简介：面向计算机视觉课程设计、期末大作业与毕业设计的完整实践项目，基于 Python 和 CNN 实现花卉图像识别，源码经导师指导并获评 99 分，代码可直接运行，适合需要快速交付成果的高校学生和项目实战学习者。资源以 zip 压缩包交付，共 13 个文件、10.82MB。其中 6 个 Python 脚本按功能拆分数据读取、模型定义、训练验证和 GUI 界面展示等模块，可直接替换数据集或调整网络结构；YAML 与 TXT 文件用于恢复依赖环境；DOCX 与 PPTX 是配好的设计报告和答辩幻灯片；RAR 归档为输入数据压缩包，另有 .gitignore 与 Markdown 说明文件，整体覆盖从环境配置到项目汇报的完整链路。目前已有 147 人学习浏览，实际验证了项目可复现性。对入门深度学习的读者来说，这份资源能直观展现 CNN 图像分类的完整流程，并可当作课程设计或期末大作业的高分参考模板，减少环境配置与调参排错的时间成本。
1. 从「跑通模型」到「交付一门大作业」，差的是整套工程闭环
「Python基于CNN的花卉图像识别」是计算机视觉课程里出现频率最高的一类大作业：任务明确、数据可得、模型成熟，但真正拉开分数差距的从来不是谁把准确率从 92% 调到 93%，而是谁能把数据、模型、训练、评估和设计报告完整地串成一条可复现、可解释的链路。标题里的「源码+模型+设计报告及资料」其实已经暗示了老师的验收维度——光有准确率不够，你得能说清楚每一层卷积在干什么、为什么用迁移学习、损失曲线里每个拐点意味着什么。
这篇文章就按我自己做这类大作业的完整路径来讲：从数据集预处理开始，到 CNN 模型结构选型，再到训练参数调节与曲线诊断，最后落到评估指标和设计报告的写法。全程使用 Python 和 PyTorch，给出的代码可以直接抄进你的工程里改改跑通，同时把每个参数背后的理由讲透，这样报告里的「技术分析」部分你也有东西可写。
2. 花卉数据集的选型、预处理与数据增强
2.1 公开花卉数据集怎么选
做花卉图像识别，首选是 Oxford 102 Flower Dataset，一共 102 个类别、8189 张图像，每类大约 40 到 80 张。另一个常见选择是 17 Category Flower Dataset，类别少、每类 80 张，适合快速验证流程。这类数据集的标注形式通常是「每个类别一个文件夹」，图片是按类别存放的 JPEG 文件，PyTorch 的torchvision.datasets.ImageFolder可以直接读取，不需要手写复杂的标注解析。
如果你所在学校要求自采数据，注意两点：一是每类图片数量尽量均衡，别让某个类别只有 10 张而另一个有 100 张，分类器对样本多的类别会有天然偏向；二是图片尺寸要统一处理，手机拍的图分辨率差距很大，统一缩放到 256×256 再随机裁剪到 224×224，能让训练更稳定。数据划分上，我一般按 7:2:1 切训练集、验证集、测试集，并且用随机种子固定划分方式，保证实验可复现——这也方便在设计报告里交代清楚数据来源和分配比例。
数据规模方面想强调一点：每类只有几十张图的场景下，数据增强对最终准确率的影响比换一个更大的骨干网络更明显。先别急着上 EfficientNet，把增强做好，ResNet18 就能在 Oxford 102 上跑出 90% 以上的 Top-1 准确率。
2.2 预处理与增强的参数配置
训练集和验证集必须使用不同的预处理流程，这是大作业报告里经常被忽略、但对结果影响很大的细节：
# 训练集：数据增强 + 归一化 train_transform = transforms.Compose([ transforms.RandomResizedCrop(224, scale=(0.7, 1.0)), transforms.RandomHorizontalFlip(), transforms.RandomRotation(15), transforms.ColorJitter(brightness=0.3, contrast=0.3, saturation=0.3), transforms.ToTensor(), transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]) ]) # 验证集/测试集：只做缩放、中心裁剪和归一化 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]) ])代码里的Normalize用的是 ImageNet 数据集的均值方差，原因是后面要加载在 ImageNet 上预训练的权重，输入分布必须对齐。RandomResizedCrop的scale=(0.7, 1.0)控制裁剪面积占原图的比例，值设太小会让花朵主体不完整；RandomRotation(15)控制在 ±15 度内旋转，花卉图片不像数字识别可以随便转 90 度，转太多会产生不符合自然分布的样本。
增强的本质是扩大训练样本分布覆盖范围，抑制过拟合。对花卉场景，水平翻转和随机裁剪基本是必选的，颜色抖动对花色丰富的数据集特别有效——因为同一种花在不同光照下颜色差异本来就大。要注意验证集绝不能用增强变换，否则训练曲线和真实分布之间会出现偏差，你看到的验证准确率会比实际部署时虚高。
2.3 Dataset 与 DataLoader 的工程实现
将划分好的图片目录喂给ImageFolder后，还需要考虑 DataLoader 的并发参数。在 GPU 训练时，数据加载速度必须跟得上 GPU 的计算速度，否则 GPU 利用率会一直很低，表现为训练时显存占用高但nvidia-smi里的利用率不稳定。
