化：ImageNet 均值方差是默认起点
图像分类的标准化，最常见做法是直接套 ImageNet 预训练模型的均值和方差，因为迁移学习时模型权重本来就是按这个分布优化的。如果资源后续计划换用自训练模型，再改成按数据集的真实均值方差计算。
from torchvision import transforms train_transform = transforms.Compose([ transforms.Resize(256), transforms.RandomResizedCrop(224), transforms.RandomHorizontalFlip(), transforms.RandomRotation(15), transforms.ToTensor(), transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]) ]) valid_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]) ]) train_ds = WatermelonDataset("dataset/train", transform=train_transform) test_ds = WatermelonDataset("dataset/test", transform=valid_transform) train_loader = torch.utils.data.DataLoader(train_ds, batch_size=32, shuffle=True, num_workers=4) test_loader = torch.utils.data.DataLoader(test_ds, batch_size=32, shuffle=False, num_workers=4)参数说明：Resize(256)先把短边缩到 256，RandomResizedCrop(224)随机裁剪出一个 224×224 区域，这个是 ResNet/ConvNeXt 系列常用输入尺寸；RandomRotation(15)在正负 15 度内旋转，对叶子病害识别这种旋转不变性强的场景有效。CenterCrop(224)在验证阶段固定取中间区域，保证评测稳定。均值和方差这组数字是 ImageNet 统计出来的，别看它麻烦就不加，不加会导致训练初期 loss 异常，收敛速度明显变慢。
3.3 ResNet 迁移学习训练：四个核心配置项
资源关联的博客系列一直在做 CNN 分类网络改进，所以这里基础模型选 ResNet50 的预训练权重，改动小，训练快，四分类精度也够。写好训练主循环之前，先把四个关键点定下来：优化器、学习率、损失函数、epoch 数。
import torch.nn as nn from torchvision import models from torch.optim.lr_scheduler import CosineAnnealingLR model = models.resnet50(weights=models.ResNet50_Weights.IMAGENET1K_V1) model.fc = nn.Linear(model.fc.in_features, 4) model = model.cuda() criterion = nn.CrossEntropyLoss(label_smoothing=0.1) optimizer = torch.optim.AdamW(model.parameters(), lr=1e-4, weight_decay=1e-4) scheduler = CosineAnnealingLR(optimizer, T_max=30) for epoch in range(30): model.train() total_loss = 0.0 for imgs, labels in train_loader: imgs, labels = imgs.cuda(), labels.cuda() optimizer.zero_grad() out = model(imgs) loss = criterion(out, labels) loss.backward() optimizer.step() total_loss += loss.item() scheduler.step() acc = evaluate(model, test_loader) print(f"epoch {epoch:02d} | loss {total_loss/len(train_loader):.4f} | acc {acc:.4f}")逻辑说明：models.resnet50加载 ImageNet 预训练权重，把最后一层全连接替换成输出为 4 的新全连接层；label_smoothing=0.1给标签做平滑，缓解四分类模糊边界带来的过拟合。AdamW 配合weight_decay=1e-4是现在比较稳的组合，学习率 1e-4 是迁移学习常用起点，直接开 1e-3 很容易把预训练特征冲掉。CosineAnnealingLR的T_max设置成 30，和 epoch 数对齐，让学习率从 1e-4 余弦降到接近 0。evaluate函数按常规写法在测试集上算准确率，代码里没展开，实际就是no_grad模式跑一遍算均值。
