深度学习图像分类实战：垃圾分类识别工程从训练到部署全指南

简介：面向Python开发者和人工智能入门学习者的垃圾分类深度学习小工程，整个项目基于ResNet50图像分类思路，覆盖数据准备、模型训练到Demo演示的完整流程，可帮助读者快速理解卷积神经网络在图像识别任务中的应用。资源压缩包共14个文件，大小约4.22MB，以6个Python脚本为核心，包含数据集生成与预处理、ResNet50模型定义、训练入口、推理演示等模块；另附2份Markdown说明、2份Word文档、1份JSON配置、1份许可证文件、示例图片及Git忽略配置，分别用于环境说明、训练信息记录和理论讲解。已有1210人学习下载，适合刚接触深度学习分类任务、希望获得可用小工程进行复现和改写的读者。通过该项目可以掌握垃圾分类场景下的数据组织方式、模型微调流程与基本调参思路。

1. 这个Python基于深度学习的垃圾分类小工程，解决的是“从零跑通到能交付”

你拿到的这个Python基于深度学习的垃圾分类小工程，本质是一个图像分类实战包：输入一张垃圾照片，模型输出它是纸板、塑料、玻璃、金属还是电池，并附上置信度。它解决的不是算法创新问题，而是把“数据整理→模型训练→单图推理”这条链路做成可以照着复现的标准答案。适合两类人：一类是有Python基础、装过深度学习环境但还没完整跑通过一个项目的新手；另一类是小团队，想用它摸清垃圾分类的图像方案到底值不值得投入。别小看这个“小”字，恰恰是它把环境、数据、训练、推理都装进了一个zip，你只需要拆开、跑通、再按自己的数据改造。它最大的坑不在模型，而在数据声明和预处理的一致性，后面我会花大篇幅讲这块。

2. 拆开zip之前：读懂垃圾分类小工程的技术选型与代码骨架

拿到zip的第一件事不是急着双击readme，而是先把整个包的结构读明白。小工程最容易让人误判的是“东西少应该很轻松”，实际上文件越精简，隐含约定越多。你在动手前花半小时搞清楚它是一个分类任务还是一个检测任务、依赖什么框架、类别从哪来，能省掉后面一整天的调试时间。

2.1 垃圾分类本质是图像分类，为什么小工程几乎都选迁移学习

先明确任务边界：这个工程要解决的是“这张图属于哪一类垃圾”，不画框、不定位，所以它属于图像分类，不是目标检测。分类网络的结构很直白：前面是卷积特征提取器，负责把图像变成特征向量；后面是一个全连接分类头，把特征映射到类别概率。卷积部分学的是边缘、纹理、反光、颜色这样的局部模式，全连接部分则负责做“综合判断”。

为什么这类小工程几乎清一色用深度学习，而不是传统图像处理？因为垃圾外观差异太大：纸箱有瓦楞纹理，塑料瓶有高光，玻璃瓶半透明，金属反光强烈。这些特征用SIFT、颜色直方图这类手工特征也能建模，但泛化性很差，换个光照、换个背景就失效。CNN能自动从数据里学这些模式，模型的内部机制对大多数人是个黑匣子，但黑匣子的输入输出规则是固定的，只要数据喂对，行为就可控。

模型选型上，这类小工程最常见的是三条路：ResNet18或ResNet34，稳定、好调、资料多，适合追求效果和复现性；MobileNetV2或MobileNetV3，参数少、CPU推理快，适合以后要部署到树莓派或小程序端；偶尔会遇到VGG16，老工程里多，特点是稳但笨重。我的习惯是先用ResNet18跑通，因为它兼容性好，torchvision直接能加载预训练权重，改分类头也简单。数据集方面，公开的垃圾分类影像集和Kaggle上的garbage classification这类数据都覆盖纸板、塑料、玻璃、金属、织物、电池等常见类别，但真实垃圾桶边拍的照片和网上数据集差异很大，训练集里看着干净的图，到现场往往会翻车。

