简介：这份资源面向深度学习入门者与电力巡检图像分析方向的开发者，提供一套基于PyTorch的ShuffleNet卷积神经网络缺陷分类识别代码，用于解决杆塔倾斜、导线脱落、绝缘子破损等巡检图像的多类别识别问题。压缩包共8个文件，约215KB，包含3个Python脚本、3张示例图片、1份说明文档和1份环境依赖文本，脚本分别负责数据列表生成、CNN模型训练及PyQt可视化界面，结构精简、上手门槛低。代码逐行附带中文注释，并配有说明文档，便于理解网络搭建、数据加载与训练流程。数据集图片需自行搜集，按类别放入对应文件夹即可开始训练，类别可灵活增删。目前已有104人学习，适合希望快速跑通电力缺陷分类任务、掌握ShuffleNet实战用法的读者参考。
1. 电力巡检图像缺陷分类：为什么 ShuffleNet 是那个被低估的起点
输电线路巡检从人工登塔拍照转向无人机自动巡检之后，真正的瓶颈早就不是"拍不拍得到"，而是"拍回来几千张图谁来判"。绝缘子自爆、防震锤滑移、销钉缺失、均压环歪斜这几类缺陷，在整张巡检图里往往只占几十个像素，背景却是天空、杆塔、植被混杂的大场景。把 CNN 卷积神经网络直接套上去做缺陷分类识别，第一反应通常是上 ResNet50 或者 VGG16，但真到部署环节——巡检终端算力有限、要现场出结果、甚至要塞进嵌入式盒子——参数量和推理延迟立刻变成硬约束。ShuffleNet 系列就是在这个夹缝里被反复翻出来的方案：用分组卷积加通道混洗，把计算量压到 MobileNet 量级甚至更低，同时保留足够的特征表达能力。这套"ShuffleNet 模型 + CNN 缺陷分类 + PyQt 界面"的组合，适合两类人：一类是手里有巡检图像、想跑通一个能演示能落地的分类 pipeline 的学生和初级算法工程师；另一类是做电力智能巡检产品、需要在边缘端验证模型可行性的工程人员。它不含数据集图片，意味着你得自己准备数据，但逐行注释和说明文档把网络结构、训练流程、界面调用这条链路讲透了，反而比塞一堆图更实用。
2. ShuffleNet 的通道混洗到底解决了什么问题
2.1 从分组卷积的副作用说起
要理解 ShuffleNet，得先接受一个前提：在移动端做 CNN 卷积神经网络，1x1 卷积才是计算量的大头。标准卷积里 3x3 卷积看着参数多，但现代网络大量堆叠 1x1 做通道升降维，导致 1x1 的 FLOPs 占比经常超过 3x3。MobileNet 用深度可分离卷积砍掉了 3x3 的空间冗余，可 1x1 那部分没动。ShuffleNet 的思路更激进：既然 1x1 贵，那就把 1x1 也做成分组卷积。分组之后每个组只处理一部分通道，计算量按组数线性下降。
但分组卷积有个副作用——组与组之间的通道信息不流通。第 1 组永远只看到第 1 组输入通道的特征，第 2 组永远只看到第 2 组，堆叠几层之后，网络相当于几个互不相干的小网络并联，特征表达被割裂。这就是通道混洗（Channel Shuffle）要补的洞：在分组卷积之后，把输出通道打散重排，让下一层的每个组都能拿到来自上一层所有组的通道。操作本身不涉及任何参数，纯靠张量 reshape 和 transpose 完成，零计算成本。
我一般会这样跟人解释：分组卷积是"分头干活省力气"，通道混洗是"干完活交换情报"，两者必须成对出现，缺了混洗的分组卷积就是自废武功。
2.2 ShuffleNet 单元的结构拆解
一个标准 ShuffleNet 基本单元（stride=1）的顺序是：1x1 分组卷积 → 通道混洗 → 3x3 深度可分离卷积 → 1x1 分组卷积。注意这里第一个 1x1 是分组卷积，第二个 1x1 也是分组卷积，中间夹一个深度卷积负责空间特征。stride=2 的下采样单元则多一条分支：主分支走 3x3 深度卷积（stride=2）后接 1x1 分组卷积，旁路分支用 3x3 平均池化（stride=2）后接 1x1 分组卷积，最后两路 concat。这个设计让下采样时通道数翻倍而计算量不爆炸。
下面是用 PyTorch 复现通道混洗的核心代码，也是整个网络里最容易写错的一段：
import torch import torch.nn as nn def channel_shuffle(x, groups): # x 形状: [batch, channels, height, width] batch, channels, height, width = x.size() # 断言通道数能被组数整除，否则 reshape 会报错 assert channels % groups == 0, "channels must be divisible by groups" channels_per_group = channels // groups # 第一步：把通道维度拆成 (groups, channels_per_group) x = x.view(batch, groups, channels_per_group, height, width) # 第二步：转置，让组间通道交错，这是混洗的关键 x = torch.transpose(x, 1, 2).contiguous() # 第三步：展平回原始通道维度 x = x.view(batch, -1, height, width) return x逻辑说明：view把通道切成 groups 份，transpose(1, 2)交换"组"和"组内通道"两个维度，效果就是原来第 0 组的第 0 个通道、第 1 组的第 0 个通道、第 2 组的第 0 个通道……被排到了一起。contiguous()不能省，transpose 之后内存不连续，直接 view 会抛错，这是新手最常见的翻车点。
