跳到主要内容

项目：图像分类系统

本节定位

图像分类很适合作为第一个视觉项目，不是因为它最简单，而是因为它最容易把完整工程链路讲清楚：

  • 类别怎么定
  • 数据怎么组织
  • baseline 怎么做
  • 指标怎么看
  • 错误怎么分析

这一节的目标不是做一个“能跑的模型”，而是做一个能讲清楚的项目。

学习目标​

  • 学会定义一个适合作品集展示的图像分类题目
  • 学会把数据、baseline、评估和错误分析串成闭环
  • 学会用最小可运行示例表达项目结构
  • 理解图像分类项目里最值得展示的是什么

一、先别急着选模型，先把项目题目选对​

1.1 一个适合练手的题目通常有三个特征​

  1. 类别边界清楚
    例如 猫 / 狗 / 鸟、苹果叶片病害分类、垃圾分类
  2. 数据能拿到
    不要一开始就选你根本没法收集样本的题目
  3. 错误能解释
    分错后你能说出可能原因，而不是只剩“模型不行”

1.2 一个很稳的项目题目​

例如：

做一个“宠物照片分类器”，把图片分成 cat / dog / rabbit 三类。

它的优点是：

  • 类别直观
  • 数据相对容易收集
  • 很适合做 confusion matrix 和错误样例分析

1.3 不建议一开始就做的题目​

例如：

  • 上百类细粒度分类
  • 类别边界极其模糊
  • 数据严重不平衡但你还没准备好处理

二、项目最小闭环长什么样？​

一个最小但完整的图像分类项目，通常至少应包含：

  1. 题目与标签定义
  2. 数据集组织与划分
  3. baseline
  4. 训练与验证
  5. 评估与错误分析
  6. 演示方式

如果这 6 件事都说清了，即使模型不复杂，项目也会很有说服力。

三、先看一个最小项目规划对象​

from dataclasses import dataclass, field


@dataclass
class CVProjectPlan:
    name: str
    classes: list
    dataset_split: dict
    baseline: str
    metrics: list
    risks: list = field(default_factory=list)


plan = CVProjectPlan(
    name="pet_image_classifier",
    classes=["cat", "dog", "rabbit"],
    dataset_split={"train": 900, "val": 180, "test": 180},
    baseline="small_cnn",
    metrics=["accuracy", "confusion_matrix", "error_cases"],
    risks=["类别不平衡", "背景泄漏", "标签噪声"],
)

print(plan)

3.1 这个对象为什么重要？​

因为项目一开始最容易缺的，不是代码，而是边界。
这个最小对象逼你先说明：

  • 在做什么
  • 有哪些类别
  • 用什么 baseline
  • 用什么指标判断成败

四、先用一个“伪特征”基线理解项目评估​

为了不引入额外依赖，我们用一个很小的 toy baseline 来模拟图像分类项目的验证流程。

这里假设每张图片已经有三个非常粗糙的统计特征：

  • fur
  • ear_shape
  • size

当然真实项目不会这么做，但它非常适合帮助你看懂：

  • 训练集
  • 类别原型
  • 预测
  • confusion matrix

这条链。

train_data = [
    ("cat", [0.9, 0.8, 0.4]),
    ("cat", [0.8, 0.7, 0.5]),
    ("dog", [0.7, 0.5, 0.8]),
    ("dog", [0.6, 0.4, 0.9]),
    ("rabbit", [0.5, 0.9, 0.3]),
    ("rabbit", [0.4, 0.8, 0.2]),
]

test_data = [
    ("cat", [0.85, 0.75, 0.45]),
    ("dog", [0.65, 0.45, 0.85]),
    ("rabbit", [0.45, 0.85, 0.25]),
    ("dog", [0.82, 0.72, 0.42]),  # 故意放一个更像 cat 的错误样本
]


def class_prototypes(data):
    grouped = {}
    for label, features in data:
        grouped.setdefault(label, []).append(features)