2.2 解压后先看哪几个文件：从readme到data_loader

解压和初读我用这样一组命令：

unzip Python基于深度学习的垃圾分类小工程.zip -d garbage_sort cd garbage_sort tree -L 2 -d # 先看目录结构，别急着跑训练 cat requirements.txt # 看依赖有什么 cat config.py # 看类别数、图像尺寸、模型名

这里的参数要解释一下：-d garbage_sort是指定解压到目标目录，避免原地散落；tree -L 2 -d只显示两层目录，排除文件，让你一眼看出有没有checkpoints、dataset、models这些关键目录；cat直接读配置，比用编辑器打开更快。多数垃圾分类小工程会这样组织：train.py负责训练，predict.py负责推理，data_loader.py负责读图，models或nets.py放网络结构，config.py放超参和路径，checkpoints放训练好的权重。如果没有config.py，这些常量通常直接写在train.py顶部，注意找。

我建议的阅读顺序是：readme → config.py → data_loader.py → train.py → predict.py。很多人习惯先看train.py的训练循环，这是错的。对垃圾分类这种工程，data_loader.py才是命根子，它决定标签怎么映射、图像尺寸多大、增强怎么做。你后面所有调试都围绕它展开。看的时候重点确认三点：类别列表是不是写死在文件里、图像统一缩放到多大、返回的batch是(images, labels)还是带路径的三元组。最后先跑通predict.py再碰训练，因为权重能加载成功，说明环境和模型定义前两步已经对了。

2.3 标签、路径和编码：暗坑先打个预防针

这三个问题在垃圾分类小工程里几乎必现，先说结论。类别索引从0开始，由ImageFolder按目录名的ASCII顺序自动生成，不是按你的数据里出现的先后顺序。目录名用0_cardboard、1_plastic这种带数字前缀的命名，就是为了让排序结果和人类直觉一致。其次，中文标签在Windows控制台打印时经常乱码，因为终端默认GBK编码，而PyTorch和Python 3的字符串是UTF-8，这个不致命但很干扰判断，所以我后面所有示例都用英文标签。最后，路径别带中文，包括你的用户名目录、解压目录、数据集目录，能避开大量奇怪问题。

提示：解压路径、数据集路径全用英文。Windows下中文路径会让ImageFolder读取表现得很不稳定，这类问题排查起来最浪费时间。

3. 把深度学习环境配置跑通：从python安装检查到第一张分类结果

环境问题占了这类小工程总耗时的一半以上。常见的“代码没错但跑不起来”，十有八九是Python版本和PyTorch对不上，或者显卡驱动太老、装了CPU版torch还指望GPU跑。这一章我把从零到出结果的最小路径完整走一遍，包含环境体检、依赖安装和单图推理三个步骤。

3.1 环境体检：python版本、CUDA与PyTorch的匹配关系

我的惯例是新建一个独立环境，而不是直接往base里装东西：

conda create -n garbage python=3.9 -y conda activate garbage python --version nvidia-smi # 看显卡和驱动版本 nvcc -V # 看CUDA运行时版本 python -c "import torch; print(torch.__version__, torch.cuda.is_available())"

先解释为什么选Python 3.9：PyTorch 1.13到2.x这条主线的wheel都带3.9的包，如果你用Python 3.12装旧版torch，基本上要在编译报错上浪费一晚上。Python 3.8、3.9、3.10都是安全区，3.9最省心。nvidia-smi看的是驱动支持的CUDA版本，nvcc -V看的是本机安装的CUDA Toolkit版本，这两个不完全是一回事。只要torch.cuda.is_available()返回True，PyTorch内部自带的CUDA就能用，不要求你自己装Toolkit。如果打印出False，常见原因是装了CPU版torch、驱动版本太旧、或者torch的CUDA编译版本高于驱动支持版本。没有GPU也不用灰心，这个小工程用MobileNet在CPU上能跑推理，训练慢一点但可行。

提示：在PyCharm里新建项目时，解释器直接选刚才的garbage环境，避免命令行能跑、IDE里报错这种奇怪的不一致。

3.2 依赖安装：requirements.txt不完全可信，核心依赖自己核对

requirements.txt是作者在他自己机器上验证过的版本快照，但很多小工程的requirements.txt是网上抄来的，版本可能过老或互相矛盾。我的做法是参考它，但不盲从：

pip install -r requirements.txt -i 清华或阿里云PyPI镜像 pip install opencv-python pillow numpy tqdm scikit-learn matplotlib

