Python 水果识别训练视频识别 —东方仙盟练气期)
指令
一、日志核心信息解读
| 指标 | 数值 | 关键结论 |
|---|---|---|
| Batch [0] Loss | 4.9721 | 初始损失符合 208 类分类任务预期（理论值≈5.33） |
| Batch [10] Loss | 3.6429 | 训练 10 个批次后 Loss 下降 1.33，模型开始学习 |
| Batch [20] Loss | 2.5330 | 训练 20 个批次后 Loss 再降 1.11，收敛趋势健康 |
| 20 批次总耗时 | 132.96s | 单批次平均≈6.65s（比初始 4.34s 略慢，是 CPU 资源调度正常波动） |
二、立刻能做的轻量化优化（进一步提速 + 加速收敛）
1. 冻结特征层（最核心，计算量砍 80%）
现在训练还在更新整个模型的参数，冻结特征层后单批次耗时会从≈6.65s 降至≈1~2s，代码修改如下（训练中暂停后重新运行即可）：
python
运行
from torchvision import models from torchvision.models import MobileNet_V2_Weights # 加载模型+冻结特征层 model = models.mobilenet_v2(weights=MobileNet_V2_Weights.IMAGENET1K_V1) # 关键：冻结所有特征提取层，仅训练分类头 for param in model.features.parameters(): param.requires_grad = False # 修改分类头 model.classifier[1] = nn.Linear(model.last_channel, num_classes) model = model.to("cpu")2. 调整学习率（冻结后分类头可加大学习率，收敛更快）
python
运行
# 从0.001→0.005，分类头单参数学习效率更高 optimizer = optim.Adam(model.parameters(), lr=0.005)三、后续训练的关键观察点
- Loss 趋势：
- 正常情况下，本轮 Epoch 结束时 Loss 应降至 1.0~1.5 左右；
- 若 Loss 下降变慢（如连续 50 批次 Loss 基本不变），可适当调大学习率（如 0.008）或减小批次大小（如 16）。
- 验证阶段：
- 第一轮 Epoch 验证准确率（Test Acc）能达到 60%+ 即为正常，后续每轮应提升 5%~10%，最终稳定在 95%+（Fruits360 数据集简单，MobileNetV2 能达到 98%+）。
- 耗时变化：
- 冻结特征层后，20 批次耗时会从 132s 降至≈30~40s，整轮 Epoch 耗时从 2.6 小时降至≈40 分钟，效率大幅提升。
四、小技巧：减少验证阶段耗时（可选）
若想优先完成训练，可暂时跳过完整验证，仅每 3 轮验证一次：
# ==================== 配置项 ==================== TRAIN_DIR = "./wlzcfruit/Training" TEST_DIR = "./wlzcfruit/Test" MODEL_SAVE_PATH = "wlzcfruit_mobilenetv2.pth" NUM_EPOCHS = 15 BATCH_SIZE = 32 PRINT_STEP = 10 # 每10个批次打印一次进度 # ================================================ # 1. 数据预处理（简化：先去掉Normalize，减少计算量） transform = transforms.Compose([ transforms.Resize((100, 100)), transforms.ToTensor(), # 暂时注释Normalize，先验证进度，后续加回 # transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]) ]) # 2. 加载数据集（Win7 num_workers=0 正确） train_dataset = ImageFolder(TRAIN_DIR, transform=transform) test_dataset = ImageFolder(TEST_DIR, transform=transform) num_classes = len(train_dataset.classes) print(f"数据集加载完成 | 训练集样本数：{len(train_dataset)} | 类别数：{num_classes}")阿雪技术观
在科技发展浪潮中，我们不妨积极投身技术共享。不满足于做受益者，更要主动担当贡献者。无论是分享代码、撰写技术博客，还是参与开源项目维护改进，每一个微小举动都可能蕴含推动技术进步的巨大能量。东方仙盟是汇聚力量的天地，我们携手在此探索硅基生命，为科技进步添砖加瓦。
Hey folks, in this wild tech - driven world, why not dive headfirst into the whole tech - sharing scene? Don't just be the one reaping all the benefits; step up and be a contributor too. Whether you're tossing out your code snippets, hammering out some tech blogs, or getting your hands dirty with maintaining and sprucing up open - source projects, every little thing you do might just end up being a massive force that pushes tech forward. And guess what? The Eastern FairyAlliance is this awesome place where we all come together. We're gonna team up and explore the whole silicon - based life thing, and in the process, we'll be fueling the growth of technology
