简介：面向Python毕业设计的农作物病虫害识别分类项目，完整包含模型训练与推理源码、带标注图像数据集及配套使用说明，可作为课程设计或毕业设计的直接蓝本。资源包共31个文件，涵盖后端Python脚本、图片样本、模型参数与推理文件、前端页面代码（vue、html、js）以及txt、yml等配置说明，整体19.64MB，压缩包目录结构清晰，便于按模块检索。已有180人学习下载，适合计算机视觉方向的学生参考。项目完整展示了数据预处理、卷积神经网络模型构建、训练评估与模型优化等环节，并提供可运行的推理服务配置和前端界面，能直观演示病虫害分类效果。数据集覆盖苹果叶病害等常见作物病虫害，代码层次分明，扩展性与可读性较好，方便二次开发或答辩展示。
1. 基于 Python 的农作物病虫害识别分类：毕设选题里最容易被低估的交付路径
每到毕设季，“农作物病虫害识别分类”都是农学和计算机交叉方向里出镜率最高的选题。它比聊天机器人、电商网站更有技术含量，公开数据集又比医学影像好找，于是很多人从网上翻一套基于 Python 的源码，配上数据集，想两三天跑通。真实情况是：模型训练本身没什么悬念，卡住的往往是 Python 环境、数据集目录、中文标签和最后的识别接口。有人甚至因为一张图片的通道顺序不对，把整锅结果推翻重来。这篇笔记写给两类人：一类是拿它做毕业设计、需要独立讲清楚原理并现场演示的学生；另一类是想在本地快速搭一套图像分类原型、验证“数据集 + 训练 + 接口”全链路的开发者。目标只有一个：照着做，能复现，敢答辩。
2. 跑通项目的第一步：Python 版本、依赖库与数据集目录约定
毕设源码包拿到手，先别急着双击 train.py。绝大多数项目翻车，都发生在环境不一致和数据集路径对不上。这章的思路是先把运行环境固定住，再按约定摆好数据目录，最后写一段小脚本探查真实数据分布。
2.1 环境安装：torch / opencv / scikit-learn 的版本搭配陷阱
常见做法是用 Anaconda 或 Miniconda 建一个独立环境，避免把系统 Python 搞乱。Python 版本建议锁在 3.8 到 3.10 之间，PyTorch 对 3.10 以上支持得晚，某些老源码用到torchvision.transforms的旧接口时，在 3.11 下容易出现莫名其妙的类型报错。安装环节最省心的顺序是：先建环境，再装 PyTorch，最后装图像和数值计算库。
conda create -n plant python=3.9 -y conda activate plant # CPU 版 torch，毕设演示完全够用 pip install torch torchvision --index-url https://download.pytorch.org/whl/cpu pip install opencv-python pillow scikit-learn matplotlib flask参数说明：torch和torchvision必须同版本配套，否则加载预训练权重时会报operator不匹配；opencv-python负责读图和基础图像处理，pillow是 torchvision 底层依赖，scikit-learn用来算准确率、召回率和混淆矩阵，flask留到最后一章做识别接口。安装 torch 时我用的是 CPU 版，因为毕设数据量一般不大，CPU 训练一轮也就几分钟；如果你手头有 NVIDIA 显卡，把 index-url 换成官方 CUDA 源即可，性能提升立竿见影。
Windows 用户容易踩的坑是 pip 装 torch 速度极慢，看到进度条半天不动就想放弃。解决办法是用国内镜像源安装普通包，torch 则建议直接走官方 CPU whl 源，这个源在国内访问速度尚可。装完验证一下环境是否通：
python -c "import torch, torchvision, cv2, sklearn; print(torch.__version__, torchvision.__version__, cv2.__version__)"如果这行能打印出版本号，说明环境稳了。随后把conda activate plant写进项目 README 的开头，免得自己隔几天回来忘记怎么复现。
2.2 数据集的组织方式：train / val / test 目录结构与类别标签映射
公开的农作物病害数据集，比如 PlantVillage、天池柑橘病叶数据集、Kaggle 上的玉米小麦病害集，下载下来后目录结构五花八门。有的按类别文件夹分好，有的是一张 CSV 标注文件配一堆图片。单位项目里最常见、也最容易被源码接受的格式是这样：
dataset/ ├── train/ │ ├── Tomato___Late_blight/ │ │ ├── 001.jpg │ │ └── 002.jpg │ ├── Tomato___healthy/ │ └── Corn___Common_rust/ ├── val/ └── test/torchvision.datasets.ImageFolder就是按这种“根目录/类别/图片文件”的层级读数据的，类名直接取文件夹名。如果源码里用的是ImageFolder，而你手头是 CSV 标注格式，最常见的做法是写一段脚本，按标注把图片复制到对应类别的文件夹里，而不是去改源码的数据读取逻辑。
