基于PyTorch的CNN卷积神经网络鸡蛋破损识别项目实战

如果你最近正在为毕业设计选题发愁，或者刷到过“基于Python的CNN卷积神经网络图像分类”这类论文标题，那么鸡蛋破损识别这个项目，其实是一个特别典型的样本。它表面看起来就是训练一个二分类模型，输入一张图片，输出“完好”或“破损”，但真正做一遍就会发现，数据怎么采、模型怎么搭、训练怎么调，每一步都藏着不少坑。这篇文章我就用自己完整做过的这个项目，把每一步怎么想、怎么做、为什么这么设计，全部掰开讲清楚，争取让照着做的人少走弯路。

我选的技术栈是PyTorch，没选TensorFlow，原因后面会说。整个项目的核心链条是：任务定义 -> 数据集构建 -> 模型设计 -> 训练调优 -> 评估验证，这五步听起来像教科书目录，实际执行时每一步的决策都会直接影响最终准确率。尤其是数据部分，我见过太多人一上来就敲模型代码，结果训了半天发现准确率上不去，回头一看，问题全出在数据集上。所以这篇文章也会把数据准备放到很重要的位置来讲。

1. 项目整体设计：先想清楚要解决什么问题

1.1 任务本质：不是识别鸡蛋，而是识别“破损”这一状态

很多人拿到这个题目，第一反应是“这不就是图像分类嘛”，然后直接开干。但稍微细想一下，任务描述里有一个容易被忽视的关键词——破损。我们要做的不是“认出这是鸡蛋”，鸡蛋本身的外形大家都很熟悉，真正难的是让模型学会“什么样算破损”。

破损蛋在真实场景里形态差异非常大。常见的有几种：蛋壳出现细长裂纹、一端被磕出凹陷、蛋壳碎成蛛网状但还没掉、甚至蛋液已经流出后蛋壳表面粘着湿润残留物。这些形态之间的视觉特征差别很大，细裂纹可能只有一两个像素宽，凹陷则表现为局部高光和阴影的突变，蛋液渗出会改变蛋壳表面的反光特性。如果一开始就把这些全部塞进同一个“破损”标签，模型要学的是一个多模态的类内分布，难度比单纯区分“红苹果”和“绿苹果”高得多。

所以我在项目第一步做的事情，是先给“破损”定一个可操作的范围。我的方案很朴实：主要识别裂纹和凹陷这两种最常见破损，蛋液渗出的样本如果有就单独收集，但没有强求。因为对毕业设计来说，完整覆盖所有破损形态不是必须的，把问题定义清楚、把一类问题做扎实，比模糊地追求“什么都能识别”更重要。

1.2 为什么传统图像处理方案搞不定这件事

如果时间退回几年前，很多做鸡蛋破损检测的人会先用传统机器视觉方案，思路大概是：对图像做灰度化、二值化，然后用边缘检测算子去找轮廓，再看图像里有没有异常长线。这种方案在固定光照、纯色背景、鸡蛋位置固定的实验室环境里确实能跑通，但放到稍微真实一点的环境里就非常脆弱。

首先，蛋壳本身不是光滑均匀的白色，它有天然的斑点、气孔纹路，甚至有些蛋壳自带细密网状花纹。传统边缘检测算法根本无法区分“蛋壳固有纹理”和“真实裂纹”，因为从像素梯度上看，这两者都可能表现为高强度边缘。其次，光照变化会带来高光、阴影和反光，破损区域在反光下可能被高光完全淹没，也可能因为阴影变得更明显，这种不稳定性是传统算法最头疼的。最后，传统方案要人工设计特征、调阈值，换一批鸡蛋、换一个光源，参数可能全都要重调，通用性很差。

我一开始还真试过用Canny边缘检测加霍夫变换来对比实验，结果在干净背景的测试图上有七八成准确率，一旦把鸡蛋旋转个角度、换个光源方向，准确率直接掉到五成以下，基本等于随机猜。这次对比实验让我彻底放弃了传统路线，也让我在论文里“为什么选择CNN”这一节有了实打实的对比数据可以写。

1.3 为什么最终选择CNN和PyTorch

CNN（卷积神经网络）相比传统方案的核心优势，是它不再依赖人工设计特征，而是让模型从数据中自动学习“什么特征代表破损”。这一点在裂纹检测上非常关键，因为裂纹的特征组合太复杂了：可能是连续的长边缘、可能是局部区域的灰度突变、也可能是细线周围的纹理断裂。手工把这些特征全部列出来几乎不可能，但CNN可以通过多层卷积逐步组合出这些模式。