from torch.utils.data import DataLoader from torchvision import datasets train_dataset = datasets.ImageFolder(root='data/train', transform=train_transform) val_dataset = datasets.ImageFolder(root='data/val', transform=val_transform) train_loader = DataLoader( train_dataset, batch_size=32, shuffle=True, num_workers=4, pin_memory=True, drop_last=True ) val_loader = DataLoader( val_dataset, batch_size=64, shuffle=False, num_workers=4, pin_memory=True ) print(f"训练集样本数: {len(train_dataset)}, 类别数: {len(train_dataset.classes)}")这里batch_size=32是 ResNet18 在 8GB 显存条件下比较稳妥的取值，如果你的显卡只有 4GB，可以降到 16；num_workers=4开启 4 个子进程做数据加载，在 Windows 上如果报BrokenPipeError，改成 0 或 2 试试；pin_memory=True锁页内存能加快 CPU 到 GPU 的拷贝速度。drop_last=True在训练集样本数不能被 batch_size 整除时丢弃最后一批，保证每个 batch 形状一致——这小参数能避免在 BN 层统计时踩到 batch size 过小的坑。
3. CNN 结构图背后的模型设计逻辑与迁移学习
3.1 从 CNN 结构图看懂卷积层在做什么
关于 CNN，我建议先不用急着追最新的图像识别模型，先把经典结构吃透。一个花卉分类网络通常遵循「卷积层提特征 + 全连接层做分类」的结构：卷积核在图像上滑动，每个卷积核学一种局部模式——花瓣的边缘、纹理、颜色块；池化层（如最大池化）压缩特征图尺寸，把位置信息换成平移不变性；激活函数（ReLU）引入非线性。网络越深，感受野越大，浅层学边缘、中层学纹理、深层学花瓣和花蕊的组合结构。
以 ResNet18 为例，它的结构图可以简化为四个 stage，每个 stage 由若干 BasicBlock 组成，特征图尺寸从 56×56 一路降到 7×7，通道数从 64 倍增到 512。这种「分辨率减半、通道数翻倍」的设计目的一方面是控制计算量，另一方面是让深层网络有足够的通道来表达更复杂的语义特征。最后一个全局平均池化把 512×7×7 的特征图压成长度为 512 的向量，再接全连接层输出 102 个类别的 logits。
手写一个简化的三卷积层 CNN 也要遵循这个规律，这是大作业里「自定义网络」部分的好素材：
import torch.nn as nn class SimpleCNN(nn.Module): def __init__(self, num_classes=102): super().__init__() self.features = nn.Sequential( nn.Conv2d(3, 32, kernel_size=3, padding=1), # 3→32通道 nn.BatchNorm2d(32), nn.ReLU(inplace=True), nn.MaxPool2d(2), # 112×112 nn.Conv2d(32, 64, kernel_size=3, padding=1), # 32→64通道 nn.BatchNorm2d(64), nn.ReLU(inplace=True), nn.MaxPool2d(2), # 56×56 nn.Conv2d(64, 128, kernel_size=3, padding=1), # 64→128通道 nn.BatchNorm2d(128), nn.ReLU(inplace=True), nn.MaxPool2d(2), # 28×28 ) self.classifier = nn.Sequential( nn.AdaptiveAvgPool2d(1), nn.Flatten(), nn.Linear(128, num_classes) ) def forward(self, x): return self.classifier(self.features(x))这段代码演示了 CNN 结构图里每个层在代码中怎么落位：每个卷积后接BatchNorm2d和ReLU，再做池化，这是当前比较标准的卷积块写法。padding=1保证卷积不改变特征图尺寸，池化负责缩小。AdaptiveAvgPool2d(1)的好处是无论输入尺寸如何，输出都是 1×1，全连接层输入维度固定——这样换输入分辨率时不用改模型代码。此网络参数量约 70 万，训练速度很快，适合作为对比实验中的「基线模型」，用来衬托迁移学习的效果。
3.2 选型对比：从零训练还是迁移学习
花卉识别大作业面临一个典型的工程选择：从头训练一个 CNN，还是加载在 ImageNet 上预训练好的模型再微调？
| 方案 | 适用场景 | 训练时间（1080Ti） | 预期准确率（Oxford 102） |
|---|---|---|---|
