简介：这份资源面向希望上手深度学习图像分类的开发者与学习者，聚焦TensorFlow 2.X环境下MobileNetV2模型的实战应用。内容基于植物幼苗数据集中的部分样本，覆盖12个类别，适合作为小数据集迁移学习的练手项目。压缩包共约2000个文件，以png图片数据为主，另含4个Python脚本、1份PDF说明文档和1个h5模型文件，整体约961.42MB，图片用于训练与验证，脚本负责数据加载、标签onehot编码、数据增强、mixup、数据集切分及预训练模型加载等环节。目前已有753人学习下载。通过这份资源，读者可以完整走通从数据准备到模型加载的流程，理解线性瓶颈与倒残差结构在轻量级网络中的作用，并借助现成脚本与模型文件快速复现实验、对照排查问题，为移动端图像分类任务打下实践基础。
1. 小数据集也能跑 MobileNetV2：这份 TensorFlow2.X 图像分类包到底给了什么
手里只有几百张图，却要做一个 12 类别的图像分类任务，这种场景在工业质检、农业识别、医疗辅诊里太常见了。很多人第一反应是上 ResNet50 或者 EfficientNet，结果训练集准确率冲到 99%，验证集死活上不去，典型的过拟合翻车现场。这份资源给了一条更务实的路线：用 TensorFlow2.X 加载 MobileNetV2 预训练权重，配合数据增强和 mixup，在植物幼苗小数据集上做 12 分类。MobileNetV2 的核心是倒残差结构和线性瓶颈，参数量只有 3.4M 左右，推理速度快，适合往移动端或者边缘设备上落。资源包里包含my_model.h5训练好的权重文件、一份 PDF 说明文档，以及若干张训练过程截图。如果你手头的数据集规模不大，又想快速验证一个图像分类算法能不能跑通，这份东西能帮你省掉搭骨架的时间。下面我从数据加载一路讲到模型保存，把每个环节的参数和坑都拆开说。
2. 数据管道与标签编码：从文件夹到 tf.data.Dataset 的完整链路
2.1 为什么小数据集必须走 tf.data 而不是 ImageDataGenerator
TensorFlow2.X 里做图像分类，常见做法有两种：ImageDataGenerator的flow_from_directory和tf.data.Dataset的image_dataset_from_directory。前者是 Keras 老牌接口，后者是 TF2 原生推荐。小数据集上两者都能跑，但tf.data的优势在于管道可以预取、缓存、并行化，而且和tf.keras的fit配合更顺。我一般会优先用image_dataset_from_directory，因为它直接吃文件夹结构，标签自动按子目录名生成，省掉手写映射的麻烦。
资源里的植物幼苗数据集按类别分文件夹存放，每个子文件夹是一种幼苗。加载时指定image_size=(224, 224)、batch_size=32、label_mode='categorical'，这样标签直接就是 onehot 编码，不用再手动转。注意label_mode有三个可选值：int返回整数标签，categorical返回 onehot，binary用于二分类。12 分类任务必须用categorical，否则后面算损失函数时维度对不上。
import tensorflow as tf # 训练集路径和验证集路径按实际目录调整 train_dir = 'data/train' val_dir = 'data/val' train_ds = tf.keras.preprocessing.image_dataset_from_directory( train_dir, image_size=(224, 224), # MobileNetV2 默认输入尺寸 batch_size=32, label_mode='categorical', # 12 分类，输出 onehot shuffle=True, seed=42 ) val_ds = tf.keras.preprocessing.image_dataset_from_directory( val_dir, image_size=(224, 224), batch_size=32, label_mode='categorical', shuffle=False # 验证集不打乱，方便对齐标签 )逻辑说明：image_dataset_from_directory会扫描目录下所有子文件夹，按文件夹名排序后生成类别索引。shuffle=True只在训练集开，验证集关掉，否则评估时标签和预测对不上。seed固定后每次运行划分一致，方便复现。参数上batch_size根据显存调，8G 显存跑 224×224 的 MobileNetV2，32 基本安全，12G 以上可以上 64。
2.2 标签 onehot 与类别数校验
虽然label_mode='categorical'已经自动转了 onehot，但有一件事必须做：确认类别数。资源里是 12 类，但如果你换了自己的数据集，类别数变了，模型最后一层的Dense单元数必须跟着改。我习惯在加载后立刻打印class_names，然后手动核对。
class_names = train_ds.class_names num_classes = len(class_names) print(f'类别数: {num_classes}, 类别名: {class_names}') # 检查一个 batch 的标签形状 for images, labels in train_ds.take(1): print(f'图像 batch 形状: {images.shape}') # (32, 224, 224, 3) print(f'标签 batch 形状: {labels.shape}') # (32, 12)如果标签形状第二维不是 12，说明label_mode设错了，或者子文件夹里混了非类别目录。常见坑是数据集里有个.ipynb_checkpoints或者__MACOSX文件夹，被当成一个类别，导致类别数变成 13。解决办法是在加载前用脚本清理非图像目录，或者手动指定class_names参数。
2.3 数据增强与 mixup 的接入位置
小数据集上数据增强是刚需。资源里用了随机翻转、旋转、缩放、对比度调整这一套。TF2 里可以用tf.keras.layers.RandomFlip、RandomRotation、RandomZoom这些预处理层，直接塞进模型前面，或者放在tf.data管道里用.map()做。我一般放在模型里，因为这样保存h5时增强逻辑一起带走，推理时自动关闭。