PyPI镜像这个参数很有用，直接装能省不少时间。第一行把工程自带的依赖全装上，第二行补装你可能用到但requirements里没写的工具库。这里要重点核对的是torch和torchvision的版本配对，这两个库必须来自同一批Release，比如torch 2.0配torchvision 0.15，配错会在import时报“undefined symbol”之类的错。如果requirements里有个很旧的torch版本，我建议先升级：pip install -U torch torchvision，再继续装其他依赖。opencv-python负责图像增强和IO的兜底，Pillow负责读图，scikit-learn用来算评估指标，matplotlib用来画混淆矩阵，这几个都不是可选依赖。

3.3 最小推理：一张图如何变成“类别+置信度”

不管zip里自带的predict.py长什么样，我都建议先写一个最小推理脚本，把“加载权重→预处理→前向→输出类别”这四个环节彻底搞明白。下面这个脚本可以直接保存为predict_min.py：

import torch import torchvision.models as models from torchvision import transforms from PIL import Image class_names = ["cardboard", "plastic", "glass", "metal", "fabric", "battery"] def load_model(num_classes, ckpt_path): model = models.resnet18(weights=None) model.fc = torch.nn.Linear(model.fc.in_features, num_classes) state = torch.load(ckpt_path, map_location="cpu") state = {k.replace("module.", ""): v for k, v in state.items()} model.load_state_dict(state, strict=False) model.eval() return model def predict(img_path, model, device="cpu"): tf = 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]), ]) img = Image.open(img_path).convert("RGB") x = tf(img).unsqueeze(0).to(device) with torch.no_grad(): logits = model(x) probs = torch.softmax(logits, dim=1) top1 = probs.argmax(dim=1).item() top1_conf = probs[0, top1].item() return class_names[top1], top1_conf if __name__ == "__main__": model = load_model(num_classes=len(class_names), ckpt_path="./checkpoints/best.pth") cls, conf = predict("./test.jpg", model) print(f"类别: {cls} 置信度: {conf:.4f}")

这段代码有几个关键点。torch.load(..., map_location="cpu")让没有GPU的机器也能加载权重，不会因为设备名匹配不上报错。后面那行replace("module.", "")是处理DataParallel多卡训练留下的前缀，小工程里经常遇到，先写上能省一次报错。model.eval()必须调用，它会切换BN层和Dropout的行为，不调的话同一张图每次推理结果都可能不一样。预处理三件套Resize、CenterCrop、Normalize必须和训练时保持一致，尤其是Normalize的均值方差，这是ImageNet预训练权重的统计值，填错会导致颜色分布偏掉、精度骤降。运行命令是：

python predict_min.py --image ./data/test/paper_01.jpg

如果zip自带的predict.py是带argparse的，优先直接用它。我写这个最小脚本是想让你理解流程，理解之后任何变体都能看懂。

4. 把数据喂成深度学习能学的样子：目录结构、预处理与微调参数

训练阶段最耗时间的往往不是模型，而是数据准备。别一开箱就跑python train.py，那只会对着默认的dataset目录一路飞奔。先把数据组织好，把预处理和超参弄清楚，训练结果才有参考价值。和论文复现不同，这类深度学习实战项目案例更看重“改到自己的数据上还能跑”，所以数据这一环不能跳过。

4.1 用ImageFolder整理训练集：目录名就是标签，顺序就是索引

PyTorch的torchvision.datasets.ImageFolder是分类小工程的事实标准，它的规则很朴素：一级子目录名就是类别名，图片文件放在类别目录里。

dataset/train/0_cardboard/xxx.jpg dataset/train/1_plastic/xxx.jpg dataset/train/2_glass/xxx.jpg dataset/train/3_metal/xxx.jpg dataset/train/4_fabric/xxx.jpg dataset/train/5_battery/xxx.jpg dataset/val/0_cardboard/xxx.jpg dataset/val/1_plastic/xxx.jpg