这里有一个容易被忽略的约定：类别文件夹名最好用英文或拼音，比如Tomato___Late_blight，而不是“番茄晚疫病”。原因很简单，Windows 控制台默认编码不是 UTF-8，中文路径在ImageFolder里偶尔能读，但到了torch.utils.data.DataLoader多进程加载时会随机报UnicodeDecodeError，属于典型的玄学问题，查起来极费时间。显示层面的中文名放到最后预测阶段做映射即可。
我一般还会在数据整理完后生成一份classes.txt，一行一个类别，顺序与文件夹名的字典序一致。这个文件后面训练、评估、答辩展示都要反复用，建议手动核对一遍：
import os data_root = "dataset/train" classes = sorted(os.listdir(data_root)) with open("classes.txt", "w", encoding="utf-8") as f: for c in classes: f.write(c + "\n") print(f"共 {len(classes)} 个类别") for c in classes: n = len(os.listdir(os.path.join(data_root, c))) print(f"{c}: {n} 张")逻辑说明：os.listdir拿到的是所有子目录名，排序后写入classes.txt，保证训练时ImageFolder的类别索引与文件里的顺序一一对应。统计每个类别的图片数量，是为了在动手训练前就知道数据是否均衡——病虫害数据集里“健康”类通常远多于“染病”类，这个问题放到 2.3 处理。
2.3 数据探查脚本：训练前先看类别分布与图片尺寸
很多人拿到数据集就开训，结果跑完十个 epoch 才发现某类只有二十张图，验证集里一张都没有。病虫害识别分类里，数据不均衡是常态，所以正式训练前的探查这一步值得做扎实。我一般写一个独立的探査脚本：
from PIL import Image import os data_root = "dataset/train" sizes = {} counts = {} for cls in sorted(os.listdir(data_root)): cls_path = os.path.join(data_root, cls) counts[cls] = 0 for fname in os.listdir(cls_path): if not fname.lower().endswith((".jpg", ".jpeg", ".png")): continue img = Image.open(os.path.join(cls_path, fname)) sizes[img.size] = sizes.get(img.size, 0) + 1 counts[cls] += 1 print("类别数量:", counts) print("图片尺寸分布:", sizes)运行完，重点看两个信息。一是各类别样本量是否差了一个数量级以上，如果“健康”类有 5000 张而某病害只有 150 张，训练时就该给少数类加权采样，或者用数据增强“造假”。二是图片尺寸分布，病虫害数据集里常见 224×224、256×256 和 512×512 混在一起，如果直接 resize 到统一尺寸，需要注意小图放大会变糊，影响识别。
把这两步做完，环境、数据、标签就算对齐了。下一步才轮到预处理和模型选型。
3. 从预处理到模型选型：识别分类管线怎么搭才容易出效果
这一章解决“模型怎么选、图片怎么喂”的问题。病虫害识别本质是图像分类，不是目标检测，所以不需要画框，只要给定一张叶片图片，输出它属于哪个病害类别。管线顺序是：预处理 → 数据增强 → 模型 → 损失函数 → 优化器。
3.1 预处理与数据增强：归一化参数抄哪组、增强做到什么程度
预处理里最容易被抄错的是归一化参数。torchvision自带的预训练模型，比如 ResNet，是在 ImageNet 上训练的，它期望输入图片的 RGB 三通道均值是[0.485, 0.456, 0.406]，标准差是[0.229, 0.224, 0.225]。有人觉得病害叶片颜色深，自作主张改成“自己的归一化参数”，结果就是加载预训练权重后特征分布被破坏，训练半天 loss 降不下去。我的建议是：除非你是从头训练整个模型，否则归一化参数老老实实用 ImageNet 那组。
数据增强这条线，病虫害场景和通用分类不太一样。叶片在图片里的姿态千奇百怪，有正着拍的、斜着拍的、反着卷起来的，所以随机旋转和随机翻转比随机裁剪更实用。常用的组合如下：