框架选择上，我对比过PyTorch和TensorFlow，最后选了PyTorch。原因很直接：PyTorch的代码风格接近Python原生逻辑，调试体验好，遇到报错时定位问题更快；而且torchvision里自带数据增强、预训练模型和常用数据集接口，对毕业设计这种“快速迭代验证”的场景非常友好。另外PyTorch社区资料量大，遇到问题基本都能搜到解决方案。

2. 卷积神经网络的核心原理与模型选型

2.1 CNN是怎么“看”鸡蛋的：一个容易理解但不失准确的说法

想用好CNN，至少得清楚它内部在做什么。我讲给同组学弟听的时候，用的类比是“拿着不同大小的放大镜在图像上滑动”。卷积层做的事情，就是用一组小矩阵（卷积核）在图像上逐格滑动，每个位置计算一次加权求和，得到一个新的数值。这个数值表示“当前区域和这个模板的匹配程度”。

第一层卷积核通常只能学到很基础的局部特征，比如横线、竖线、斜线、颜色块。这个阶段对应到鸡蛋图像上，就是“有没有一条亮暗突变的细线”。继续往后经过多层卷积，网络会把前面学到的边缘组合成更复杂的模式，比如“几条边缘围成的凹陷区域”“带有放射状纹理的碎裂中心”。这就是CNN神奇的深层特征，它的抽象层次逐层提高，最终全连接层根据这些高级特征综合判断是完好还是破损。

2.2 自建小网络：结构设计与参数量估算

模型设计上，很多人一上来就想着用VGG16、ResNet50这种预训练大模型。但我的建议是，如果做的是毕业设计、想要真正把训练流程掌握清楚，先从一个自己定义的小型CNN开始更合适。原因有两点：一是小网络参数量少，训练速度快，CPU也能跑，调试周期短；二是自己设计网络结构时能直观理解每一层的作用，答辩时被问“你这个模型为什么这么设计”能答得上来。

我用的是一个四层卷积的小网络，输入图像统一缩放到128×128。结构大致如下：

import torch import torch.nn as nn class EggCrackCNN(nn.Module): def __init__(self, num_classes=2): super(EggCrackCNN, self).__init__() self.features = nn.Sequential( nn.Conv2d(3, 16, kernel_size=3, padding=1), nn.BatchNorm2d(16), nn.ReLU(inplace=True), nn.MaxPool2d(2), nn.Conv2d(16, 32, kernel_size=3, padding=1), nn.BatchNorm2d(32), nn.ReLU(inplace=True), nn.MaxPool2d(2), nn.Conv2d(32, 64, kernel_size=3, padding=1), nn.BatchNorm2d(64), nn.ReLU(inplace=True), nn.MaxPool2d(2), nn.Conv2d(64, 128, kernel_size=3, padding=1), nn.BatchNorm2d(128), nn.ReLU(inplace=True), nn.MaxPool2d(2), ) self.classifier = nn.Sequential( nn.AdaptiveAvgPool2d(1), nn.Flatten(), nn.Dropout(0.5), nn.Linear(128, num_classes) ) def forward(self, x): x = self.features(x) x = self.classifier(x) return x

这里每一层卷积我都保留了3×3大小的卷积核，配padding=1，保证特征图尺寸不缩小，然后用MaxPool2d做一次下采样。图像从128×128经过四次池化，最后变成8×8×128的特征图，再通过自适应平均池化压成1×1×128的向量，最后由全连接层输出2个类别的分数。

为什么要加BatchNorm？因为它的作用是让每一层的输入分布尽量稳定，训练时收敛更快，还能起到轻微的正则化效果，对小网络来说性价比特别高。我试过不加BatchNorm的版本，训练到30轮时仍然明显震荡，加上之后20轮以内就稳定了。

参数量可以简单算一下。以第一个卷积层为例：卷积核大小3×3，输入通道3，输出通道16，那么权重参数是3×3×3×16=432个，再加上16个偏置，共448个参数。第二个卷积层是3×3×16×32+32=4640个。四层加起来，整个模型参数量大约在12万左右。这个量级用CPU训练也完全没问题，一个epoch只要几分钟。

2.3 损失函数与优化器选型

图像分类的标准损失函数是交叉熵损失（CrossEntropyLoss），PyTorch里直接调用就行。它做的事情，是衡量模型预测的概率分布和真实标签之间的差异，训练过程就是不断减小这个差异。