| 自建 3 层 CNN 从零训练 | 理解卷积原理 / 对比实验 | 约 20 分钟 | 70%～80% |
| ResNet18 从零训练 | 没有预训练权重且数据量很大 | 约 1 小时 | 80% 左右 |
| ResNet18 迁移学习 | 小数据集，最推荐 | 约 30 分钟 | 90% 以上 |
对训练样本每类不到 100 张的花卉数据集，从零训练 CNN 非常容易过拟合。迁移学习相当于把模型在 ImageNet 上学会的纹理、边缘、形状等通用特征「搬运」过来，只需要在花的具体特征上做微调。从优化角度看，预训练权重提供了一个非常靠近最优解的初始化点，梯度下降只需要走一小段路就能收敛，所以收敛快、最终精度高。
3.3 迁移学习模型代码与冻结策略
加载预训练模型并替换最后的全连接层是标准操作，关键在于特征层是否冻结：
import torchvision.models as models def get_resnet18(num_classes=102, freeze_backbone=True): model = models.resnet18(weights=models.ResNet18_Weights.IMAGENET1K_V1) # 替换最后一层全连接，输出改为花卉类别数 in_features = model.fc.in_features model.fc = nn.Linear(in_features, num_classes) if freeze_backbone: for param in model.parameters(): param.requires_grad = False # 只让全连接层可训练 for param in model.fc.parameters(): param.requires_grad = True return modelfreeze_backbone=True时，骨干网络的卷积层参数全部固定，只训练新加的 fc 层。这适合先跑通流程、快速验证数据和预处理是否没问题。如果准确率卡在 85% 上下，再把freeze_backbone改为False，用较小的学习率对整个网络微调，一般能再涨 3 到 5 个点。
weights=models.ResNet18_Weights.IMAGENET1K_V1是新版 torchvision 的推荐写法，旧代码里的pretrained=True在新版本会报警告，设计报告里建议写清你用的是哪一种加载方式。要注意 PyTorch 2.x 的 torchvision 里，ResNet18_Weights.IMAGENET1K_V1与V2在预处理要求上有细微差别，但使用 2.2 节给的 ImageNet mean/std 不会有问题，因为差别体现在缩放策略而非归一化参数上。
4. 训练代码、损失曲线诊断与超参数调节
4.1 优化器选型与学习率设置
花卉识别大作业中，优化器最常见的两种选择是 Adam 和 SGD + Momentum，二者在实践中的差异值得在报告里重点写。
| 优化器 | 初始学习率 | 收敛速度 | 最终精度 | 适用阶段 |
|---|---|---|---|---|
| Adam | 1e-3 | 快 | 较高 | 快速验证流程 |
| SGD + Momentum(0.9) | 1e-2（微调用 1e-3） | 慢 | 高 | 最终精调 |
Adam 自适应调整每个参数的学习率，前期收敛快，适合先跑通流程；但有不少实验表明，SGD 配合适当的学习率调度在图像分类任务上反而能收敛到更平坦的极小值，泛化更好。我的做法是：阶段一用 Adam 以 1e-3 跑 10 个 epoch 确定模型结构没问题；阶段二换 SGD，初始学习率 1e-2，训练 30 个 epoch 后看曲线决定是否继续。如果你不想分阶段，直接 Adam 配ReduceLROnPlateau也能拿到相当好的结果。
4.2 完整训练循环与模型保存
训练代码的核心在于「训练 + 验证交替」的结构，以及「按验证准确率保存最优模型」的机制：
import torch import torch.nn as nn device = torch.device("cuda" if torch.cuda.is_available() else "cpu") model = get_resnet18(num_classes=102, freeze_backbone=True).to(device) criterion = nn.CrossEntropyLoss() optimizer = torch.optim.Adam(model.fc.parameters(), lr=1e-3) scheduler = torch.optim.lr_scheduler.ReduceLROnPlateau( optimizer, mode='max', factor=0.5, patience=3, verbose=True ) best_acc = 0.0 num_epochs = 20 for epoch in range(num_epochs): # ---------- 训练阶段 ---------- model.train() train_loss = 0.0 correct = 0 total = 0 for inputs, labels in train_loader: inputs, labels = inputs.to(device), labels.to(device) optimizer.zero_grad() outputs = model(inputs) loss = criterion(outputs, labels) loss.backward() optimizer.step() train_loss += loss.item() * inputs.size(0) _, predicted = torch.max(outputs, 1) total += labels.size(0) correct += (predicted == labels).sum().item() avg_train_loss = train_loss / total train_acc = 100.0 * correct / total # ---------- 验证阶段 ---------- model.eval() val_correct = 0 val_total = 0 val_loss = 0.0 with torch.no_grad(): for inputs, labels in val_loader: inputs, labels = inputs.to(device), labels.to(device) outputs = model(inputs) loss = criterion(outputs, labels) val_loss += loss.item() * inputs.size(0) _, predicted = torch.max(outputs, 1) val_total += labels.size(0) val_correct += (predicted == labels).sum().item() avg_val_loss = val_loss / val_total val_acc = 100.0 * val_correct / val_total scheduler.step(val_acc) # 保存验证集上表现最好的模型 if val_acc > best_acc: best_acc = val_acc torch.save({ 'epoch': epoch, 'model_state_dict': model.state_dict(), 'optimizer_state_dict': optimizer.state_dict(), 'val_acc': val_acc, 'num_classes': 102 }, 'best_model.pth') print(f"Epoch {epoch+1:03d} | " f"Train Loss {avg_train_loss:.4f} | Train Acc {train_acc:.2f}% | " f"Val Loss {avg_val_loss:.4f} | Val Acc {val_acc:.2f}%")代码里有几个细节值得在报告里展开：optimizer.zero_grad()必须在每个 batch 前清空梯度，否则梯度会在 batch 间累加；model.train()和model.eval()切换 BN 层的运行状态，训练时 BN 用当前 batch 的统计量，验证时用训练阶段累积的全局统计量——只写了model.eval()忘了切回model.train()是新手最常见的 bug，会导致Dropout和BN行为错乱；torch.save不只存模型权重，还存 epoch 数和优化器状态，这样中断训练后可以断点续训。
ReduceLROnPlateau的mode='max'表示监控验证准确率，连续 3 个 epoch 没有刷新最佳值就把学习率乘以 0.5。这个策略非常稳，也容易在报告里写清楚——「当验证集指标陷入平台期时，缩小学习率有助于在更细的尺度上继续搜索」。
4.3 损失曲线诊断
训练完成后，用 matplotlib 画出两条曲线:训练 Loss / 验证 Loss，以及训练准确率 / 验证准确率。这里介绍曲线分析的「读图三连」：
第一条曲线看整体趋势。正常情况是训练 Loss 逐步下降，验证 Loss 同步下降且略高于训练 Loss，两条曲线靠得越近说明过拟合程度越低。第二条曲线看两者的间距，如果随着训练进行，训练 Loss 持续下降但验证 Loss 掉头上升，说明模型开始记忆训练样本的噪声，经典的过拟合信号。此时优先加大数据增强强度（例如把RandomRotation从 15 增加到 30），而不是盲目的增加训练轮数。
第三条曲线看拐点。如果训练 Loss 在前 2 个 epoch 内急速下降，后面基本走平，可能学习率偏大或模型容量远大于任务需求。如果训练 Loss 下降非常缓慢且震荡剧烈，学习率可能太小或 batch size 偏小导致梯度噪声太大。曲线诊断时要先确认一个前提：验证集没有做过数据增强，否则你看到的验证 Loss 波动和真实分布差异是混在一起的。
5. 评估指标、设计报告结构与单图预测部署
5.1 用混淆矩阵定位分类难点
测试集上的最终评估不能只看一个准确率，还需要计算每个类别的精确率、召回率和 F1-score，并画出混淆矩阵，找出模型容易混淆的具体花卉类别。