from torchvision import transforms train_transform = transforms.Compose([ transforms.Resize(256), transforms.RandomCrop(224), transforms.RandomRotation(degrees=15), transforms.RandomHorizontalFlip(p=0.5), transforms.RandomVerticalFlip(p=0.3), transforms.ColorJitter(brightness=0.2, contrast=0.2, saturation=0.1), transforms.ToTensor(), transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]) ]) val_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]) ])参数说明：先 resize 到 256，再随机裁剪出 224×224，这比直接 resize 成 224 多了一点空间扰动，能变相增加训练样本的多样性。Rotation 我只设了 15 度，病虫害识别里旋转过大没有实际语义，比如一片叶子转了 90 度并不代表新的病害特征。RandomVerticalFlip我设的 0.3 而不是 0.5，因为实际拍摄时叶片倒置的情况没有水平翻转常见。
一个血泪经验：数据增强不是越多越好。小数据集上加太多增强，模型会长时间在增强后的“合成样本”上打转，真实病害特征反而学不稳。业务感强的做法是先跑一个不加增强的基线，再逐步加增强看验证集准确率变化。
3.2 模型选型：ResNet18、MobileNetV3 与迁移学习的取舍
病虫害识别分类选主干网络，我有三条标准：预训练权重好找、显存和内存压力小、答辩时能讲清楚原理。ResNet18 几乎是最稳的选择。它参数量只有 1100 万左右，CPU 训练一轮十分钟上下，残差结构几句话就能向老师解释明白，而且torchvision里直接提供在 ImageNet 上预训练好的权重，迁移学习效果远好于从零训练。
MobileNetV3 轻量，适合最后一章做的 Web 接口部署，缺点是同等数据下准确率通常比 ResNet18 低一到两个点。如果你想让演示更流畅，可以用 MobileNetV3；如果更看重准确率和稳定性，选 ResNet18。某些源码里会默认用 ResNet50，但对几千张级别的病虫害数据集属于杀鸡用牛刀，训练时间长，还容易过拟合。
用迁移学习的标准姿势是加载预训练模型，把最后一层全连接换成自己的类别数，然后整体微调：
import torchvision.models as models import torch.nn as nn num_classes = 10 # 替换成你 classes.txt 里的实际类别数 model = models.resnet18(weights=models.ResNet18_Weights.IMAGENET1K_V1) in_features = model.fc.in_features model.fc = nn.Linear(in_features, num_classes)逻辑说明：weights=models.ResNet18_Weights.IMAGENET1K_V1是当前 torchvision 推荐写法，旧写法pretrained=True在新版本里会警告甚至报错。替换model.fc是因为原来输出 1000 类，现在只需输出自己的类别数。in_features要提前取出来，否则把fc直接替换后取不到原输入维度。
迁移学习的一个常见疑问是“要不要冻结主干网络”。我的做法是：先冻结 backbone，只训练fc几个 epoch，让新分类头先收敛；然后解冻全部参数，用一个更小的学习率微调整个网络。这样比直接全量微调稳定，能避免新初始化的分类头在前期把主干梯度带偏。
3.3 训练配置：学习率、batch size 与损失函数的选择
分类任务的损失函数没有太多悬念，用nn.CrossEntropyLoss，内部已经包含 softmax，不需要在模型输出层再手动加激活。优化器上，SGD 加 momentum 的泛化能力普遍比 Adam 好，这在中小数据集上表现尤其明显；Adam 的优点只是前期收敛快，但后期容易跑进尖锐极小值。推荐配置是：
optimizer = torch.optim.SGD(model.parameters(), lr=0.001, momentum=0.9, weight_decay=1e-4) scheduler = torch.optim.lr_scheduler.StepLR(optimizer, step_size=10, gamma=0.5) criterion = nn.CrossEntropyLoss()参数说明：初始学习率 0.001 是迁移学习的常用起点，比从头训练的 0.01 小，因为预训练权重已经接近局部最优，步子太大会破坏已有特征。weight_decay=1e-4相当于 L2 正则，对抗过拟合很有用。StepLR每 10 个 epoch 把学习率减半，这个策略简单可靠；如果嫌手动调周期麻烦，ReduceLROnPlateau也能用，它会在验证 loss 连续不降时自动降学习率。
batch size 的设定逻辑是“够用就好”。CPU 训练设 16，GPU 设 32 或 64。这里注意，batch size 调大后学习率也可以适当放大，线性缩放规则是 batch 翻倍、学习率翻倍，但病虫害数据集规模不大，保持 0.001 不调也能收敛。数据不均衡明显时，给CrossEntropyLoss传入weight参数，让少数类的损失加权放大，比简单复制少数类样本更干净。
训练配置这部分往往被当成“玄学”，其实核心就一句话：迁移学习用小学习率、带动量的 SGD、加 weight decay，别一上来就堆 epoch，先把 30 轮的基线跑通，再根据曲线调。
