简介：本资源为常见果蔬多类别图像分类数据集，面向从事图像分类、分割网络改进及计算机视觉项目实践的学习者与开发者，可用于模型训练、算法验证与课程实验。数据集共36类，涵盖香蕉、苹果、梨、葡萄、橙子、黄瓜、胡萝卜、辣椒、洋葱、土豆等常见果蔬，已完成标注与预处理，可直接作为分类网络输入。压缩包为7z格式，内含约2000个文件，以1998张jpg图像为主体，另附1个py脚本与1个json标注文件，整体约364.87MB，并已划分训练集、测试集与验证集，各类图片分目录存放，便于直接读取。资源中提供show脚本，可快速可视化数据分布与样本情况，帮助检查类别均衡与图像质量。目前已有119人学习下载，适合需要快速搭建果蔬分类基线、开展迁移学习或改进分割网络的读者参考使用。
1. 果蔬分类数据集怎么选：36 类、4200 张、已划分的现成货
做图像分类项目，最耗时的往往不是搭网络，而是找一批干净、标注到位、类别均衡的数据。这份常见果蔬多类别图像分类数据集，约 4200 张图，覆盖 36 个类别，香蕉、苹果、梨、葡萄、橙子、黄瓜、胡萝卜、辣椒、洋葱、土豆这些日常果蔬都在里面，具体类别清单在资源包的 json 文件里能查到。它最大的价值是省掉了从零采集和标注的环节，训练集、验证集、测试集已经按同一类图片分目录放好，预处理也做完了，直接就能喂给分类网络。适合谁？刚入门图像分类想跑通第一个多类别实验的人，以及需要快速验证 backbone 或数据增强策略的熟手。下面从目录结构、加载方式、训练配置到踩坑，一步步拆开讲。
2. 目录结构与数据加载：先看清 json 和三个 split 怎么对应
拿到一个数据集，我习惯先不写模型，先把目录和标注文件摸清楚。这份资源的组织方式对分类任务很友好，但如果不先确认类别索引和文件夹名的映射关系，后面训练出来的 label 很可能整体错位，这种翻车在分类项目里太常见了。
2.1 目录布局与 json 类别映射
典型的结构是这样：根目录下分 train、val、test 三个文件夹，每个文件夹里再按类别名建子目录，图片直接放在对应类别目录下。json 文件里存的是类别列表，顺序就是类别索引 0 到 35。常见做法是用os.listdir拿到子目录名后，一定要和 json 里的顺序对齐，而不是想当然地认为字母序就是索引序。
import os import json data_root = "fruit_veg_dataset" with open(os.path.join(data_root, "classes.json"), "r", encoding="utf-8") as f: class_list = json.load(f) # 形如 ["banana", "apple", ...]，顺序即标签索引 for split in ["train", "val", "test"]: split_dir = os.path.join(data_root, split) folders = sorted(os.listdir(split_dir)) print(split, len(folders), folders[:5]) # 关键：确认 folders 的顺序与 class_list 是否一致 assert set(folders) == set(class_list), "文件夹名与 json 类别不匹配"这段代码先读 json 拿到权威类别顺序，再遍历三个 split 的文件夹做集合比对。assert那行是后悔药，一旦文件夹名和 json 对不上会立刻报错，而不是等到训练完发现准确率异常才回头查。参数上，encoding="utf-8"不能省，类别名里如果有中文或特殊字符，默认编码会读乱。
2.2 用 ImageFolder 还是自定义 Dataset
如果目录结构就是标准的「split/类别名/图片」，PyTorch 的ImageFolder能直接用，配合transforms做预处理。但这份数据已经预处理过，尺寸大概率统一，所以增强策略要克制，别一上来就上重度裁剪。
from torchvision import datasets, transforms train_tf = transforms.Compose([ transforms.Resize((224, 224)), transforms.RandomHorizontalFlip(p=0.5), transforms.ToTensor(), transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]), ]) train_set = datasets.ImageFolder( root=os.path.join(data_root, "train"), transform=train_tf ) print(train_set.class_to_idx) # 确认索引映射Resize到 224 是给 ResNet、EfficientNet 这类 backbone 用的，如果你换别的输入尺寸，这里要同步改。Normalize用的是 ImageNet 统计量，这是迁移学习的常规操作。class_to_idx打印出来务必和 json 对一遍，ImageFolder默认按文件夹名字母序排索引，和 json 顺序不一定相同，这是最容易埋雷的地方。
