深度学习图像分类实战：70类鸟类识别与ResNet微调全流程

简介：图像分类是深度学习中基础且高频的应用场景，其核心在于将原始像素转化为有效特征并完成类别映射。实际工程中，数据集的整理与标注解析往往比模型结构更影响效果。以鸟类图像识别任务为例，借助迁移学习加载ResNet预训练权重，通过数据增强、分层采样和微调策略，能够在小规模数据集上获得稳定准确率。该方案不仅适用于野生动物监测、生态调查等场景，也是高校人工智能课程中理解图像分类全流程的典型实践。本文围绕70类鸟类数据集，从标注文件解析、模型训练配置到测试结果输出，系统梳理了图像分类实验的完整链路与常见避坑要点。

1. 鸟类图像分类这个实验：不是刷榜，是先把数据链路跑通

如果你正在做图像分类方面的课程实验，最怕的不是模型跑不起来，而是拿到一份数据集却不知道怎么把它喂进网络。这份基于深度学习的鸟类图像分类资源，本质是一个完整的 70 类鸟类识别实验包：6500 张训练图片、1666 张测试图片，附带类别映射文件和带目标框坐标的标注文件。它解决的不是“用什么模型刷最高分”的问题，而是让你在有限算力下把数据集处理、模型训练、结果输出这一整条链路跑通。适合高校人工智能相关专业的本科生和研究生，也适合刚入门深度学习、想用真实数据练手图像分类的新手——快速走完一遍，比看十篇教程都管用。

2. 解析数据集：70 类鸟的目录结构、标注文件与加载方式

2.1 数据集三件套：images、classes.txt、trainDataSet_mixed.txt

这份资源里最有价值的是它的标注设计，它不是简单的 ImageFolder 分类目录，而是额外给了每个训练样本的检测框坐标。也就是说，你在做分类的同时，还能顺手观察目标检测框和分类标签之间的关系，这在课程实验里很少见。目录结构如下：

--images文件夹（6500张图片） --001.Black_footed_Albatross --002.Laysan_Albatross ... --070.Green_Violetear --classes.txt --trainDataSet_mixed.txt

classes.txt记录类别 ID 和类别名称的对应关系，trainDataSet_mixed.txt则是训练集的索引文件。注意一个细节：训练集图片按子文件夹存放，子文件夹名既是类别名又是图片路径的一部分，而trainDataSet_mixed.txt里给出了每个样本的四个 bbox 坐标。这意味着你可以做两种训练策略——纯分类不看框，或者把框裁出来再送进网络。常见做法是先把数据读成 DataFrame，便于后续按需取用。

2.2 解析 trainDataSet_mixed.txt：把标注变成可用数据

这个文件的格式是<image_id> <class_name/image_name> <bbox_x1> <bbox_y1> <bbox_x2> <bbox_y2>，第一列是图片编号，第二列是带类别名的图片路径，后四列是左上角和右下角的像素坐标。我用 pandas 直接读：

import pandas as pd train_df = pd.read_csv( 'trainDataSet_mixed.txt', sep=' ', header=None, names=['image_id', 'image_path', 'bbox_x1', 'bbox_y1', 'bbox_x2', 'bbox_y2'] ) # 提取类别名和纯文件名 train_df['class_name'] = train_df['image_path'].apply(lambda x: x.split('/')[0]) train_df['file_name'] = train_df['image_path'].apply(lambda x: x.split('/')[1]) # 把类名映射成类别序号 class_list = train_df['class_name'].unique() class_to_id = {name: idx for idx, name in enumerate(sorted(class_list))} train_df['class_id'] = train_df['class_name'].map(class_to_id) print(train_df.head()) print(train_df['class_id'].value_counts())

这里的关键点是sep=' '用空格分割，因为文件名里没有空格，所以能安全拆成六列。class_to_id的映射方式我建议按字母排序生成，因为测试集输出结果时类别 ID 是整数，如果映射不一致，后续评估会全部错位。value_counts()可以快速看一眼类别分布，后面用来判断是否存在严重类别不均衡。