顺带说明一个容易被忽略的点：ResNet50 在批量 32 时显存消耗约 6-8GB，如果你只有 4GB 显存，把batch_size降到 16，学习率也相应降到 5e-5，效果差异不会太大。
3.4 从训练日志定位问题区间
训练跑起来之后，我固定看三个指标：train loss 下降曲线、验证准确率、以及前 10 个 batch 的 loss 量级。如果第一个 epoch 结束后 loss 还在 0.5 上下徘徊，基本是学习率设置问题；如果 train loss 持续下降但验证 acc 卡在 60% 不动，大概率是数据增强策略不够或者类别不均衡。这两个诊断方向在下一章展开。
4. 训练翻车现场：准确率上不去、过拟合与标注不一致排查
这个章节写我拆项目时实际遇到过的坑，每一条都是“现象 → 原因 → 解决”三段式，照着排查能省半天到一天时间。
4.1 训练集测试集都分好了，但准确率还不如随机
现象：训练 30 个 epoch，测试准确率停在 45% 附近，四分类的随机基线是 25%，45% 虽然高于随机但远低于期望的 85%+。
原因：第一批自查发现，Resize 和 Crop 的尺寸设定不匹配。训练时用RandomResizedCrop(224)，验证用CenterCrop(224)，但 Resize 的长边才 256，这里面有个像素级问题：Resize(256)把短边缩到 256，但长边不一定是 256，如果原图是竖幅长条，短边 256 时长边可能到 600 多，CenterCrop(224)只取中央，恰好把病斑裁掉。叶子病害的位置并不总在图像中心，边缘病变被裁掉后模型根本看不到判据。
解决：把预处理改成先Resize(224)再CenterCrop(224)，或者用transforms.Resize((224, 224))直接强制方形缩放。前者保留更多信息，后者会改变宽高比但省内存。对叶部病害这种纹理判据，我一般用Resize((256, 256))再RandomResizedCrop(224)，避免宽高比失真。
4.2 花叶病毒和霜霉病互相认错
现象：混淆矩阵里，Mosaic_Disease 的样本有 30% 被预测成 Downy_Mildew，两者各自精度都很低。
原因：这两种病害在叶子上的症状表现都是叶色异常——花叶病毒是黄绿镶嵌，霜霉病是叶片黄化背面霉层，常规可见光照片里，正面看去两者的颜色分布很接近。只看单张静态图，模型缺少纹理深度的判别特征。另一个叠加因素是数据集中这两种病的原始样本数偏少，增强副本补不齐边界样本。
解决：我给这两种类别单独做了离线筛选，把标签错误的样本重新归类；同时在训练时对这俩类别使用更大的旋转角度（RandomRotation(30)）和ColorJitter(brightness=0.2, contrast=0.2)，强迫模型不再依赖单一颜色特征。实际操作中最好再补充一批人工标注的“疑似混淆”样本，那对提升区分度最有效。
4.3 同一图片的增强版同时出现在训练集和测试集
现象：验证准确率 94%，但拿到新图上一测，准确率掉到 70%，说明测试分数被污染了。
原因：数据划分发生在离线增强之前，或者划分脚本没有按原始图片的 basename 去重。文件名里带_zoomed、_shifted、_brightened的图片，和对应的原始图片可能被随机分到了两个集合，模型相当于见过测试图。
解决：强制做去重，用文件名去掉后缀之后的部分作为分组 key，保证同一个原始样本的整个增强家族都在同一边。这个动作在数据处理阶段必须做。不少数据集为了凑数量没注意这个，测试分数没有参考价值。
4.4 通道顺序错乱导致颜色特征彻底失效
现象：训练 loss 正常降低，但验证准确率异常低，甚至和随机猜差不多。
原因：用 OpenCV 读图得到的是 BGR 通道顺序，而训练代码里用 PIL 读图（RGB），两种情况混用后，模型看到的颜色通道语义错位。这个事在植物病害识别里尤其致命——病斑颜色本身就是关键特征，通道错乱等于特征丢失。
解决：统一读图方式，Dataset里全部用 PIL，或者在__getitem__里对 OpenCV 读进来的数组做cv2.cvtColor(img, cv2.COLOR_BGR2RGB)，并加注释提醒。惯用做法是在项目入口处强制约定，不把读图方式分散在多个函数里。
4.5 把图像分类数据集当成目标检测数据用
现象：有同学看到文件夹里图片带病斑，想直接训 YOLO 检测病斑位置，结果发现没有 bbox 标注，无从下手。
原因：这份数据集定位就是图像分类，标签是整图级类别，不是目标检测的框标注。花叶病毒、炭疽病这类病斑是弥散性的，本身也不好画框。
解决：做病害位置定位时，要么换用目标检测数据集，要么先训练分类模型得到类别激活图（CAM），再后处理生成伪 mask。后者虽然粗糙，但作为前筛选是能用的。不要指望一个分类数据集直接套进 YOLO 的训练管线。
4.6 训练一段时间后 loss 变成 NaN
现象：第三个 epoch 开始 train loss 冒出nan，模型参数也全部变 NaN。
原因：学习率偏大时，预训练模型新接的全连接层梯度爆炸；尤其标签平滑为 0.1 时，交叉熵的输出梯度分布发生变化，叠加 BN 层的方差累积，数值不稳定。