2.3 可视化脚本 show 的用法
资源里带了 show 脚本，用来快速看一批图长什么样。跑之前先确认它依赖的库装了没有，常见是 matplotlib 和 PIL。可视化不是为了好看，是为了在训练前发现脏图、错标、重复图。我一般会随机抽每个类别若干张拼成网格，重点看有没有把胡萝卜标成辣椒这种低级错误。如果 show 脚本读的是固定路径，记得把路径参数改成你解压后的实际目录，否则会报文件找不到。
3. 训练配置与迁移学习：36 类分类的 backbone 和超参怎么定
数据摸清楚了，接下来是把它跑起来。36 类、4200 张，平均每类一百多张，属于小样本多分类，直接从头训容易过拟合，迁移学习是更稳的选择。
3.1 backbone 选型与冻结策略
小数据集上，ResNet18 或 ResNet50 预训练权重是性价比很高的起点。做法是先冻结主干，只训最后的全连接层几个 epoch，让分类头先适应新类别，再解冻整体微调。这样收敛快，也不容易把预训练学到的特征一开始就冲垮。
import torch import torch.nn as nn from torchvision import models model = models.resnet18(weights=models.ResNet18_Weights.IMAGENET1K_V1) for param in model.parameters(): param.requires_grad = False # 先冻结主干 model.fc = nn.Linear(model.fc.in_features, 36) # 替换为 36 类 criterion = nn.CrossEntropyLoss() optimizer = torch.optim.Adam(model.fc.parameters(), lr=1e-3)requires_grad = False冻结主干，model.fc换成 36 维输出。第一阶段学习率可以给 1e-3，因为只训分类头。第二阶段解冻后，学习率要降到 1e-4 甚至更低，否则预训练权重会被大步长破坏。这个两段式策略是我在多个小数据集上验证过的稳妥打法。
3.2 数据增强与类别不均衡处理
4200 张分 36 类，类别之间数量大概率不完全均衡。先统计每类样本数，差距大的类别要在采样或损失上做补偿。增强方面，水平翻转、轻微颜色抖动够用了，别上随机裁剪加旋转的组合拳，预处理过的图经不起折腾。
from collections import Counter targets = [s[1] for s in train_set.samples] counts = Counter(targets) print(counts) # 看每类样本数 # 若明显不均衡，用带权重的采样器 from torch.utils.data import WeightedRandomSampler weights = [1.0 / counts[t] for t in targets] sampler = WeightedRandomSampler(weights, num_samples=len(weights), replacement=True)Counter统计每类数量，WeightedRandomSampler让少样本类别被抽到的概率更高。replacement=True表示有放回采样，这是处理不均衡的标准做法。如果类别还算均衡，这一步可以跳过，别为了用而用。
3.3 训练循环与验证指标
训练循环里，每个 epoch 结束在验证集上算准确率，保存验证集表现最好的权重，而不是最后一个 epoch 的。测试集只在最后评估一次，中途反复看测试集等于变相泄露。
best_acc = 0.0 for epoch in range(20): model.train() for imgs, labels in train_loader: optimizer.zero_grad() loss = criterion(model(imgs), labels) loss.backward() optimizer.step() model.eval() correct = total = 0 with torch.no_grad(): for imgs, labels in val_loader: preds = model(imgs).argmax(1) correct += (preds == labels).sum().item() total += labels.size(0) acc = correct / total if acc > best_acc: best_acc = acc torch.save(model.state_dict(), "best.pth")model.eval()和torch.no_grad()在验证阶段必须加，前者关掉 dropout 和 BN 的训练行为，后者省显存。保存best.pth而不是覆盖式保存，是为了防止后期过拟合把好权重冲掉。20 个 epoch 是起步值，实际看验证曲线早停。