参数说明：groups一般取 2 到 8，ShuffleNet 原论文在 0.5x 到 2x 宽度下用 3 或 8。组数越大省算力越狠，但混洗后特征越碎，分类精度会掉。电力缺陷分类这种细粒度任务，我建议 groups=2 或 3 起步，别一上来就 8。
2.3 为什么不用 ResNet 直接上
有人会问，巡检缺陷分类数据量不大，ResNet18 微调一下不香吗。香，但要看部署目标。ResNet18 约 11M 参数、1.8 GFLOPs，ShuffleNet 0.5x 约 0.35M 参数、40 MFLOPs，差了四十多倍计算量。在服务器上跑推理，这点差距无所谓；但要在巡检手持终端或者 Jetson 这类边缘设备上实时出结果，ShuffleNet 能跑到 30 FPS 以上，ResNet18 可能只有个位数。缺陷分类识别本身不是 ImageNet 那种千类任务，电力巡检常见缺陷类别也就十到二十类，ShuffleNet 的表达能力完全够用。选型不是比谁精度高零点几个点，是比谁在约束条件下能跑起来。
3. 从零搭一个能训练的 ShuffleNet 缺陷分类网络
3.1 网络主体与分类头改造
ShuffleNet 原版是为 ImageNet 1000 类设计的，最后一层全连接输出 1000。做电力缺陷分类，要把分类头换成自己的类别数。下面给出一个精简版 ShuffleNet 主干加分类头的实现：
import torch import torch.nn as nn class ShuffleNetUnit(nn.Module): def __init__(self, in_channels, out_channels, stride, groups): super().__init__() mid_channels = out_channels // 4 # 瓶颈比例，原论文用 1/4 self.stride = stride self.groups = groups # 第一个 1x1 分组卷积，负责降维 self.conv1 = nn.Conv2d(in_channels, mid_channels, 1, groups=groups, bias=False) self.bn1 = nn.BatchNorm2d(mid_channels) # 3x3 深度可分离卷积，groups=mid_channels 即逐通道卷积 self.conv2 = nn.Conv2d(mid_channels, mid_channels, 3, stride=stride, padding=1, groups=mid_channels, bias=False) self.bn2 = nn.BatchNorm2d(mid_channels) # 第二个 1x1 分组卷积，负责升维 self.conv3 = nn.Conv2d(mid_channels, out_channels, 1, groups=groups, bias=False) self.bn3 = nn.BatchNorm2d(out_channels) # stride=2 时旁路需要下采样对齐尺寸 if stride == 2: self.shortcut = nn.Sequential( nn.AvgPool2d(3, stride=2, padding=1), nn.Conv2d(in_channels, out_channels, 1, bias=False), nn.BatchNorm2d(out_channels) ) else: self.shortcut = nn.Identity() def forward(self, x): out = torch.relu(self.bn1(self.conv1(x))) out = channel_shuffle(out, self.groups) # 混洗在第一个 1x1 之后 out = torch.relu(self.bn2(self.conv2(out))) out = self.bn3(self.conv3(out)) # stride=2 时两路 concat，否则相加 if self.stride == 2: out = torch.cat([out, self.shortcut(x)], dim=1) else: out = out + self.shortcut(x) return torch.relu(out)逻辑说明：mid_channels = out_channels // 4是瓶颈结构，先降到 1/4 再升回去，减少 3x3 卷积的通道负担。混洗放在第一个 1x1 之后、3x3 之前，这是原论文的位置，别乱挪。stride=2 时旁路用平均池化加 1x1 卷积，而不是直接跳连，因为尺寸对不上。
参数说明：groups要和channel_shuffle里的 groups 保持一致，否则混洗的组数和卷积的组数错位，特征就乱了。bias=False是因为后面跟了 BatchNorm，偏置会被 BN 吸收，加了纯属浪费。
3.2 数据加载与缺陷类别映射
标题明确说不含数据集图片，所以数据得自己组织。电力巡检缺陷分类的目录结构我一般这样定：
dataset/ ├── train/ │ ├── insulator_broken/ # 绝缘子自爆 │ ├── damper_slip/ # 防震锤滑移 │ ├── pin_missing/ # 销钉缺失 │ └── normal/ # 正常 └── val/ ├── insulator_broken/ ├── damper_slip/ ├── pin_missing/ └── normal/用torchvision.datasets.ImageFolder直接读，类别按文件夹名字母序自动映射成 0、1、2、3。这里有个坑：训练集和验证集的文件夹顺序必须完全一致，否则标签错位，训练 loss 会诡异地震荡。我习惯在训练脚本开头打印train_dataset.class_to_idx和val_dataset.class_to_idx，肉眼确认一遍再开跑。