4. 训练与评估：损失曲线、混淆矩阵与模型文件的落盘
训练环节的目标不只是让 loss 掉下来，而是得到一份能解释、能展示的结果。这章把训练循环、评估指标和模型保存串起来讲清楚。
4.1 训练循环：日志输出、checkpoint 与早停策略
一个可复现的训练循环要同时做好三件事：每个 epoch 结束打印训练 loss 和验证准确率、把表现最好的模型单独存一份、在验证集不再提升时提前停住。核心代码如下：
best_acc = 0.0 for epoch in range(epochs): model.train() running_loss = 0.0 for images, labels in train_loader: optimizer.zero_grad() outputs = model(images) loss = criterion(outputs, labels) loss.backward() optimizer.step() running_loss += loss.item() # 验证 model.eval() correct = 0 total = 0 with torch.no_grad(): for images, labels in val_loader: outputs = model(images) _, predicted = torch.max(outputs, 1) total += labels.size(0) correct += (predicted == labels).sum().item() val_acc = correct / total print(f"epoch {epoch+1}: loss={running_loss:.4f}, val_acc={val_acc:.4f}") if val_acc > best_acc: best_acc = val_acc torch.save(model.state_dict(), "checkpoints/best_model.pth") scheduler.step()逻辑说明：model.train()和model.eval()切换的是 dropout 和 batch norm 的行为，如果不切，验证时结果会随机波动。optimizer.zero_grad()必须在每个 batch 前清空梯度，否则梯度会累加。torch.no_grad()在验证时关掉梯度计算，省显存的同时避免意外修改参数。
这里的核心参数是验证频率和打印信息粒度。病虫害数据集小，一个 epoch 通常就是几百步，每个 epoch 打印一次完全够。checkpoints目录要提前建好，否则第一次保存时直接报FileNotFoundError。早停策略我一般这样判断：连续 8 个 epoch 验证准确率没有刷新最好记录，就停掉，防止最后一个模型把几百轮训练时间耗在过拟合上。
4.2 评估指标：准确率之外还要关注哪些数字
准确率只能说明整体水平，答辩时老师一定会问“哪个类别分得差”。所以要提前跑出每个类别的精确率、召回率和 F1，再配一张混淆矩阵图，这比口头解释“模型效果不错”有说服力得多。
from sklearn.metrics import classification_report, confusion_matrix import numpy as np all_preds = [] all_labels = [] model.eval() with torch.no_grad(): for images, labels in val_loader: outputs = model(images) _, predicted = torch.max(outputs, 1) all_preds.extend(predicted.tolist()) all_labels.extend(labels.tolist()) print(classification_report(all_labels, all_preds, target_names=classes)) cm = confusion_matrix(all_labels, all_preds) print(cm)参数说明：classification_report会按类别输出 precision、recall、f1-score 和样本数，target_names传classes.txt里读进来的列表，这样结果直接可读。confusion_matrix的维度是“真实类别数 × 预测类别数”，对角线越亮越好。这套结果跑完，建议再用 matplotlib 画一张混淆矩阵热力图存成 png，答辩 PPT 里直接放图，比任何描述都有用。
病虫害场景里特别要关注“健康类”和“早期病害类”是否互相混淆。因为早期病斑面积小，模型很容易把极早期的病叶当健康叶片。如果混淆矩阵里这两个类别交叉明显，说明预处理阶段可以增加对比度增强，或者拍摄标准化没做到位，只调模型结构是没用的。
4.3 模型输出：torch.save 与 ONNX 导出的适用场景
训练结束后，源码包里常见的交付物有三种：.pth权重文件、完整.pt模型、.onnx模型。.pth只存参数，加载时需要重新构建模型结构，适合训练流程里继续微调；.onnx是跨平台格式，可以用 ONNX Runtime 加速，后续做 Web 接口更稳。
