简介：这是一份面向深度学习入门者与计算机视觉爱好者的宠物图像识别实战项目源码，基于PyTorch构建分类模型，并用Flask封装后端推理接口，帮助读者理解从数据采集、模型训练到服务部署的完整链路。压缩包共约2000个文件，以1993张jpg宠物图片为主要数据样本，另含4个Python脚本、2个JSON配置与1个Markdown说明文档，整体约34.73MB，覆盖猫、犬、爬行动物、两栖动物等多类别图像。其中训练脚本负责模型构建与分类，爬虫脚本用于采集网络宠物图片，预测脚本支持单张或批量识别，JSON文件记录训练损失与准确率以及类别定义，Flask接口则便于前端调用识别服务。项目目录还区分了图像数据与训练日志，结构清晰，适合作为课程设计、毕业设计或自学练手参考。目前已有41人学习下载，可帮助读者快速跑通一套可复用的图像识别流程。
1. 从一张猫图说起：PyTorch + Flask 的宠物识别到底在做什么
你拍了张照片，想立刻知道这是布偶还是暹罗，最直接的做法是本地跑一个 PyTorch 模型推理，再用 Flask 把它包成一个网页接口，手机浏览器打开就能传图看结果。这个标题讲的就是这条链路：PyTorch 负责图像识别算法本身，Flask 负责把它变成能访问的网页服务，中间靠一个训练好的分类模型串起来。适合谁？手上有标注好的宠物图片、想快速验证一个端到端方案的人；或者已经会写 PyTorch 训练脚本、但不知道怎么让非技术同事也能用起来的人。它不解决“识别率从 85% 提到 99%”这种模型调优问题，解决的是“模型跑通之后，怎么让别人也能用”的落地问题。我见过太多人卡在这一步：训练脚本跑得飞起，一到部署就翻车，要么环境对不上，要么接口传参写错，要么图片预处理和训练时不一致导致线上效果玄学下降。这篇就按我实际做过的路径，把 PyTorch 图像识别加 Flask 部署这条线拆开讲清楚，从环境搭建到接口联调，再到几个必踩的坑，让你能照着复现。
2. 环境搭建与模型选型：别在第一步就卡住
2.1 PyTorch 安装：CPU 还是 GPU，先想清楚再动手
很多人一上来就搜“pytorch安装教程超详细”，结果被 CUDA 版本、显卡驱动、WSL 绕晕。我的建议很直接：如果你只是做宠物图像识别这种中小规模分类任务，推理阶段 CPU 完全够用，训练阶段再考虑 GPU。先装 CPU 版本把链路跑通，后面要提速再换，别一开始就追求 GPU 环境，容易在驱动版本上耗掉半天。
用 conda 建一个干净环境，这是最稳的做法：
conda create -n petcls python=3.10 -y conda activate petcls # 安装 CPU 版 PyTorch，版本按官网当前稳定版来 pip install torch torchvision --index-url https://download.pytorch.org/whl/cpu # Flask 和图像处理依赖 pip install flask pillow numpy逻辑说明：单独建环境是为了避免和系统里其他项目的 torch 版本冲突，这是血泪经验，混装之后报错很难查。torchvision负责图像变换和预训练模型加载，pillow处理上传的图片，numpy做数组转换。参数上，Python 3.10 是我目前用得最顺的版本，3.11 以上有些旧版 torch 轮子不全，3.8 又偏老。如果你确实要用 GPU，把--index-url换成对应 CUDA 版本的源，但注意先确认显卡驱动支持的最高 CUDA 版本，别直接装最新。
提示：安装完用
python -c "import torch; print(torch.__version__)"验证，能打印出版本号才算成功，不要凭感觉。
2.2 模型选型：ResNet18 够用，别一上来就上大模型
宠物图像识别本质是细粒度分类，猫狗品种之间差异不大。我一般会先用 ResNet18 做基线，原因是它参数量小、推理快、预训练权重容易拿，在几千张图的宠物数据集上微调就能到可用的准确率。如果你数据量特别大、品种特别多，再考虑 ResNet50 或 EfficientNet，但部署时模型体积和推理延迟会明显上升。
加载预训练模型并替换分类头的写法：
import torch import torch.nn as nn from torchvision import models def build_model(num_classes): # 加载 ImageNet 预训练权重，迁移学习能省大量标注数据 model = models.resnet18(weights=models.ResNet18_Weights.DEFAULT) # 替换最后的全连接层，输出改为自己的类别数 in_features = model.fc.in_features model.fc = nn.Linear(in_features, num_classes) return model model = build_model(num_classes=5) # 假设识别5种宠物逻辑说明：weights=DEFAULT会自动下载官方预训练权重，第一次运行需要联网。替换fc层是因为原模型输出 1000 类，我们要改成自己的类别数。参数num_classes必须和你的标签映射一致，训练时用几类，推理时就得是几类，否则输出维度对不上直接报错。训练部分不是这篇重点，你按常规的交叉熵损失加 Adam 优化器微调几轮即可，记得保存state_dict而不是整个模型对象，加载时更灵活。
2.3 图片预处理：训练和推理必须用同一套变换
这是最容易翻车的地方。训练时你用了归一化、缩放、中心裁剪，推理时如果只做Resize就直接送进模型，准确率会莫名其妙掉一截。我一般把预处理定义成一个函数，训练和推理共用：