from torchvision import datasets, transforms from torch.utils.data import DataLoader train_tf = transforms.Compose([ transforms.Resize((224, 224)), # ShuffleNet 常用输入尺寸 transforms.RandomHorizontalFlip(), # 巡检图水平翻转合理 transforms.RandomRotation(15), # 小角度旋转增强 transforms.ToTensor(), transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]) ]) val_tf = transforms.Compose([ transforms.Resize((224, 224)), transforms.ToTensor(), transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]) ]) train_set = datasets.ImageFolder('dataset/train', transform=train_tf) val_set = datasets.ImageFolder('dataset/val', transform=val_tf) train_loader = DataLoader(train_set, batch_size=32, shuffle=True, num_workers=4) val_loader = DataLoader(val_set, batch_size=32, shuffle=False, num_workers=4)逻辑说明：训练集做翻转和旋转增强，验证集只做 resize 和归一化，这是铁律，验证集加增强会让评估结果不可信。Normalize用的 ImageNet 均值方差，因为主干是在 ImageNet 上预训练的，输入分布要对齐。
参数说明：batch_size=32在 8G 显存上跑 224x224 的 ShuffleNet 绰绰有余，显存小就降到 16。num_workers在 Windows 上设 0 更稳，Linux 上设 4 到 8。RandomRotation(15)别开太大，巡检图旋转超过 30 度会出现大量黑边，反而引入噪声。
3.3 训练循环与学习率策略
import torch.optim as optim from torch.optim.lr_scheduler import CosineAnnealingLR device = torch.device('cuda' if torch.cuda.is_available() else 'cpu') model = ShuffleNet(num_classes=len(train_set.classes)).to(device) criterion = nn.CrossEntropyLoss() optimizer = optim.Adam(model.parameters(), lr=1e-3, weight_decay=1e-4) scheduler = CosineAnnealingLR(optimizer, T_max=50) for epoch in range(50): model.train() running_loss = 0.0 for imgs, labels in train_loader: imgs, labels = imgs.to(device), labels.to(device) optimizer.zero_grad() outputs = model(imgs) loss = criterion(outputs, labels) loss.backward() optimizer.step() running_loss += loss.item() scheduler.step() # 每个 epoch 后在验证集上评估 model.eval() correct, total = 0, 0 with torch.no_grad(): for imgs, labels in val_loader: imgs, labels = imgs.to(device), labels.to(device) outputs = model(imgs) preds = outputs.argmax(dim=1) correct += (preds == labels).sum().item() total += labels.size(0) print(f"Epoch {epoch+1}, Loss {running_loss/len(train_loader):.4f}, " f"Val Acc {correct/total:.4f}")逻辑说明：CosineAnnealingLR让学习率按余弦曲线从 1e-3 降到接近 0，比固定学习率收敛更稳，尤其适合小数据集。每个 epoch 结束切model.eval()并关掉梯度，验证完再切回train()，忘了切回会导致 BN 统计量在训练时被污染。
参数说明：weight_decay=1e-4是轻量正则，缺陷分类数据少容易过拟合，这个值能压一压。T_max=50要和总 epoch 数一致，设错了学习率曲线会提前躺平。如果验证准确率连续 10 个 epoch 不涨，基本可以停了，再训就是过拟合。