用0_、1_这种前缀是刻意为之。ImageFolder会按目录名字母序排序生成class_to_idx，如果你用cardboard、plastic这样纯字母命名，虽然也能用，但排序顺序容易和推理脚本里写死的类别列表对不上。带数字前缀后，排序就和人类直觉一致，排查起来不用猜。如果原始数据是一个大目录里所有类别混着，可以写个脚本按比例切分：

import os, random, shutil random.seed(42) root = "dataset/full" for cls in os.listdir(root): imgs = os.listdir(os.path.join(root, cls)) random.shuffle(imgs) n_val = int(len(imgs) * 0.2) for i, img in enumerate(imgs): subset = "val" if i < n_val else "train" out_dir = f"dataset/{subset}/{cls}" os.makedirs(out_dir, exist_ok=True) shutil.copy(os.path.join(root, cls, img), out_dir)

这段代码里random.seed(42)保证了每次划分结果一致，这个参数很关键，不然前后两轮训练用的验证集不同，指标没法对比。n_val = int(len(imgs) * 0.2)是切出20%作为验证集，对小数据量是合理比例。要注意的是只做copy不移动，原始数据别动，这是后悔药。如果原始数据本来就有train和val目录，直接跳过这个脚本，但重点检查val目录里类别是否齐全、命名是否和train一致。

4.2 训练与推理的预处理必须一致：增强与归一化的边界

数据增强是提高泛化能力最直接的手段，但垃圾分类图有自己的特点：垃圾桶附近光线差、背景杂乱、物体可能部分被遮挡。增强要能模拟这种变化，又不能把图改得连人都认不出。我的常用transforms如下：

from torchvision import transforms train_tf = transforms.Compose([ transforms.RandomResizedCrop(224, scale=(0.7, 1.0)), transforms.RandomHorizontalFlip(p=0.5), transforms.ColorJitter(brightness=0.3, contrast=0.3), transforms.ToTensor(), transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]), ]) eval_tf = 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]), ])

RandomResizedCrop(224, scale=(0.7, 1.0))表示裁剪后缩放到224，裁剪面积是原图的70%到100%。这个下限别设太低，垃圾物体本身就小，裁太多会把关键特征裁掉。RandomHorizontalFlip概率0.5，左右翻转对大多数垃圾是安全的，但如果你识别的是有方向性的印刷文字，这一项要关掉。ColorJitter的亮度、对比度各0.3，模拟不同光照。归一化的均值方差用的是ImageNet统计值，因为你的预训练权重是在ImageNet上训练的，输入分布必须和训练时一致，否则第一层卷积的输出就偏了。

训练端和推理端的预处理必须严格分开：训练端允许随机，推理端必须确定。推理端用Resize(256)加CenterCrop(224)，这是torchvision官方推荐的稳定组合。我的习惯是把这两个transforms定义在同一个文件里并导出，两个脚本共用，而不是在train.py和predict.py各写一份，这样能从根本上杜绝不一致这个最常见的低级错误。

4.3 微调超参数设置：batch_size、lr、epochs怎么定

迁移学习不是从零训练，而是把预训练模型的通用特征拿过来用，只调整部分参数。所以超参数设置和从零训练完全不同。下表是我在垃圾分类小工程上的起点值：

先看模型改造和训练循环的最小骨架：

import torch.nn as nn from torchvision import models num_classes = len(class_names) model = models.resnet18(weights=models.ResNet18_Weights.IMAGENET1K_V1) in_features = model.fc.in_features model.fc = nn.Linear(in_features, num_classes) for name, param in model.named_parameters(): if "fc" not in name: param.requires_grad = False optimizer = torch.optim.Adam( filter(lambda p: p.requires_grad, model.parameters()), lr=1e-3) scheduler = torch.optim.lr_scheduler.CosineAnnealingLR(optimizer, T_max=epochs) criterion = nn.CrossEntropyLoss() for epoch in range(epochs): model.train() for images, labels in train_loader: images, labels = images.to(device), labels.to(device) optimizer.zero_grad() outputs = model(images) loss = criterion(outputs, labels) loss.backward() optimizer.step() scheduler.step() val_loss, val_acc = evaluate(model, val_loader)