    prototypes = {}
    for label, rows in grouped.items():
        dim = len(rows[0])
        prototypes[label] = [
            sum(row[i] for row in rows) / len(rows)
            for i in range(dim)
        ]
    return prototypes


def l1_distance(a, b):
    return sum(abs(x - y) for x, y in zip(a, b))


def predict(features, prototypes):
    distances = {label: l1_distance(features, proto) for label, proto in prototypes.items()}
    return min(distances, key=distances.get), distances


prototypes = class_prototypes(train_data)
print("prototypes:", prototypes)

results = []
for gold, features in test_data:
    pred, distances = predict(features, prototypes)
    results.append({"gold": gold, "pred": pred, "distances": distances})
    print(results[-1])

4.1 为什么这个示例仍然有项目价值？​

因为项目最重要的不是库名，而是评估思路。
这个 toy baseline 已经让你看到：

  • train -> prototype
  • test -> predict
  • gold vs pred

这正是后面真正 CNN 项目也必须走的一条线。

五、一个最小 confusion matrix 和错误分析​

labels = ["cat", "dog", "rabbit"]


def confusion_matrix(rows, labels):
    matrix = {g: {p: 0 for p in labels} for g in labels}
    for row in rows:
        matrix[row["gold"]][row["pred"]] += 1
    return matrix


cm = confusion_matrix(results, labels)
print("confusion matrix:")
for gold in labels:
    print(gold, cm[gold])

error_cases = [row for row in results if row["gold"] != row["pred"]]
print("\nerror cases:", error_cases)

5.1 为什么 confusion matrix 对图像分类特别重要？​

因为总准确率只会告诉你：

  • 对了多少

但 confusion matrix 会告诉你：

  • 哪两类最容易混

这正是你下一步改数据和改模型最需要的信息。

5.2 错误样例为什么比总分更值钱？​

因为你能真正去看：

  • 是不是背景误导了模型
  • 是不是某类照片角度不一致
  • 是不是标签标错了

这才是图像项目里最有洞察力的部分。

六、真实项目里最该补的三层​

6.1 数据层​

你至少应该说明：

  • 每类大概多少图
  • train / val / test 怎么分
  • 有没有类别不平衡

6.2 模型层​

很推荐先做两层 baseline：

  1. 小 CNN
  2. 迁移学习模型

这样你才能说清：

  • 更复杂模型到底换来了什么

6.3 展示层​

图像分类项目做作品集时，最值得展示的通常是：

  • 标签定义
  • confusion matrix
  • 典型正确样本
  • 典型错误样本

而不只是贴一张“训练完成”的截图。

七、这个项目最容易踩的坑​

7.1 只看总准确率​

你会很容易错过真正的问题分布。

7.2 类别定义太随意​

如果类别边界本身模糊，模型和评估都会一起发虚。

7.3 数据泄漏​

如果相似图片同时出现在训练和测试，
结果会被高估。

小结​

这节最重要的是建立一个项目意识：

图像分类项目真正有说服力的地方，不是模型名，而是你能否把类别边界、数据组织、baseline、confusion matrix 和错误分析讲成一个完整闭环。

只要这个闭环立住了，即使是一个小型项目，也会很像作品级课程。

版本路线建议​

版本目标交付重点
基础版跑通最小闭环能输入、能处理、能输出，并保留一组示例
标准版形成可展示项目增加配置、日志、错误处理、README 和截图
挑战版接近作品集质量增加评估、对比实验、失败样本分析和下一步路线

建议先完成基础版，不要一开始就追求大而全。每提升一个版本，都要把“新增了什么能力、怎么验证、还有什么问题”写进 README。

练习​

  1. 把 toy 数据里的 dog 样本再加两条，看看 confusion matrix 会怎么变化。
  2. 如果 cat 和 rabbit 总混淆，你会优先查数据、标签还是模型？为什么？
  3. 想一想：为什么图像分类项目特别适合用 confusion matrix 做展示？
  4. 如果你要把这个项目做成作品集页面，你会优先放哪 4 块内容？