优化器方面，我推荐直接用Adam，初始学习率设为0.001。Adam的优势是自带自适应学习率调整，对初始参数的敏感性低，尤其适合刚入门、不太会手动调学习率的情况。当然，如果你想追求更高精度，后面对比实验里也可以加上SGD+Momentum，配合余弦退火学习率，往往能比Adam再提升一两个百分点，但调参成本更高，不建议作为第一个跑通的方案。

还有一个细节容易被忽略：类别不平衡。如果数据集中完好蛋有800张、破损蛋只有200张，模型为了降低总损失，会很“偷懒”地把所有图片都预测成完好，因为这样准确率也有80%。解决方法是给损失函数传入类别权重，让数量少的类别在计算loss时获得更大的权重。PyTorch里CrossEntropyLoss的weight参数可以直接设置这个权重。

3. 数据集准备：影响成败的第一关

3.1 数据从哪里来：拍摄方案和数量建议

数据是整个项目的地基，地基不稳，模型再花哨也没用。我得先说一个残酷的事实：网上公开的鸡蛋破损数据集非常少，因为这种数据通常带实际生产背景，公开渠道很难找到质量高的。所以绝大多数情况下，这份数据得自己动手拍。

我的拍摄方案是这样的：用手机支架固定相机俯拍，背景用一张白色亚光纸，光源用一盏台灯加散射光。破损蛋和完好蛋各拍300张左右，总共600张作为基础数据。拍摄时要有意识制造多样性：鸡蛋稍微转一转方向、换一换摆放位置、调整光源角度，让模型看到更多变化。这里有个数据量的建议：每个类别最少200张，如果能到500张以上，效果会明显上一个台阶。如果实在拍不够，可以考虑用部分网络图片补充，但一定要保证和实际拍摄图片的光照、背景差异不要太大。

拍摄过程里还有一个小技巧：把破损蛋和完好蛋放在同一个位置、用同一个角度去拍，但不要机械地重复。我发现如果所有完好蛋都有一模一样的背景阴影，模型可能会“偷看”背景来判断类别，而不是真的在看蛋壳细节。所以拍摄时最好让鸡蛋在画面中的位置、大小、旋转角度都有所变化。

3.2 标注与清洗：别让脏数据毁了整个模型

对于二分类任务，标注看起来很简单：完好蛋打标签0，破损蛋打标签1。实际操作上，我用了一种很土但高效的办法：拍摄时就把不同类别的图片放进不同文件夹，例如normal/和broken/，然后用文件夹名作为标签来读取。这样做的好处是省去了逐张标注的重复劳动，也不容易标错。

拍完之后一定要做清洗。我清洗时删掉的图片主要有三类：对焦模糊的、鸡蛋出画或被遮挡的、以及蛋壳本身花纹太复杂导致连人眼都难以判断是否破损的。最后一批数据尤其重要，如果模糊样本混入训练集，模型会学到“模糊=破损”这种完全错误的关联。

另外要注意一个细节：不要把蛋壳本身的自然色斑误标成破损。有些鸡蛋表面有褐色斑点，看起来颜色很深，但这不是裂纹。这种样本如果标成破损，会给模型引入噪声，训练时损失会降不下去。

3.3 数据增强：让模型没那么“玻璃心”

深度学习模型有个毛病：很容易记住训练集里的细节，而不是真正学会泛化。比如你的训练集里所有破损蛋都是竖着摆放的，模型可能学到“竖着+裂纹=破损”，测试时你把蛋横过来，它可能就认不出来了。数据增强就是用来破坏这些不该被模型依赖的“捷径”。

我用的是torchvision自带的transforms，核心增强操作包括随机旋转、水平翻转、亮度抖动和对比度抖动：

from torchvision import transforms train_transforms = transforms.Compose([ transforms.Resize((128, 128)), transforms.RandomRotation(degrees=20), transforms.RandomHorizontalFlip(p=0.5), 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]) ])

这里有一个细节值得说明：RandomRotation的angle不要设置太大。因为鸡蛋在现实场景里通常是近似水平的，如果旋转90度甚至180度，虽然模型能学到方向不变性，但也可能学出一些不自然的特征。20度以内的随机旋转既模拟了摆放偏差，又不会破坏语义信息。