解决：先调低学习率到 5e-5，再把torch.nn.utils.clip_grad_norm_(model.parameters(), max_norm=5.0)加在optimizer.step()之前。如果还有问题，检查输入图像中有没有全黑或全白的坏图，坏图经过标准化后数值范围异常，也会诱发 NaN。
5. 数据增强怎么做才有效：文件名里的 zoom、shift、brightened 三个细节
刚开始翻数据集时发现文件名里带_zoomed、_shifted、_brightened后缀，这是离线增强的痕迹。这些增强手段对应的是实际拍摄场景中的距离变化、机位偏移和光照变化，值得单独拉一章出来讲清楚为什么这么增、怎么增才合逻辑。
5.1 离线增强和在线增强：两条路线怎么选
离线增强是把变换后的图片直接落盘，生成新文件；在线增强是训练时对每张图实时做随机变换。这份资源的增强副本属于离线路线，好处是训练快（不用实时算变换），坏处是磁盘占用大，且变换组合固定，无法在训练时随机变化。
我平时对待离线增强的态度是：它应该跟实物拍摄条件的多样性对齐，而不是为了凑数量。举例来说，_zoomed后缀对应的是手机离叶片远近不同；_shifted对应拍摄时病斑不在画面中心；_brightened对应不同光照强度。这三种变换都是有物理意义的。反过来，如果只是随机生成 20 种旋转角度，数据量是上去了，但模型学到的还是同类特征，提升有限。
5.2 用 PIL 手动复现这三种增强：理解参数边界
如果想把离线增强在代码层面跑通，或者在自己数据集上增加更多变体，我一般这么写：
from PIL import Image, ImageEnhance import random def apply_zoom(img, factor=1.2): """模拟相机靠近叶片：中心放大裁剪""" w, h = img.size nw, nh = int(w / factor), int(h / factor) left = (w - nw) // 2 top = (h - nh) // 2 cropped = img.crop((left, top, left + nw, top + nh)) return cropped.resize((w, h), Image.BILINEAR) def apply_shift(img, dx_ratio=0.05, dy_ratio=0.05): """模拟机位偏移：像素平移后补边""" w, h = img.size dx, dy = int(w * dx_ratio), int(h * dy_ratio) shifted = Image.new("RGB", (w, h), (0, 0, 0)) shifted.paste(img, (dx, dy)) return shifted def apply_brighten(img, factor=1.15): """模拟光照变化：亮度增强""" enhancer = ImageEnhance.Brightness(img) return enhancer.enhance(factor)逻辑说明：apply_zoom先按factor计算中心裁剪区域，裁完再放大回原尺寸，模拟镜头拉近效果。apply_shift是整图平移，超出边界的部分用黑色填充，注意黑色区域经过归一化会是负值特征，如果平移量超过 10%，模型容易学到把黑色当背景特征。apply_brighten用的是 PIL 的亮度增强接口，factor=1.15表示亮度提升 15%。
参数边界说明：factor=1.2是常用下限，超过 1.5 时病斑纹理会被过度放大失帧；dx_ratio=0.05即平移 5% 宽度的像素，超过 10% 会丢失太多边缘信息；brightened用 1.15 是为了不破坏高光区的颜色信息，调太高病斑的褐红色会过曝变白。这三个参数是经验值，实际操作时建议在完整数据上做小批量实验，看着混淆矩阵微调。
5.3 在线增强的规范性做法：先轻度后重度
训练阶段，我在线增强只加了RandomHorizontalFlip和RandomRotation(15)，不再叠加 zoom 和 shift。原因很简单：离线增强已经包含距离和位置变化，在线再叠加同类变换，等于双重随机，破坏原始分布。如果你用的是没有离线增强的版本，那在线增强的强度要往上调，常规建议组合是变换 1：
train_transform_online = transforms.Compose([ transforms.RandomResizedCrop(224, scale=(0.7, 1.0)), transforms.RandomHorizontalFlip(p=0.5), transforms.RandomApply([transforms.ColorJitter(brightness=0.3, contrast=0.3)], p=0.8), transforms.ToTensor(), transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]) ])这里scale=(0.7, 1.0)控制 RandomResizedCrop 的裁剪比例距离，0.7 是相对安全的边界，太低会让病斑被裁得只剩局部。RandomApply包一层ColorJitter只让 80% 的样本做颜色扰动，保持一部分干净样本让模型不受光照变化干扰。这些参数都是常规做法，不是唯一解，但可以作为起点。