2.3 验证集划分：按类别分层采样，别乱 shuffle

课程实验通常是给定训练集，自己留一部分做验证。6500 张图分 70 类，每类平均不到 100 张，如果直接随机划分，某些类别在验证集里可能只有 1 张甚至没有。我一般用分层采样，确保每个类别在训练集和验证集里的比例一致：

from sklearn.model_selection import train_test_split train_idx, val_idx = train_test_split( train_df.index, test_size=0.2, stratify=train_df['class_id'], random_state=42 ) train_split = train_df.loc[train_idx].reset_index(drop=True) val_split = train_df.loc[val_idx].reset_index(drop=True) print(f'Train: {len(train_split)}, Val: {len(val_split)}')

stratify=train_df['class_id']是核心参数，它保证每个类别都被按比例抽到验证集里。random_state=42固定随机种子，确保每次重跑实验结果可比。这里有个容易被忽略的坑：验证集图片和训练集图片必须来自同一分布，本数据集所有图都是真实拍摄的鸟类照片，不用做复杂的域适配。

2.4 数据增强：这个数据集大小下，增强比换模型更重要

6500 张图对 70 类分类来说刚过及格线，纯靠 ResNet 预训练权重硬训也能到 85% 左右，但想上 90% 就需要数据增强来凑。鸟类图像的特点是主体在画面中间但大小差异大，有些图鸟很小、背景占比很高。我用组合增强策略：

from torchvision import transforms train_transform = transforms.Compose([ transforms.RandomResizedCrop(224, scale=(0.5, 1.0)), transforms.RandomHorizontalFlip(p=0.5), transforms.ColorJitter(brightness=0.2, contrast=0.2, saturation=0.2), transforms.ToTensor(), transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]) ]) val_transform = 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的scale=(0.5, 1.0)意味着裁剪区域占原图 50% 到 100%，这个区间很适合鸟类这种主体占比不固定的场景。验证集只用Resize(256) + CenterCrop(224)，不做随机增强，因为验证指标要反映真实分布下的表现。Normalize 用的是 ImageNet 的均值和标准差，配合预训练权重使用效果最好——如果你自己从零训练，这两个参数就是错的。

3. 模型选型与训练配置：从 ResNet 到微调，参数怎么定才稳

3.1 为什么课程实验优先选 ResNet50，而不是 ViT

70 类分类、每类不到 100 张训练图，这个数据规模决定了模型选择的方向。Vision Transformer 在小数据集上需要较强的正则化手段和大 batch 才能收敛，显存占用也高；而 ResNet50 作为 CNN 里的经典结构，配合 ImageNet 预训练权重做微调，是这个实验里性价比最高的方案。它的fc层是 2048 维输入，替换成 70 维输出只需要改一行代码。

如果你显卡显存不够 8G，还可以降级用 ResNet18，准确率大概会掉 3 到 5 个点，但训练时间能缩短一半。我自己的判断标准是：训练集总样本数除以类别数小于 200 时，优先考虑 ResNet 系；大于 500 时再考虑 EfficientNet 或 Swin Transformer，因为那时数据量才撑得起更复杂的结构。

3.2 加载预训练权重并替换分类头

从 torchvision 里直接加载预训练 ResNet50，关键点是确认权重版本和替换分类头的维度：

import torch import torch.nn as nn import torchvision.models as models model = models.resnet50(weights=models.ResNet50_Weights.IMAGENET1K_V2) num_features = model.fc.in_features model.fc = nn.Sequential( nn.Dropout(0.3), nn.Linear(num_features, 70) ) model = model.cuda() if torch.cuda.is_available() else model print(f'Replace fc layer: {num_features} -> 70')

IMAGENET1K_V2是官方最新版本预训练权重，比 V1 的 top-1 准确率高约 1.5 个百分点，微调收敛也更快。model.fc.in_features这行代码很关键，它自动读取原分类头的输入维度，不用硬编码 2048，以后换 ResNet18 或 ResNet101 也不用改这里。Dropout(0.3)是防止小数据集过拟合的常见手段，类别数多但每类样本少，dropout 比 weight decay 更直接有效。