from torchvision import transforms def get_transform(): return 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]) ])逻辑说明：Resize(256)加CenterCrop(224)是 ImageNet 系列模型的标准输入尺寸，Normalize的均值和方差也是官方预训练时用的，必须保持一致。如果你的训练脚本里用了随机裁剪增强，推理时要去掉随机部分，只保留确定性的缩放和裁剪。参数上，224 是 ResNet 的默认输入，换成其他模型要查对应输入尺寸，别硬套。
3. Flask 接口开发：把模型变成能传图的网页服务
3.1 最小可用的上传接口：从 request 到推理结果
Flask 开发的核心就三件事：接收图片、预处理、返回结果。先写一个最小可跑的版本：
from flask import Flask, request, jsonify from PIL import Image import torch import io app = Flask(__name__) model = build_model(num_classes=5) model.load_state_dict(torch.load("pet_model.pth", map_location="cpu")) model.eval() # 切换到推理模式，这行不能省 transform = get_transform() labels = ["布偶", "暹罗", "柯基", "柴犬", "金毛"] @app.route("/predict", methods=["POST"]) def predict(): if "file" not in request.files: return jsonify({"error": "没有上传文件"}), 400 file = request.files["file"] img = Image.open(io.BytesIO(file.read())).convert("RGB") tensor = transform(img).unsqueeze(0) # 增加 batch 维度 with torch.no_grad(): # 关闭梯度，省内存提速 outputs = model(tensor) prob = torch.softmax(outputs, dim=1) conf, idx = torch.max(prob, dim=1) return jsonify({ "label": labels[idx.item()], "confidence": round(conf.item(), 4) }) if __name__ == "__main__": app.run(host="0.0.0.0", port=5000)逻辑说明：request.files拿上传的文件，convert("RGB")防止 PNG 带透明通道导致三通道转换报错。unsqueeze(0)是加 batch 维度，模型要求输入是[N, C, H, W]。torch.no_grad()在推理时必加，否则显存或内存占用会高很多。softmax把输出转成概率，max取最大概率对应的类别。参数上，map_location="cpu"保证在无 GPU 机器上也能加载，host="0.0.0.0"让局域网内其他设备能访问，只写127.0.0.1的话手机连不上。
注意：
model.eval()一定要在加载权重后调用，它会影响 BatchNorm 和 Dropout 的行为，漏掉这行线上结果会和训练时对不上。
3.2 前端页面：一个表单就够，别过度设计
Flask 绑定网页元素最朴素的方式就是表单提交，不需要前后端分离也能用：
<!DOCTYPE html> <html> <head><meta charset="utf-8"><title>宠物识别</title></head> <body> <form action="/predict" method="post" enctype="multipart/form-data"> <input type="file" name="file" accept="image/*"> <button type="submit">识别</button> </form> </body> </html>逻辑说明：enctype="multipart/form-data"是文件上传必须的，漏掉的话后端收不到文件。name="file"要和后端request.files["file"]对应。这个页面直接返回 JSON，如果你想在页面上显示结果，可以用 JavaScript 的fetch发请求再渲染，但初期用表单验证链路更快。参数上，accept="image/*"只是给浏览器一个提示，不限制实际上传类型，后端仍要做校验。
3.3 接口联调：用 curl 先验证，再上浏览器
写完接口别急着开浏览器，先用命令行验证，能快速定位是后端问题还是前端问题：
curl -X POST -F "file=@test_cat.jpg" http://127.0.0.1:5000/predict逻辑说明：-F表示表单上传，@后面跟本地图片路径。如果返回{"label": "...", "confidence": ...}说明后端通了。如果报 400，检查字段名是不是file；如果报 500，看 Flask 控制台的堆栈，多半是图片格式或模型加载问题。这一步能省掉大量“到底是前端没传对还是后端没接住”的扯皮时间。
4. 避坑与排查：那些让我加班到凌晨的细节