4. 用 PyQt 把模型包成一个能演示的巡检分类工具
4.1 界面布局与推理线程分离
模型训完只是半成品，要给人演示或者现场用，得有个界面。PyQt 是这套方案里最顺手的选择，但有个血泪经验：推理千万别放在主线程里。主线程负责刷新界面，推理一卡几百毫秒，界面直接假死，用户以为程序崩了。正确做法是把推理塞进QThread，通过信号槽把结果传回界面。
from PyQt5.QtCore import QThread, pyqtSignal import torch from torchvision import transforms from PIL import Image class InferenceThread(QThread): # 定义信号，传出类别名和置信度 result_ready = pyqtSignal(str, float) def __init__(self, model, img_path, class_names, device): super().__init__() self.model = model self.img_path = img_path self.class_names = class_names self.device = device self.tf = transforms.Compose([ transforms.Resize((224, 224)), transforms.ToTensor(), transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]) ]) def run(self): img = Image.open(self.img_path).convert('RGB') tensor = self.tf(img).unsqueeze(0).to(self.device) self.model.eval() with torch.no_grad(): output = self.model(tensor) prob = torch.softmax(output, dim=1) conf, idx = prob.max(dim=1) self.result_ready.emit(self.class_names[idx.item()], conf.item())逻辑说明：pyqtSignal定义了两个参数，字符串传类别名，浮点传置信度。run()里做完整的预处理加前向推理，unsqueeze(0)是给单张图补上 batch 维度。softmax把 logits 转成概率，max同时拿到最大概率和对应索引。
参数说明：convert('RGB')不能省，巡检图有时候是灰度或者带 alpha 通道，不转 RGB 送进网络会报通道数不匹配。self.device要和模型所在设备一致，模型在 GPU 上而输入在 CPU 上，直接抛错。
4.2 主窗口与文件选择逻辑
from PyQt5.QtWidgets import (QApplication, QMainWindow, QPushButton, QLabel, QVBoxLayout, QWidget, QFileDialog) import sys class MainWindow(QMainWindow): def __init__(self, model, class_names, device): super().__init__() self.model = model self.class_names = class_names self.device = device self.setWindowTitle("电力巡检缺陷分类识别") self.resize(500, 400) self.btn = QPushButton("选择巡检图像") self.label = QLabel("等待选择图像...") self.btn.clicked.connect(self.select_image) layout = QVBoxLayout() layout.addWidget(self.btn) layout.addWidget(self.label) container = QWidget() container.setLayout(layout) self.setCentralWidget(container) def select_image(self): path, _ = QFileDialog.getOpenFileName( self, "选择图像", "", "Images (*.png *.jpg *.jpeg)") if not path: return self.label.setText("推理中...") # 启动子线程，避免阻塞界面 self.thread = InferenceThread(self.model, path, self.class_names, self.device) self.thread.result_ready.connect(self.show_result) self.thread.start() def show_result(self, class_name, confidence): self.label.setText(f"缺陷类别: {class_name}\n置信度: {confidence:.4f}") if __name__ == '__main__': app = QApplication(sys.argv) # 加载训练好的权重 model = ShuffleNet(num_classes=4) model.load_state_dict(torch.load('best_shufflenet.pth', map_location='cpu')) class_names = ['damper_slip', 'insulator_broken', 'normal', 'pin_missing'] window = MainWindow(model, class_names, torch.device('cpu')) window.show() sys.exit(app.exec_())逻辑说明：class_names的顺序必须和训练时ImageFolder的class_to_idx完全一致，这里按字母序排。map_location='cpu'是为了在没有 GPU 的机器上也能加载 GPU 训出来的权重，不加会报设备不匹配。