第一段的作用是替换分类头：model.fc.in_features是预训练分类头的输入维度，ResNet18是512，替换后输出从1000类变成你的类别数。然后遍历所有参数，除了名字带fc的层之外，全部冻结。冻结的意思是requires_grad=False，Adam根本不会给这些参数分配梯度状态，显存和算力都省了。训练循环里用filter(lambda p: p.requires_grad, model.parameters())把可训练参数筛出来交给优化器，这是冻结操作能生效的关键。什么时候解冻backbone？我一般看验证集loss连续两三个epoch不下降时，把最后的layer3、layer4解冻，学习率降到1e-4，再训10轮左右。这个操作能给模型“再松一档”的机会，小数据上通常还能涨两三个点。

4.4 类别不均衡：用loss加权，不要只用整体准确率

垃圾影像数据集几乎都有类别不均衡问题，纸箱、塑料瓶这些常见类别一两千张，玻璃碎片、电池可能只有一两百张。如果不处理，模型会对多数类过度自信，少数类recall可能低到不可用。最简单的做法是给CrossEntropyLoss按类别频率反比加权：

from sklearn.utils.class_weight import compute_class_weight import numpy as np import torch.nn as nn labels = [train_dataset.targets[i] for i in range(len(train_dataset))] class_weight = compute_class_weight( "balanced", classes=np.unique(labels), y=np.array(labels)) weights = torch.tensor(class_weight, dtype=torch.float) criterion = nn.CrossEntropyLoss(weight=weights)

compute_class_weight的balanced模式计算方式是：每类权重 = 样本总数 / (类别数 × 该类样本数)。少数类因此拿到更大的loss权重，梯度更新时会被更认真地对待。用这个之后，整体accuracy可能微降，但每类recall会均衡很多。训练结束后一定要打印每个类别的recall，而不是只看总体acc，不然你根本不知道电池这类危险品被模型漏掉了多少。

5. 垃圾分类小工程避坑指南：5个高频翻车点与修复姿势

这一章写的都是我实际踩过、或者帮人排查过的坑。每个都按“现象→原因→解决”展开，建议你在改代码前先对号入座。

5.1 训练loss不降反升，或者第10轮突然爆掉

现象：前几轮loss正常下降，到第10轮突然从1.2跳到9.8，之后再也回不去；或者从一开始loss就不降，剧烈震荡。原因最常见的三个：学习率太大，模型在损失曲面震荡；数据增强过猛，图被裁得面目全非，标签失效；更隐蔽的是标签顺序错位，模型一直在学错误的映射。解决分两步。先用下面这段代码从dataloader里抽一批数据，打印出图和标签，人工确认图和类对得上：

data_iter = iter(train_loader) images, labels = next(data_iter) for i in range(min(8, len(labels))): print(i, class_names[labels[i].item()])

确认标签无误后，把学习率降到1e-4重启。如果loss曲线仍然抖动，把ColorJitter全部关掉，用最朴素的裁剪加翻转先跑一遍。这个“先极简后增强”的顺序能最快定位问题。

5.2 显存溢出或CPU慢到不可用

现象：batch_size设32，训练没两步就报CUDA out of memory；或者CPU训练一个epoch要两小时。原因通常是输入分辨率太大、batch太大、验证阶段忘了关梯度。解决路径有四条，按性价比排序：把输入统一到224或256，很多小工程默认用448或更大，显存直接翻倍；batch_size减半，从32降到16；在验证函数里加with torch.no_grad():，不然验证阶段计算图不会被释放；最后再考虑混合精度：

scaler = torch.cuda.amp.GradScaler() with torch.cuda.amp.autocast(): outputs = model(images) loss = criterion(outputs, labels) scaler.scale(loss).backward() scaler.step(optimizer) scaler.update()

混合精度对准确率影响很小，但显存和速度都有体感提升。唯一注意点是老显卡不支持AMP，设置环境变量CUDA_VISIBLE_DEVICES=""时会自动退化，不用强求。