ColorJitter模拟的是不同光照环境下色温和亮度的变化，这一点对实际部署特别重要，因为真实拍摄时光源很难做到完全恒定。

3.4 数据划分与归一化：分对训练集和验证集

数据划分我采用8:1:1的比例，训练集80%，验证集10%，测试集10%。需要注意，划分的时候要用随机方式，防止同一批拍摄的图片全部堆在某个集里。PyTorch里可以直接用random_split或者Subset实现。

归一化这块，很多人直接照搬ImageNet的均值和方差，因为torchvision预训练模型就是用的这套参数。如果你的模型是从零开始训练的，其实用自己数据集的均值和方差效果可能更好。我简单统计了一下我自己数据集的RGB均值，发现蛋壳整体偏白，RGB均值明显高于ImageNet均值，所以我用了自己算出来的归一化参数。这个改动虽小，但实测验证集准确率提升了一个百分点左右。

4. 训练全流程：从数据管道到模型收敛

4.1 数据加载：用DataLoader串起整套流程

训练代码的整体框架比较固定，这里贴一个精简但可直接运行的版本：

from torch.utils.data import Dataset, DataLoader from torchvision.datasets import ImageFolder import os # 读取按文件夹分类的数据集 dataset = ImageFolder(root='data/egg_dataset', transform=train_transforms) # 数据集划分 train_size = int(0.8 * len(dataset)) val_size = int(0.1 * len(dataset)) test_size = len(dataset) - train_size - val_size train_ds, val_ds, test_ds = torch.utils.data.random_split( dataset, [train_size, val_size, test_size] ) train_loader = DataLoader(train_ds, batch_size=32, shuffle=True, num_workers=4, pin_memory=True) val_loader = DataLoader(val_ds, batch_size=32, shuffle=False, num_workers=4, pin_memory=True)

有几个参数值得解释。num_workers=4表示用4个子进程加载图片，训练时不用等每张图片慢慢读，能明显加快速度。如果你的电脑内存不大，可以调小这个值。pin_memory=True在GPU训练时能减少数据传输时间，CPU训练时不影响功能，保留即可。

batch_size=32是基于我的数据集量级选的。这个值太小，训练不稳定；这个值太大，显存容易溢出，而且小数据集上学习效果不一定更好。如果你用的是8G显存的显卡，32这个值基本可以无脑用。

4.2 训练循环：完整代码与日志记录

训练循环的代码并不复杂，核心就是一遍遍迭代数据、计算损失、反向传播、更新参数：

import torch.optim as optim import torch.nn as nn device = torch.device('cuda' if torch.cuda.is_available() else 'cpu') model = EggCrackCNN(num_classes=2).to(device) criterion = nn.CrossEntropyLoss() optimizer = optim.Adam(model.parameters(), lr=1e-3) best_val_acc = 0.0 num_epochs = 40 for epoch in range(num_epochs): # 训练阶段 model.train() train_loss = 0.0 correct = 0 total = 0 for images, labels in train_loader: images, labels = images.to(device), labels.to(device) optimizer.zero_grad() outputs = model(images) loss = criterion(outputs, labels) loss.backward() optimizer.step() train_loss += loss.item() * images.size(0) _, predicted = torch.max(outputs, 1) total += labels.size(0) correct += (predicted == labels).sum().item() train_acc = 100.0 * correct / total train_loss = train_loss / total # 验证阶段 model.eval() val_correct = 0 val_total = 0 with torch.no_grad(): for images, labels in val_loader: images, labels = images.to(device), labels.to(device) outputs = model(images) _, predicted = torch.max(outputs, 1) val_total += labels.size(0) val_correct += (predicted == labels).sum().item() val_acc = 100.0 * val_correct / val_total # 保存效果最好的模型 if val_acc > best_val_acc: best_val_acc = val_acc torch.save(model.state_dict(), 'best_model.pth') print(f'Epoch {epoch+1:02d}/{num_epochs} | ' f'Train Loss: {train_loss:.4f} | Train Acc: {train_acc:.2f}% | ' f'Val Acc: {val_acc:.2f}%')

这段代码里有一个非常重要的设计：每个epoch都做验证，并且验证准确率提升时保存模型。很多新手容易犯的错是训练完直接用最后一轮模型，但其实最后一轮往往已经过拟合了，验证准确率最高点大概率出现在中途某个epoch。保存最优模型而不是最后模型，是最稳妥的做法。