参数说明：QFileDialog的过滤器写成*.png *.jpg *.jpeg，覆盖巡检图常见格式。resize(500, 400)是演示窗口的舒适尺寸，实际部署可以再调。
5. 缺陷分类落地时最容易翻车的几个地方
5.1 类别极度不平衡导致模型只会猜"正常"
现象：训练 loss 一路下降，验证准确率看着有 90% 多，但一测缺陷图全判成 normal。原因：巡检图里正常样本占绝大多数，缺陷样本可能只占 5%，模型学到"全猜正常"就能拿高准确率。解决：用加权交叉熵，权重按类别频率的倒数设，或者对缺陷类做过采样。我一般先算一遍各类样本数，把weight传进CrossEntropyLoss。
5.2 通道混洗的 groups 和卷积 groups 不一致
现象：训练直接报 reshape 维度错误，或者不报错但精度死活上不去。原因：channel_shuffle里的 groups 和nn.Conv2d里的 groups 设成了不同值，混洗打乱的组数和卷积分组的组数对不上。解决：把 groups 抽成一个变量，在单元初始化和混洗调用处共用同一个值，别两处各写各的。
5.3 验证集做了数据增强
现象：验证准确率比测试时实际表现高出一截，上线就掉点。原因：验证集的 transform 里混进了RandomHorizontalFlip或RandomRotation，每次评估看到的图都不一样，指标虚高。解决：验证和测试的 transform 只保留 resize、ToTensor、Normalize 三步，任何随机操作都不能有。
5.4 PyQt 推理卡在主线程
现象：点完"选择图像"按钮，界面转圈假死，几秒后才出结果，连续点还会崩。原因：推理直接在按钮回调里同步执行，阻塞了 Qt 事件循环。解决：所有推理走QThread，通过信号槽回传结果，主线程只负责更新界面。
5.5 输入尺寸和预训练权重不匹配
现象：加载 ImageNet 预训练权重时报形状错误，或者不报错但精度极差。原因：ShuffleNet 预训练权重是按 224x224 训的，如果 resize 成 112x112，浅层特征分布对不上。解决：要么保持 224，要么改小输入时重新训几轮微调，别指望直接套。
6. 把 ShuffleNet 缺陷分类推到能用的程度：几个进阶技巧
模型能跑通和能交付之间，还差几件事。第一件是置信度阈值。缺陷分类识别在巡检场景里，宁可漏报也别误报太多，因为误报会让运维人员白跑一趟。我一般会在 PyQt 界面里加一个阈值滑块，置信度低于阈值就输出"疑似缺陷，建议人工复核"，而不是硬判一个类别。这个阈值在验证集上按 F1 或者召回率调，别拍脑袋定。
第二件是模型量化。ShuffleNet 本身已经很小，但用torch.quantization做动态量化之后，CPU 推理还能再快 2 到 3 倍，模型体积压到原来的四分之一。对边缘盒子部署来说，这一步收益很直接：
import torch.quantization # 动态量化，只量化 Linear 和 Conv，适合 CPU 推理 quantized_model = torch.quantization.quantize_dynamic( model, {torch.nn.Linear, torch.nn.Conv2d}, dtype=torch.qint8 ) torch.save(quantized_model.state_dict(), 'shufflenet_quantized.pth')逻辑说明：动态量化在推理时把权重转成 int8，激活值保持浮点，不需要校准数据集，改完直接能用。参数说明：dtype=torch.qint8是 8 位整型，精度损失通常在 1 个点以内，缺陷分类这种任务完全能接受。
第三件是 Grad-CAM 可视化。巡检缺陷分类最怕的是模型学错了特征——比如把杆塔背景当成缺陷线索。用 Grad-CAM 把热力图叠回原图，看一眼模型到底在看哪里，比盯着准确率数字有用得多。如果热力图集中在绝缘子串上，说明模型学对了；如果散在天空或者植被上，那准确率再高也是玄学，换个数据集就崩。
| 优化手段 | 推理速度提升 | 精度影响 | 适用场景 |
|---|---|---|---|
| 动态量化 | 2-3 倍 | 掉 0.5-1 个点 | CPU 边缘部署 |
| 输入降到 160 | 约 2 倍 | 掉 1-2 个点 | 算力极受限 |
| groups 调到 4 | 约 1.3 倍 | 掉 0.5 个点 | 追求极致轻量 |
| 剪枝 30% | 约 1.5 倍 | 掉 1 个点 | 有微调数据 |
最后说个习惯：每次改完网络结构或者训练参数，我都会固定一个随机种子，把验证集指标记在一个表格里，改一次记一行。不记的话，改到后面根本分不清哪个配置是哪个，纯靠记忆就是自找翻车。这套 ShuffleNet 加 PyQt 的方案，真正花时间的不是写网络，是数据清洗和阈值调优，网络结构本身反而是最确定的部分。希望帮到你。
本文还有配套的精品资源，点击获取