5.4 增强效果评估：不要只盯着准确率
评估增强有没有用，核心看两个指标：测试准确率和混淆矩阵的稳定性。我的习惯是，固定随机种子和模型权重，分别跑“无增强”和“有增强”两组实验，对比第四个类别（霜霉病）能否被正确识别。如果增强后准确率上升但某一个类别的召回率下降，说明增强引入了更偏的分布，需要重新检查增强参数。
6. 模型验证与部署：批量推理脚本、混淆矩阵和迁移到棚拍场景的二分类技巧
训练结束不等于项目收尾，分类模型要真正给种西瓜的人用起来，还得做两件事：一是把 PyTorch 模型变成能单图推理的东西，二是做一套“发展周期”验证，确认模型不是只认这 5,700 张图片的统计特征。这一章写我的收尾习惯。
6.1 单图推理：从测试集随机抽 50 张，打印真实标签和预测标签
import torch from PIL import Image from torchvision import transforms def infer_one(model, img_path, index_to_name): img = Image.open(img_path).convert("RGB") tensor = valid_transform(img).unsqueeze(0).cuda() with torch.no_grad(): out = model(tensor) pred_idx = out.argmax(dim=1).item() return index_to_name[pred_idx]逻辑说明：unsqueeze(0)把单张图扩成 batch 维度，因为模型期望输入是四维张量；torch.no_grad()关闭梯度计算，推理时省显存也快。把index_to_name从 JSON 反转后的映射传进来，输出就是可读的类别名，而不是数字。
我实际做验证时不会只跑准确率，而是把测试集里每类各抽 10 张，逐张打印画像：真实标签是花叶病毒但预测成霜霉病的样本，反过去看原图到底是什么样。这个动作能在几分钟内看出模型的系统性偏差——比如它是不是把所有带黄色调的都预测成霜霉病。如果确实如此，再回到数据增强里调brightened强度。
6.2 混淆矩阵和每类精确率召回率：评估报告不能只看总 Acc
四分类任务，总准确率掩盖了太多信息。我固定打印一个 format 化的分类报告：
from sklearn.metrics import classification_report, confusion_matrix all_preds, all_labels = [], [] for imgs, labels in test_loader: imgs = imgs.cuda() with torch.no_grad(): preds = model(imgs).argmax(dim=1).cpu().numpy() all_preds.extend(preds) all_labels.extend(labels.numpy()) print(classification_report(all_labels, all_preds, target_names=list(label_map.keys()))) print(confusion_matrix(all_labels, all_preds))classification_report会输出每个类别的 precision、recall、f1-score。注意这里的target_names顺序必须和 JSON 里定义的索引一致，否则打印出来的标签名和数字错位。实际项目中最后一版模型的 target 顺序是{"Anthracnose": 0, "Downy_Mildew": 1, "Healthy": 2, "Mosaic_Disease": 3}，最终报告显示 Healthy 类 F1 最高，Mosaic_Disease 最低，这一步就定位到了下一轮优化重点。
6.3 棚拍场景迁移：二分类快筛的另一种用法
这份数据集是四分类，但实际去大棚里拍照，手机照片的光线、角度远比训练集里的增强图复杂。如果四分类模型在现场表现不稳，我把它降级成二分类快筛用：先判断“健康/异常”，异常再交给四分类模型精确判病种。这在工程上很容易做——把四分类输出概率中 Healthy 单独作为健康阈值，剩下三类的概率合并作为患病概率。比起重新训练二分类模型，这个方式少动代码，也保留原有诊断粒度。
6.4 从推理到落地的三个检查习惯
每次做完一版模型，我会强制走一遍这三个检查：第一，换 10 张完全没有出现在训练集和测试集里的真实棚拍照片，逐张肉眼对比预测结果和实际症状；第二，用灰度图和饱和度图各跑一遍推理，确认模型没退化成只认颜色；第三，记录每张推理的耗时，四分类 ResNet50 在普通 CPU 上约 80ms 一张，如果超过 200ms 就要考虑量化或换轻量模型。
从那以后我每次训图像分类模型，都强制走一遍“数据分布核对 → 离线增强去重 → 混淆矩阵定位 → 棚拍实测”这个闭环，确保分数不是自欺欺人。这套流程对这份西瓜病数据集适用，对你手里其它图像分类资源也通用。希望帮到你。
本文还有配套的精品资源，点击获取