3.3 训练参数：学习率、batch size、epoch 的搭配逻辑

这个实验的训练参数，我建议按以下方式设置：

这里有个经验：微调时主干网络的学习率可以比分类头低 10 倍，因为预训练特征已经很好了，不需要大步幅改动。常见做法是把模型参数分成两个组，fc层用 0.001，主干网络用 0.0001。如果只用一个学习率，训练前期 loss 下降快，但后期容易在验证集上震荡，因为分类头已经收敛而主干还在大幅更新。

3.4 训练循环主体与验证逻辑

训练循环直接写进一个脚本里，关键部分如下：

from torch.optim import AdamW from torch.cuda.amp import autocast, GradScaler optimizer = AdamW(model.parameters(), lr=0.001, weight_decay=0.01) scheduler = torch.optim.lr_scheduler.StepLR(optimizer, step_size=20, gamma=0.1) criterion = nn.CrossEntropyLoss() scaler = GradScaler() for epoch in range(60): model.train() running_loss = 0.0 for images, labels in train_loader: images, labels = images.cuda(), labels.cuda() optimizer.zero_grad() with autocast(): outputs = model(images) loss = criterion(outputs, labels) scaler.scale(loss).backward() scaler.step(optimizer) scaler.update() running_loss += loss.item() * images.size(0) # 验证 model.eval() val_correct = 0 with torch.no_grad(): for images, labels in val_loader: images, labels = images.cuda(), labels.cuda() outputs = model(images) _, preds = torch.max(outputs, 1) val_correct += (preds == labels).sum().item() val_acc = val_correct / len(val_split) * 100 print(f'Epoch {epoch+1:02d} | Loss: {running_loss/len(train_split):.4f} | Val Acc: {val_acc:.2f}%') scheduler.step() torch.save(model.state_dict(), f'checkpoints/bird_epoch{epoch+1:02d}.pth')

autocast()混合精度训练在 1080Ti 以上都能提速约 30%，且不影响最终准确率。GradScaler是配套操作，防止 fp16 下梯度下溢。我在代码里每个 epoch 都保存一次权重，这样训练到第 40 轮如果发现验证集开始过拟合，可以直接回退到第 30 轮的权重，不用从头重跑——这是训练曲线不稳定时最好的后悔药。

4. 测试集推理与结果输出：按学号姓名格式生成提交文件

4.1 测试集读取顺序：image_id 从 1 到 1666

这个实验的测试集是 1666 张图，TestImage_id从 1 开始编号，推理时最忌用文件名排序后直接遍历，因为文件名的数字可能不是从 1 开始连续的。稳妥做法是显式构造一个 id 到路径的映射：

import os test_dir = 'test_DataSet' test_paths = {} for i in range(1, 1667): candidate = os.path.join(test_dir, f'{i}.jpg') if not os.path.exists(candidate): candidate = os.path.join(test_dir, f'{i}.png') test_paths[i] = candidate print(f'Total test images: {len(test_paths)}')

这段代码强制用 id 去查文件而不是扫描目录，能避免目录里有无关文件被混入。另外我顺手做了一次格式兜底：找不到.jpg就尝试.png，因为原始数据集在不同站点转存后后缀可能不一致。

4.2 推理脚本：加载最优权重并输出预测结果

推理阶段加载验证准确率最高的那个 epoch 权重，不做任何数据增强，只用验证集同样的一套预处理：

import torch from torchvision import transforms device = torch.device('cuda' if torch.cuda.is_available() else 'cpu') model.load_state_dict(torch.load('best.pth', map_location=device)) model.to(device).eval() test_transform = 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]) ]) results = [] with torch.no_grad(): for img_id in range(1, 1667): from PIL import Image img = Image.open(test_paths[img_id]).convert('RGB') tensor = test_transform(img).unsqueeze(0).to(device) output = model(tensor) pred_class = torch.argmax(output, dim=1).item() results.append((img_id, pred_class)) print(f'Predictions: {len(results)}, first 5: {results[:5]}')

torch.argmax取的是模型输出的最大值索引，这个索引就是 classes.txt 里约定的类别序号吗？不一定——取决于你第 2 章里怎么建class_to_id的映射。如果按字母排序映射的数字是从 0 开始的，而 classes.txt 里的序号是从 1 到 70，那这里必须做偏移：pred_class = class_list[pred_class]输出真正的 class_id。我建议直接用 classes.txt 构建映射，不要自己重新排序。