torch.save(model.state_dict(), "checkpoints/best_model.pth") dummy_input = torch.randn(1, 3, 224, 224) torch.onnx.export( model, dummy_input, "checkpoints/best_model.onnx", input_names=["input"], output_names=["output"], dynamic_axes={"input": {0: "batch"}, "output": {0: "batch"}} )参数说明：torch.onnx.export的dummy_input尺寸必须与模型输入一致，直接用 224×224。dynamic_axes把 batch 维设成动态，这样接口既能一次识别一张图，也能批量识别多张。导出前记得把模型切成 eval 模式，否则导出的 onnx 里会残留 dropout 随机性。
这一章做完，手里就有了一份训练记录、一组评估数字、一份混淆矩阵和两个格式的模型文件。到这一步，离一个可演示的毕设系统只差最后一层壳：把模型包成识别接口，并处理真实场景里的边界情况。
5. 农作物病虫害识别分类的 5 个踩坑与排查记录
这一章写的是我把这套流程从零跑到能演示的过程中，真正卡住过我的问题，每一条都是“现象 → 原因 → 解决”的结构。如果你是一个新手，建议先把这章放在手边，遇到问题直接对号入座。
5.1 数据加载卡死、训练慢：num_workers 与图片解码是首凶
现象：训练循环刚跑起来，进度条卡住不动或者每个 epoch 要等很久；Windows 上偶尔还会弹出python 已停止工作的窗口。原因是默认DataLoader的num_workers在 Windows 上表现不稳定，图片尺寸过大导致每次读取都在做大量解码运算。解决办法是显式指定num_workers，并控制图片加载尺寸：
train_loader = torch.utils.data.DataLoader( train_dataset, batch_size=16, shuffle=True, num_workers=0, pin_memory=False )参数说明：Windows 下num_workers设为 0，让数据加载在主进程内同步完成，是最稳的做法；Linux 服务器上可以设 4 或 8，能显著提速。pin_memory只有 GPU 训练时才有意义，CPU 训练反而多一次内存拷贝。如果你的数据集里混着一批 4000×3000 的高清原图，务必在预处理里先 resize 到 256，否则每读一张图上 GB 级内存，训练直接被打爆。
5.2 显存溢出：batch size 与输入尺寸的取舍
现象：GPU 训练时torch.cuda.OutOfMemoryError突然出现，CPU 训练则表现为内存占用飙升到接近物理内存上限。原因很直接，模型输入尺寸和 batch size 太大，或者验证时忘了关梯度。解决思路是优先压 batch size，其次压输入尺寸：
优先调整顺序：batch size 减半 → 输入尺寸从 224 降到 160 → 检查是否开了太多 DataLoader 子进程常见做法是把 batch size 从 64 降到 32，如果还溢出，就把Resize从 256 改成 200，输入降到 176。分辨率从 224 降到 160，对病虫害识别准确率的影响通常不到 1 个点，但显存占用能降一半。另外，验证过程务必用torch.no_grad()包住，否则显存里会堆积一整条反向传播计算图。
5.3 训练准确率高、验证准确率低：增强与正则化没跟上
现象：训练集准确率冲到 98%，验证集停在 82% 上不去，典型过拟合。原因通常来自三个方向：训练样本太少、增强强度不足、模型容量过剩。解决办法不是换一个更大的模型，而是把正则化做扎实：
train_transform = transforms.Compose([ transforms.Resize(256), transforms.RandomCrop(224), transforms.RandomRotation(degrees=20), transforms.ColorJitter(brightness=0.3, contrast=0.3, saturation=0.2), transforms.ToTensor(), transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]) ])参数说明：把 rotation 从 15 度增加到 20 度，ColorJitter的强度也略微提升，让模型看到更多“不完美”的叶片图片。如果这样还过拟合，就把 ResNet18 换到 MobileNetV3，用容量更小的模型强迫网络学更本质的特征；或者把weight_decay从 1e-4 调到 5e-4。过拟合没有一次性解法，通常是增强、模型容量、正则化三处各收紧一点才压得住。
5.4 中文路径与中文标签乱码：编码问题导致数据集读不全