5.3 推理结果永远是同一个类别

现象：不管输入是纸箱还是塑料瓶，输出永远是同一个标签，置信度还很高。原因有几种可能：预处理和训练不一致，比如训练用了224，推理用了320，特征分布对不上；类别顺序错位，模型输出的第3类是塑料瓶，你打印的是第3类是纸板；还有可能是softmax之后取argmax的维度写错。排查时不要只看top1，把top5打印出来：

probs = torch.softmax(logits, dim=1) top5 = torch.topk(probs, k=min(5, probs.size(1)), dim=1) for rank in range(len(top5.indices[0])): idx = top5.indices[0][rank].item() print(class_names[idx], round(top5.values[0][rank].item(), 4))

如果top5的概率分布均匀且全是同一个类别，说明模型或数据有问题；如果第二名、第三名其实是对的类别，只是被排到后面，那就是类别列表顺序写错。我遇到后者居多，因为训练脚本和推理脚本常各写一个类别数组。

5.4 加载checkpoint报missing或unexpected key

现象：load_state_dict报错，一串以module.开头的key找不到，或者fc层的权重维度对不上。原因有两个：训练时用了DataParallel，保存的权重key会多出module.前缀；或者微调时fc层输出维度不是1000，和预训练权重冲突。解决方式统一处理：

state = torch.load("best.pth", map_location="cpu") new_state = {} for k, v in state.items(): new_state[k.replace("module.", "")] = v missing, unexpected = model.load_state_dict(new_state, strict=False) print(missing, unexpected)

strict=False的意思是允许缺少部分key，先加载能匹配的，再打印缺失列表。如果你替换过fc层，那么fc.weight和fc.bias出现在unexpected里是正常的，不用管；但如果backbone层的key出现在missing里，说明网络结构定义和保存时不一致，这是错误，需要回头检查模型名。一个细节是load_state_dict返回的元组第一个元素是缺失key，第二个是多余key，千万别看反。

5.5 Windows下中文路径与中文目录名的乱码和读取失败

现象：代码在Linux好好的，Windows上一跑，读取图片报路径找不到，或者控制台打印的标签全是乱码。原因在于Windows控制台默认GBK编码，而Python 3的字符串是UTF-8，中文目录名经过ImageFolder后也可能因为文件系统编码差异对不上。解决方式最彻底的是全程英文，从项目根目录到数据集命名都不要有中文。其次，类别目录用0_cardboard而不是纸板，即使你在代码里用class_names = ["纸板"]映射中文名，目录本身也别用中文。最后，排查读取问题时用这个命令看目录里实际读到了什么：

python -c "import os; print(os.listdir('dataset/train/0_cardboard')[:5])"

如果列表为空，但资源管理器里明明有文件，多半是路径拼接问题，检查项目根目录是不是真的在当前位置，以及有没有不小心用了绝对路径却指向旧目录。

6. 把“能跑”变成“可信”：用评估脚本验收你的深度学习小工程

训练结束、推理能出图，这时最需要一份评估脚本，把所有类别的准确率、召回率、F1打印出来，再画一张混淆矩阵。只报一个整体accuracy，在垃圾类别不均衡的工程里没有说服力。评估脚本不长，核心就是下面这段：

from sklearn.metrics import classification_report, confusion_matrix # y_true 是验证集真实标签列表，y_pred 是模型预测标签列表 # 两者按同样的顺序一一对应 report = classification_report( y_true, y_pred, target_names=class_names, digits=4) print(report) cm = confusion_matrix(y_true, y_pred)

参数里target_names必须和训练时的类别列表顺序严格一致，不一致时整个报告都是错位的。digits=4是因为少数类样本量小，三位小数看不清差别。拿到结果后，重点不是看总体accuracy，而是按下面这张表的思路定位问题：

如果混淆矩阵里固定有某两类互相串，我的习惯是回到数据集里把这两类的图片调出来，观察它们到底像在哪里，然后去补充真实场景的负样本，而不是立刻换更大的模型。数据层面的缺口，靠堆网络参数是补不回来的。我自己每次接手这类深度学习小工程，第一件事永远是先跑通一次评估脚本，确认baseline可信，再动训练参数；否则后面怎么调都像在碰运气。希望帮到你。

本文还有配套的精品资源，点击获取