from sklearn.metrics import classification_report, confusion_matrix, accuracy_score import numpy as np y_true = [] y_pred = [] model.eval() with torch.no_grad(): for inputs, labels in test_loader: inputs = inputs.to(device) outputs = model(inputs) _, predicted = torch.max(outputs, 1) y_true.extend(labels.numpy()) y_pred.extend(predicted.cpu().numpy()) acc = accuracy_score(y_true, y_pred) print(f"测试集准确率: {acc:.4f}") print(classification_report(y_true, y_pred, digits=3)) conf_mat = confusion_matrix(y_true, y_pred) # 找出混淆最多的类别对 class_names = test_dataset.classes for i in range(len(class_names)): for j in range(len(class_names)): if i != j and conf_mat[i][j] > 5: print(f"混淆: {class_names[i]} 被误判为 {class_names[j]}，共 {conf_mat[i][j]} 张")classification_report里的 macro avg 在类别不均衡情况下比准确率更有参考价值，因为每个类别的贡献被平均了。报告里可以挑选几个容易混淆的类别做具体分析，比如「玫瑰」和「月季」之间的误判，说明这两种花在花瓣层叠形态和颜色分布上高度相似，浅层纹理特征不足以区分，需要依赖更深层的花瓣结构特征。这种分析比单贴一张混淆矩阵图加分得多。
5.2 设计报告的推荐结构与写作要点
大作业的设计报告一般要求覆盖问题定义、方案设计、实验过程和结果分析，可以按下面的结构组织：
| 章节 | 内容要点 | 篇幅建议 |
|---|---|---|
| 引言 | 任务背景、数据集介绍、工作要求 | 1 页 |
| 方案设计 | CNN 结构图（画模型结构）、迁移学习选型理由、数据增强策略 | 2～3 页 |
| 实验设置 | 硬件环境、PyTorch 版本、超参数表格、数据划分方式 | 1 页 |
| 实验结果 | 损失曲线、准确率曲线、混淆矩阵、逐类指标分析 | 2～3 页 |
| 总结 | 遇到的问题与解决方案、可改进方向 | 0.5 页 |
「方案设计」部分要把每个选择说成有依据的决策而非随意选择。比如「选择使用在 ImageNet 上预训练的 ResNet18，因为它有 18 层残差结构，在保持梯度顺畅的同时参数量约 1100 万，适合小样本数据集的微调」。实验部分不必展示所有轮数的输出，给出最终模型在测试集上的分类报告和 2～3 张预测可视化图即可。
5.3 单张图像预测脚本与模型导出
最后一步是脱离 DataLoader 直接对单张图片做分类预测，这相当于把模型从训练框架中解放出来，也方便演示给老师看：
import torch from PIL import Image import torchvision.transforms as transforms def predict_image(image_path, model_path, class_names, device='cpu'): model = get_resnet18(num_classes=len(class_names), freeze_backbone=False) checkpoint = torch.load(model_path, map_location=device) model.load_state_dict(checkpoint['model_state_dict']) model.to(device).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]) ]) image = Image.open(image_path).convert('RGB') tensor = transform(image).unsqueeze(0).to(device) with torch.no_grad(): output = model(tensor) probs = torch.softmax(output, dim=1).squeeze(0) top3 = torch.topk(probs, 3) for idx, prob in zip(top3.indices, top3.values): print(f"{class_names[idx]}: {prob.item():.4f}") predict_image('test_flower.jpg', 'best_model.pth', test_dataset.classes)unsqueeze(0)把单张图像从 3×224×224 变成 1×3×224×224，凑出 batch 维度。预测时务必走与验证集相同的预处理，不能带任何增强操作。torch.topk一次取前三名，展示 Top-3 比只展示 Top-1 更容易解释——即使第一名的置信度不高，看看模型认为的「第二名」是哪类，也能帮你判断是模型问题还是数据问题。
如果要在没有 PyTorch 的机器上演示，可以考虑把模型用torch.jit.trace导出为 TorchScript，或者在torch.onnx.export导出为 ONNX 后配合 ONNX Runtime 推理，后者能把单张推理延迟压到几十毫秒。不过对大作业交付而言，能跑通 torch.save 的best_model.pth已经满足需求了。
本文还有配套的精品资源，点击获取