4.3 超参数选择：学习率、轮数和早停策略

训练的超参数组合我调过好几轮，列出几组真实对比：

从我的实验看，0.001的初始学习率最省心。如果你发现训练loss一直不降，最可能的原因就是把学习率设大了，导致参数在最优解附近“来回跳”。另外一个好用的小技巧是配合ReduceLROnPlateau，当验证损失连续几个epoch不下降时自动把学习率缩小一倍，效果接近手动调参：

scheduler = torch.optim.lr_scheduler.ReduceLROnPlateau( optimizer, mode='min', factor=0.5, patience=3, verbose=True ) # 每个epoch结束后调用 # scheduler.step(val_loss)

早停也是防止过拟合的实用策略。我的早停条件是：连续10个epoch验证集准确率没有提升，就提前终止训练。这样既能节省时间，也能避免在过拟合区间继续浪费算力。

4.4 训练过程监控：怎么判断模型是真的在变好

训练过程中，我最关注的两个指标是训练loss和验证准确率。这里有一个容易混淆的地方：训练loss下降是正常现象，但如果不伴随验证准确率提升，说明模型可能在“背答案”而不是“学知识”。

一个典型的健康训练曲线长这样：训练loss稳定下降，验证准确率同步上升，最后两者都趋于平坦。不健康的曲线则有几种表现：训练loss一直下降但验证准确率停滞、验证准确率在某个点突然大幅震荡、或者训练loss直接不降。遇到这些情况，优先检查数据是否有问题、学习率是否合适，而不是急着改网络结构。

我在这个项目里实际观察到的现象是：前5个epoch，验证准确率从85%快速升到92%；第5到第20个epoch，准确率缓慢爬升到95%左右；之后波动变大，继续保持较小的进步。这个平台期就对应着模型正在学习更难区分的那一小部分样本，比如那些裂纹非常细微的破损蛋。

5. 性能评估与答辩展示技巧

5.1 用测试集说话：准确率之外还应该看哪些指标

模型训练完成后，很多同学习惯只看一眼最终的准确率就收工。但如果你在论文里只写“准确率95%”，答辩时老师大概率会追问：这个95%是怎么算出来的？对破损蛋的识别率是多少？如果出现漏判，后果有多严重？

这里有必要引入混淆矩阵。对于二分类问题，预测结果有四种情况：真完好、真破损、误报（完好被识别成破损）、漏报（破损被识别成完好）。在鸡蛋应用场景中，漏报的代价明显更高，因为破损蛋如果流入生产线，会造成食品安全问题，而误报顶多是把好蛋误丢，损失有限。所以除了准确率，一定要算破损类的召回率（Recall），它表示所有真实破损蛋中有多少被正确找出来了。

我最终训练出的模型在测试集上的指标大致如下：

综合准确率95%。这个结果里破损类的召回率比精确率高，说明模型倾向于“宁可信其有”，比较符合鸡蛋检测场景的需求。

计算这些指标，直接用sklearn的classification_report最方便，但它输出的是一份预格式化文本，论文里重新画表格时容易抄错，不如自己用混淆矩阵算一遍。

5.2 单张推理与特征可视化：让模型“解释”自己

如果你只是让模型输出一个类别号和置信度，论文里能写的东西其实有限。更打动人的做法是加一张可视化图，让人直观看到“模型是根据哪些区域做出的判断”。这里我用了最简单的类激活映射思路，效果类似于热力图，模型认为和破损相关的区域会被标成亮色。

具体实现上，可以取出最后一层卷积的输出特征图，按类别权重加权求和，再上采样回原图大小。下面是一个简化版本，只展示逻辑结构：

def get_heatmap(model, image_tensor): # 注册钩子，提取最后一个卷积层的输出 features = [] def hook_fn(module, input, output): features.append(output.detach()) handle = model.features[-1].register_forward_hook(hook_fn) output = model(image_tensor.unsqueeze(0)) handle.remove() # 取全连接层对应类别的权重 fc_weight = model.classifier[-1].weight.detach() # shape: [2, 128] class_idx = output.argmax(dim=1).item() weights = fc_weight[class_idx] # shape: [128] feat = features[0].squeeze(0) # shape: [128, 8, 8] cam = torch.zeros(feat.shape[1:], dtype=torch.float32) for i, w in enumerate(weights): cam += w * feat[i] cam = torch.clamp(cam, min=0) # 再上采样到原图尺寸 return cam

把热力图叠加到原图上之后，效果会非常直观：模型内部的注意力集中在鸡蛋壳的裂纹线路上，而不是在背景或蛋壳的光斑上。这段可视化代码在毕业设计展示里属于加分项，因为它把“黑盒模型”变得可解释。