4.1 上传大图导致内存暴涨甚至服务卡死
现象：用户传了一张手机原图，几 MB 甚至十几 MB，服务响应变慢，并发几个请求后直接卡死。原因：Image.open会把整张图解码进内存，大图解码后占用的内存远大于文件本身，再加上模型推理的中间张量，内存很快吃满。解决：在预处理前限制图片尺寸，比如先做一次缩略：
img = Image.open(io.BytesIO(file.read())).convert("RGB") img.thumbnail((512, 512)) # 限制最长边，降低内存占用thumbnail会原地修改并保持比例，比resize更省事。另外可以在 Flask 配置里限制最大上传体积：app.config["MAX_CONTENT_LENGTH"] = 5 * 1024 * 1024，超过直接拒绝。
4.2 训练用 GPU 推理用 CPU 导致加载报错
现象：训练时保存的模型在 CPU 机器上load_state_dict报错，提示找不到 CUDA 设备。原因：保存时张量带有 GPU 设备信息，加载时默认按原设备找。解决：加载时加map_location="cpu"，前面代码里已经写了。如果保存的是整个模型对象而不是state_dict，问题更多，所以我一律建议只存state_dict。
4.3 类别顺序不一致导致结果张冠李戴
现象：模型明明训练准确率很高，线上识别结果却总是错位，把布偶认成暹罗。原因：训练时标签映射是{"布偶": 0, "暹罗": 1}，推理时labels列表顺序写反了。解决：把标签映射存成 JSON 文件，训练和推理都从同一个文件读，别手写列表。这个坑很隐蔽，因为模型输出本身没错，错的是你解读输出的方式。
4.4 Flask 默认单线程阻塞，并发请求排队
现象：两个人同时上传图片，第二个人要等第一个人识别完才响应。原因：Flask 开发服务器默认单线程。解决：开发阶段可以开threaded=True，生产环境用 gunicorn 加多 worker：
gunicorn -w 4 -b 0.0.0.0:5000 app:app-w 4是 4 个 worker 进程，按 CPU 核数调整。注意模型在每个 worker 里都会加载一份，内存要留够。
4.5 图片 EXIF 方向导致识别异常
现象：手机拍的竖图上传后识别结果很差，横过来看就正常。原因：手机照片带 EXIF 旋转信息，PIL 默认不自动旋转，模型看到的是转过的图。解决：用ImageOps.exif_transpose自动纠正方向：
from PIL import ImageOps img = ImageOps.exif_transpose(img)这行加在convert("RGB")之前，能解决大部分手机图方向问题。
5. 进阶技巧：让这个方案真正能交付
5.1 用 ONNX 导出提速，顺便摆脱 PyTorch 依赖
如果部署机器装 PyTorch 太重，可以把模型导出成 ONNX，推理用 onnxruntime，体积小、启动快。导出脚本：
import torch model.eval() dummy = torch.randn(1, 3, 224, 224) torch.onnx.export( model, dummy, "pet_model.onnx", input_names=["input"], output_names=["output"], dynamic_axes={"input": {0: "batch"}, "output": {0: "batch"}} )逻辑说明：dummy是模拟输入，用来追踪计算图。dynamic_axes让 batch 维度可变，这样一次可以处理多张图。导出后用onnxruntime.InferenceSession加载，推理代码要相应调整，输入输出都变成 numpy 数组。参数上，opset 版本不指定会用默认，遇到不支持的算子再手动调。
5.2 加一个健康检查接口，方便排查服务状态
上线后最怕不知道服务活着没。加一个简单接口：
@app.route("/health") def health(): return jsonify({"status": "ok", "model_loaded": model is not None})逻辑说明：这个接口不涉及推理，响应极快，适合给监控系统轮询。model_loaded能帮你确认模型是否加载成功，比只看进程在不在更有意义。
5.3 批量推理：一次请求处理多张图
用户可能一次传多张，逐张推理效率低。把输入拼成 batch：
tensors = torch.stack([transform(Image.open(io.BytesIO(f.read())).convert("RGB")) for f in files]) with torch.no_grad(): outputs = model(tensors) probs = torch.softmax(outputs, dim=1)逻辑说明：torch.stack把多张图的张量叠成[N, C, H, W]，模型一次前向就能出所有结果。注意显存或内存会随 N 线性增长，N 太大要分批。参数上，建议单次不超过 8 张，再大就分块处理。
5.4 一个我常用的验证习惯
每次改完预处理或模型，我不会直接上浏览器点，而是固定用同一张测试图跑curl，对比输出的 label 和 confidence 有没有突变。如果 confidence 从 0.95 掉到 0.6，多半是预处理或标签顺序动了。这个习惯帮我省了很多“感觉不对但说不清哪里不对”的时间。做这类端到端方案，最怕的就是链路太长、每步都差一点，最后结果玄学。固定一张基准图，每次改动后跑一遍，是最便宜的后悔药。希望帮到你。
本文还有配套的精品资源，点击获取