mixup 稍微特殊一点，它不是单张图变换，而是把两张图按比例混合，标签也按同样比例混合。实现上要在 batch 级别操作，所以得用tf.data的.map()在 batch 之后做。
import tensorflow as tf def mixup(images, labels, alpha=0.2): batch_size = tf.shape(images)[0] # 从 Beta 分布采样混合系数 lam = tf.compat.v1.distributions.Beta(alpha, alpha).sample() # 打乱索引 indices = tf.random.shuffle(tf.range(batch_size)) shuffled_images = tf.gather(images, indices) shuffled_labels = tf.gather(labels, indices) # 混合 mixed_images = lam * images + (1 - lam) * shuffled_images mixed_labels = lam * labels + (1 - lam) * shuffled_labels return mixed_images, mixed_labels train_ds = train_ds.map(mixup, num_parallel_calls=tf.data.AUTOTUNE) train_ds = train_ds.prefetch(tf.data.AUTOTUNE)参数说明：alpha=0.2是 mixup 的强度，越小混合越接近原图，越大越模糊。小数据集上我一般用 0.1 到 0.3，太大反而欠拟合。num_parallel_calls设AUTOTUNE让 TF 自己决定并行数，prefetch提前取下一批数据，减少 GPU 等待。注意 mixup 之后标签不再是严格的 onehot，而是浮点混合值，所以损失函数要用CategoricalCrossentropy，它支持软标签。
3. MobileNetV2 迁移学习：冻结策略、学习率与模型保存
3.1 加载预训练权重与冻结层数选择
MobileNetV2 在tf.keras.applications里直接可用，weights='imagenet'加载预训练权重，include_top=False去掉原来的 1000 类分类头。小数据集上迁移学习的标准做法是：先冻结骨干网络，只训练新加的分类头；训几个 epoch 后，再解冻一部分高层做微调。
from tensorflow.keras import layers, models from tensorflow.keras.applications import MobileNetV2 base_model = MobileNetV2( input_shape=(224, 224, 3), include_top=False, weights='imagenet' ) # 先全部冻结 base_model.trainable = False # 构建分类头 model = models.Sequential([ base_model, layers.GlobalAveragePooling2D(), layers.Dropout(0.3), layers.Dense(num_classes, activation='softmax') ]) model.compile( optimizer=tf.keras.optimizers.Adam(learning_rate=1e-3), loss='categorical_crossentropy', metrics=['accuracy'] ) model.summary()逻辑说明：GlobalAveragePooling2D把特征图从(7, 7, 1280)压成(1280,)，比Flatten参数少得多，不容易过拟合。Dropout(0.3)在小数据集上是保险丝，比例再高可能欠拟合。学习率1e-3是 Adam 的常用起点，冻结阶段可以稍大，微调阶段必须降到1e-5量级，否则预训练权重会被冲垮。
3.2 微调阶段的解冻与学习率重设
冻结训练 10 到 15 个 epoch 后，验证集准确率一般能到 80% 以上。这时候解冻 MobileNetV2 最后 30 到 50 层做微调，学习率降到1e-5。解冻层数不是越多越好，小数据集上解冻太多照样过拟合。
# 解冻最后 40 层 base_model.trainable = True for layer in base_model.layers[:-40]: layer.trainable = False # 重新编译，学习率调低 model.compile( optimizer=tf.keras.optimizers.Adam(learning_rate=1e-5), loss='categorical_crossentropy', metrics=['accuracy'] ) # 继续训练 history_fine = model.fit( train_ds, validation_data=val_ds, epochs=20, callbacks=[ tf.keras.callbacks.EarlyStopping(patience=5, restore_best_weights=True), tf.keras.callbacks.ModelCheckpoint('best_model.h5', save_best_only=True) ] )参数说明：EarlyStopping的patience=5表示验证集损失连续 5 个 epoch 不降就停，restore_best_weights=True回滚到最优权重，这是后悔药级别的配置。ModelCheckpoint只存最优模型，避免最后 epoch 过拟合的权重被保存。注意重新编译是必须的，否则学习率改动不生效。
3.3 模型保存与 h5 格式的注意事项
资源里给的my_model.h5就是这种保存方式的产物。h5格式在 TF2.X 里仍然支持，但官方更推荐SavedModel或者.keras格式。h5的问题是自定义层和 mixup 这类非标准操作可能存不全。如果模型里用了tf.keras.layers.RandomFlip这些预处理层，h5能存，但加载时需要确保 TF 版本一致。