5.3 模型导出与轻量化：不能只活在Jupyter里

训练完的模型如果只是留在notebook里跑一下，价值有限。我做了两步收尾工作：一是保存成PyTorch标准格式，二是转换成ONNX格式，方便在其他设备上部署。

保存模型直接用torch.save(model.state_dict(), 'egg_crack_model.pth')。ONNX转换需要定一个输入尺寸：

dummy_input = torch.randn(1, 3, 128, 128) torch.onnx.export(model, dummy_input, 'egg_crack_model.onnx', input_names=['input'], output_names=['output'], dynamic_axes={'input': {0: 'batch_size'}, 'output': {0: 'batch_size'}})

转换之后的ONNX模型体积很小，我这个模型只有约1.6MB，部署到树莓派这类设备上做实时检测完全没问题。这些扩展工作在论文的“应用前景”部分能写出很多内容，比空谈“未来可以部署到生产线”有说服力得多。

6. 常见问题与避坑手册

6.1 高频问题速查表

训练过程中我积累了一张问题排查表，几乎适用于所有图像分类方向的毕设项目。遇到问题时先对照这张表，往往比盲目调参数更高效：

遇到问题不要急着改网络结构，先按表格排查数据和训练设置。我见过太多人一遇到准确率不高就想去换ResNet，实际上往往调一下学习率或者权重就能解决。

6.2 我踩过的三个亲历坑位

第一个坑是拍摄数据时把鸡蛋方向和位置放得太固定。我当时为了图省事，每个鸡蛋都放在同一位置、同一角度，结果训练出来的模型在验证集上准确率96%，一到我自己新拍的照片就只剩80%。后来分析发现，模型学会了根据“蛋壳光斑在左上角”来判断类别，因为拍摄时光源方向恒定，完好蛋和破损蛋的光斑位置分布有细微差别。这个教训让我认识到数据多样性远比数据量更重要，后来我有意识地旋转鸡蛋方向、移动位置，重新处理后准确率稳定在95%左右。

第二个坑是初始学习率设成0.01，训练了好几个epoch，训练loss一直在0.7附近震荡。当时我一度怀疑是模型结构问题，差点把整个网络推倒重来。后来静下心来查了查，发现就是学习率太高，Adam在最优解附近弹跳，怎么都收敛不下去。调回0.001之后，两个epoch就明显下降了。这个坑给我最大的收获是：遇到loss不降，先怀疑学习率，再怀疑数据，最后才怀疑模型。

第三个坑是评估时只看总体准确率。我训练早期某个版本准确率有94%，看起来很不错，但查看混淆矩阵后发现破损类召回率只有80%，也就是说每5个破损蛋就有1个被漏检。我仔细核对了数据，发现数据集中完好蛋数量多，模型把损失重心放在了数量多的类别上，牺牲了破损类的召回率。给损失函数加类别权重之后，破损类召回率提到97%，总体准确率没有太大下降，效果明显更好。

6.3 一些关于毕设答辩的建议

这个项目做得差不多了之后，我回想自己整个过程中的收获，觉得有两个层面最值得在答辩时展开。第一是“为什么用深度学习而不是传统图像处理”，这时可以把Canny边缘检测的对比实验结果拿出来，用数据说明传统方案在光照变化下准确率掉的有多快，从而体现对任务的理解深度。第二是“模型为什么这样设计”，这时可以从参数量估算切入，讲清楚为什么用小网络、为什么加BatchNorm、为什么损失函数要调整类别权重，这些细节能证明你是真的在做项目、在思考，而不只是会跑通一段代码。

写在最后的一点个人经验

这个项目做完，我的整体感受是：图像分类类毕设的入门门槛不高，但想做出一个高质量、经得起追问的项目，功夫全在模型之外的细节上。数据怎么拍、增强怎么做、指标怎么选，每一步都决定了最终效果的天花板。说句实在话，如果只是交一个能跑的demo，三五天就能搞定；但如果你想在答辩时对每个决策都讲出依据，那就要在数据采集和对比实验上多花心思。

最后再分享一个小技巧：训练过程中每保存一次模型，顺手把当前epoch的验证结果和模型路径写进程一个文本日志文件，不要只打印在终端里。这样就算中途关了终端或者改代码出了岔子，也不至于丢光所有实验记录。这个小习惯在写论文、整理实验对比表格时帮助非常大。