4. 避坑与排查：分类数据集落地最常见的五个问题
这一章是我踩过的坑集中营，每一条都按现象、原因、解决来写，照着排查能省不少时间。
4.1 训练准确率一直上不去
现象：loss 不降，准确率卡在 1/36 附近，等于随机猜。原因：标签索引和模型输出对不上，或者 json 类别顺序和文件夹顺序错位。解决：回到 2.1 的assert那步，打印class_to_idx和 json 逐项比对，确认索引一致再训。
4.2 验证集准确率远高于测试集
现象：验证集 95%，测试集只有 70%。原因：验证集和测试集分布不一致，或者验证集被反复用来调参导致过拟合。解决：检查三个 split 是不是同一批数据随机划分的，确认没有图片重复出现在不同 split；调参只看验证集，测试集留到最后。
4.3 显存爆了或者训练极慢
现象：batch size 稍微调大就 OOM。原因：图片分辨率没统一，个别大图拖垮整个 batch；或者 num_workers 设太大导致 IO 争抢。解决：在 Dataset 里强制 Resize 到固定尺寸，num_workers从 4 起步按机器核数调，别一上来就设 16。
4.4 某些类别几乎全错
现象：整体准确率还行，但某几类混淆严重。原因：这几类视觉上太像，比如不同品种的辣椒，或者样本量太少。解决：看混淆矩阵定位具体是哪几类，针对性加样本或做类内增强，必要时用 focal loss 压制易分样本。
4.5 可视化脚本报路径错误
现象：跑 show 脚本提示文件不存在。原因：脚本里写死了作者本地的绝对路径。解决：把路径参数改成相对路径或命令行传入，解压后先cd到数据根目录再跑。
5. 进阶技巧：用混淆矩阵和 t-SNE 验证这份数据到底学没学到东西
训练完一个模型，准确率只是一个数字，真正能说明问题的是它错在哪、特征学得怎么样。我习惯在测试集上跑一遍混淆矩阵，再用 t-SNE 把倒数第二层的特征降维画出来，看同类是否聚拢、异类是否分开。这一步能暴露很多准确率掩盖的问题。
混淆矩阵用 sklearn 几行就能出：
from sklearn.metrics import confusion_matrix import seaborn as sns import matplotlib.pyplot as plt model.eval() all_preds, all_labels = [], [] with torch.no_grad(): for imgs, labels in test_loader: preds = model(imgs).argmax(1) all_preds.extend(preds.cpu().numpy()) all_labels.extend(labels.numpy()) cm = confusion_matrix(all_labels, all_preds) sns.heatmap(cm, annot=False, cmap="Blues") plt.savefig("confusion.png", dpi=150)对角线越亮越好，非对角线的亮点就是混淆对。如果发现苹果和梨互相错，说明模型对形状和颜色相近的类别区分力不够，可以考虑换更强的 backbone 或加注意力模块。t-SNE 则更直观：
from sklearn.manifold import TSNE feats = [] with torch.no_grad(): for imgs, _ in test_loader: f = model.avgpool(model.layer4(model.layer3(model.layer2(model.layer1( model.conv1(imgs)))))) feats.append(f.flatten(1)) feats = torch.cat(feats).numpy() emb = TSNE(n_components=2, perplexity=30).fit_transform(feats) plt.scatter(emb[:, 0], emb[:, 1], c=all_labels, cmap="tab20", s=5) plt.savefig("tsne.png", dpi=150)perplexity=30是常用起点，样本少可以调小。图上同类点聚成一团、不同类分开，说明特征有判别力；如果混成一锅粥，那准确率再高也要怀疑。这两个图我每次训完分类模型都会跑一遍，比盯着 loss 曲线有用得多。从那以后我每次拿到新数据集，都强制先跑可视化再开训，省得训到一半才发现数据本身有问题。希望帮到你。
本文还有配套的精品资源，点击获取