现象：在 Anaconda Prompt 里能看到中文文件名，训练一跑就报FileNotFoundError或者张量维度对不上；有时一半图片神秘消失。原因八成是 Python 在 Windows 下默认编码是 GBK，而源码和数据集标签是 UTF-8，两边一碰就出乱码。解决分两步，第一步在代码入口强制指定 UTF-8，第二步在数据集整理阶段避开中文文件名：
import sys sys.stdout.reconfigure(encoding="utf-8")如果数据已经用中文命名，批量改成拼音或英文更省心。这里不要抱有侥幸心理，中文文件名即使这次能跑，换个电脑换个环境变量就翻车。标签显示层的中文，放到最后的 Flask 接口里做映射，比如"Tomato___Late_blight": "番茄晚疫病"，两层解耦后，数据层永远保持安全字符。
5.5 预测结果与训练结果对不上：归一化与通道顺序不一致
现象：验证集准确率 90%，单独拿一张图片调用预测脚本，结果稳定输出错误类别，而且每次都是同一个错。原因几乎都出在推理时的预处理和训练不一致：要么没做归一化，要么图片通道顺序不对。opencv-python读出来的图片是 BGR 顺序，而 torchvision 的模型期望 RGB，直接喂会得到错乱的颜色特征；cv2.imread读图后必须转一次顺序：
import cv2 img = cv2.imread("test.jpg") img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB) # 之后再做 resize、转 tensor、归一化逻辑说明：cv2.cvtColor把 BGR 转成 RGB，这一步必须在 resize 之前做，避免颜色通道已经被插值算法混合。另外，推理脚本里的transforms要和训练时用的val_transform完全一致，尤其是归一化的 mean 和 std。很多毕设源码给的 predict.py 里忘了归一化，这个 bug 藏得很深，因为单张图跑起来不报错，就是结果不对。
6. 最后一步：用 Flask 包一个识别接口，并把置信度阈值调明白
训练进度的终点不是.pth文件，而是一个能给别人演示的入口。
6.1 Flask 最小接口与图片上传识别
常见做法是用 Flask 起一个本地服务，接收上传图片，返回识别类别、置信度和时间。代码量不大，却是答辩现场最出效果的部分：
from flask import Flask, request, jsonify from PIL import Image import torch, torchvision.transforms as transforms app = Flask(__name__) model = torch.load("checkpoints/best_model.onnx", map_location="cpu") model.eval() 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]) ]) @app.route("/predict", methods=["POST"]) def predict(): file = request.files["image"] img = Image.open(file.stream).convert("RGB") tensor = transform(img).unsqueeze(0) with torch.no_grad(): outputs = model(tensor) probs = torch.softmax(outputs, dim=1) conf, idx = torch.max(probs, 1) return jsonify({"class": classes[idx.item()], "confidence": round(conf.item(), 4)}) if __name__ == "__main__": app.run(host="0.0.0.0", port=5000)启动后浏览器访问http://127.0.0.1:5000/predict或用 POST 方式传一张图片，就能拿到 JSON 结果。注意.convert("RGB")这一步，PIL 打开图片时可能是 RGB、RGBA 甚至灰度图，通道和归一化约定必须在这里再次统一。
6.2 用测试集切片验证接口，并调整置信度阈值
接口能跑通只是起点，真正值得做的是用测试集切片打一遍接口，看它会不会把低置信度的图片硬分类。如果模型对某张图输出 0.55 的置信度，说明它其实在“猜”，而接口不该给出斩钉截铁的答案。常见做法是加一个阈值判断：置信度低于 60% 时返回“待人工复核”，而不是强行指定一个类。
我现在的习惯是每次交付前，从测试集里随机抽 200 张图，跑一遍接口，统计置信度分布和错误样本的置信度区间。这个习惯源于一次翻车：某次演示时，一张没见过的环境噪声图被模型以 0.97 的置信度判成健康叶片，当场被追问“模型是不是只会答健康”。之后我就把阈值逻辑写进接口，低于阈值就拒绝回答，效果反而更好。置信度阈值不用拍脑袋定，用验证集画一张正确样本和错误样本的置信度分布图，选两者分离最明显的点即可。
这套流程走到这里，你手里是一个可复现、可解释、可演示的农作物病虫害识别分类系统，每一步都能讲出原因，希望帮到你。
本文还有配套的精品资源，点击获取