# 保存完整模型 model.save('my_model.h5') # 加载时 loaded_model = tf.keras.models.load_model('my_model.h5') loaded_model.evaluate(val_ds)如果加载时报Unknown layer或者Lambda相关错误，说明模型里有自定义函数。解决办法是用custom_objects参数传入，或者改用SavedModel格式。我一般会在保存前跑一遍model.evaluate，确认推理正常再存，避免存了个坏模型还不知道。
4. 避坑与排查：小数据集训练 MobileNetV2 的五个血泪经验
4.1 验证集准确率震荡大，时高时低
现象：每个 epoch 验证集准确率跳动超过 10%，损失曲线锯齿状。原因通常有两个：一是验证集太小，二三十张图，一个 batch 的波动就能让指标大幅摆动；二是shuffle=False没设，验证集顺序固定但模型预测不稳定。解决：验证集至少每类 10 到 15 张，总量不低于 100 张；验证集shuffle关掉，但评估时用model.evaluate而不是手动循环；加BatchNormalization的模型在推理时要确保training=False，evaluate会自动处理。
4.2 mixup 之后损失变成 NaN
现象：训练几个 step 后 loss 直接 NaN。原因：mixup 的lam采样用了tf.compat.v1.distributions.Beta，在某些 TF 版本里返回的是标量张量，和 batch 维度广播时出错；或者alpha设得太大，混合后标签值过小，CategoricalCrossentropy的from_logits参数没设对。解决：确认from_logits=False，因为模型最后一层是softmax；alpha控制在 0.2 以内；用tf.clip_by_value把混合后的标签裁剪到[1e-7, 1-1e-7]。
4.3 冻结训练时准确率不涨
现象：前 10 个 epoch 准确率卡在 10% 左右，跟随机猜差不多。原因：分类头初始化用了默认的glorot_uniform，但Dense层前面接了GlobalAveragePooling2D，特征值范围偏小，梯度传不回去。解决：把分类头的Dense初始化改成he_normal，或者在GlobalAveragePooling2D后面加一个BatchNormalization。另一个常见原因是学习率太低，冻结阶段用1e-3而不是1e-4。
4.4 解冻微调后验证集准确率反而下降
现象：冻结阶段验证集到 85%，解冻后掉到 70%。原因：解冻层数太多，或者学习率没降。MobileNetV2 的浅层学的是通用边缘纹理，小数据集上微调这些层等于破坏预训练特征。解决：只解冻最后 20 到 30 层，学习率降到1e-5甚至1e-6，并且解冻后前两个 epoch 用 warmup 慢慢升学习率。
4.5 h5 模型加载后预测结果全为同一类
现象：训练时验证集正常，保存后重新加载，预测所有图都输出同一个类别。原因：h5保存时没存优化器状态，但这不影响推理；真正的问题通常是加载时compile=False导致某些自定义层没初始化，或者输入图像的预处理和训练时不一致。MobileNetV2 的preprocess_input在训练时如果用了，推理时也必须用，否则输入分布偏移。解决：把预处理逻辑写进模型里，用tf.keras.layers.Rescaling或者Lambda层包住，保存时一起带走。
5. 从 h5 到实际推理：单张图预测与批量评估的落地技巧
训练完拿到my_model.h5只是第一步，真正要用起来得会做单张推理和批量评估。单张图预测的坑在于输入维度：model.predict接受的是(batch, 224, 224, 3)，直接传一张(224, 224, 3)的图会报维度错误。我一般用tf.expand_dims加一个 batch 维。
import numpy as np from tensorflow.keras.preprocessing import image def predict_single(img_path, model, class_names): img = image.load_img(img_path, target_size=(224, 224)) x = image.img_to_array(img) / 255.0 # 归一化到 [0,1] x = np.expand_dims(x, axis=0) # (1, 224, 224, 3) preds = model.predict(x, verbose=0) idx = np.argmax(preds[0]) return class_names[idx], preds[0][idx] label, score = predict_single('test.jpg', loaded_model, class_names) print(f'预测: {label}, 置信度: {score:.4f}')注意归一化方式必须和训练时一致。如果训练用了preprocess_input，推理也得用，不能简单除以 255。批量评估更简单，直接model.evaluate(val_ds)拿准确率，但要看混淆矩阵的话得手动跑预测。
from sklearn.metrics import confusion_matrix import seaborn as sns import matplotlib.pyplot as plt y_true = [] y_pred = [] for images, labels in val_ds: preds = loaded_model.predict(images, verbose=0) y_true.extend(np.argmax(labels.numpy(), axis=1)) y_pred.extend(np.argmax(preds, axis=1)) cm = confusion_matrix(y_true, y_pred) sns.heatmap(cm, annot=True, fmt='d', xticklabels=class_names, yticklabels=class_names) plt.show()混淆矩阵能看出哪些类别容易混。植物幼苗数据集里，不同种类的幼苗在早期形态上非常接近，混淆矩阵上出现 20% 以上的误判很正常。这时候可以考虑加类别权重，或者对易混类别做针对性增强。我自己的习惯是每次训完模型，先跑一遍混淆矩阵，再决定要不要调参。从那以后我每次保存 h5 之前都强制走一遍单张推理和混淆矩阵，确认模型不是个黑匣子才敢往生产环境放。希望帮到你。
本文还有配套的精品资源，点击获取