4.3 输出文件格式：第一行学号姓名，第二行起是预测

评测程序读取文件时只认两段内容，第一行学号姓名中间无空格，第二行起每行是<TestImage_id><空格><class_id>。写文件的时候注意编码和换行符，Windows 下容易把\r\n混进去，我统一用显式换行：

with open('09118000李飞飞.txt', 'w', encoding='utf-8') as f: f.write('09118000李飞飞\n') for img_id, class_id in results: f.write(f'{img_id} {class_id}\n') # 校验行数：1 + 1666 = 1667 line_count = sum(1 for _ in open('09118000李飞飞.txt', encoding='utf-8')) assert line_count == 1667, f'Line count mismatch: {line_count}' print('Result file verified.')

这个校验逻辑很笨但有用——行数不对就说明输出有问题，不用等评测系统反馈。加encoding='utf-8'是防中文系统默认 ANSI 编码带来的乱码问题。文件命名也不能马虎，评测程序按文件名找人，写错一个字就是零分。

5. 避坑指南：鸟类分类实验里常见的几个翻车点

5.1 现象：验证集准确率 95%，评测成绩却不到 80%

原因：验证集和测试集分布不一致。最常见是你做数据增强时用了RandomHorizontalFlip，但鸟类有左右朝向的语义特征（比如鸟嘴方向），翻转后训练集把左右对称样本都教给了模型，验证集你也翻转了所以没问题，但测试集不翻转，模型对朝向敏感的特征就失效了。

解决：验证和测试阶段统一不做水平翻转，只在训练阶段用。另外检查一下训练集和测试集图片是否来自不同的拍摄设备或背景，如果是，加一些背景增强，比如RandomApply随机替换背景色，能缓解这个分布偏移。

5.2 现象：用预训练权重微调，loss 却在前 5 个 epoch 不下降

原因：学习率设置过大，导致预训练权重被破坏。我见过有人直接用 0.01 微调，主干网络的特征提取层被大步幅更新，ImageNet 学到的特征全被覆盖，loss 不仅不降还可能涨。

解决：主干网络分组学习率，fc层 0.001，主干网络 0.0001。如果已经跑乱了，重新加载原始预训练权重再训。另外确认一下model.train()和model.eval()切换正确，BatchNorm 层在 eval 模式下用全局统计量，如果漏切会看到验证指标异常波动。

5.3 现象：训练时把 bbox 坐标当成了特征输入

原因：这个数据集的 txt 里有 bbox，很多同学想“我多了检测框信息是不是能帮分类”，于是把四个坐标 concat 到特征向量里。结果分类头变成了坐标回归器，模型记住的是框的位置而不是鸟的视觉特征，测试时 bbox 变化直接导致预测乱掉。

解决：分类任务里 bbox 只用来做前置裁剪——要么按框裁出鸟体再训练，要么完全忽略。这份数据集里 bbox 的意义在于可以观察框质量，如果你想用框，就把每张图按[x1, y1, x2, y2]裁出来缩放到 224 再训练。

5.4 现象：输出结果文件第一行忘了写学号姓名，被判零分

原因：评测程序读文件时第一行必须是学号姓名，且中间不能有空格。有人写完预测结果才发现没写第一行，重新写又改了换行符导致格式混乱。

解决：写文件时先写第一行再写预测，顺序不要反。写完用wc -l或脚本校验行数。文件名里的学号姓名必须和第一行内容一致，我用同一个变量student_id = '09118000李飞飞'同时控制文件名和第一行，从根本上避免不一致。

5.5 现象：训练时突然报图片解码错误，程序中断

原因：数据集中混入了损坏图片或非 RGB 三通道图片，PIL 默认打开后可能是 RGBA 四通道，直接送进模型会报错。

解决：加载图片时统一convert('RGB')，并做一次完整性检查：

from PIL import Image valid_images = [] for path in train_df['image_path']: try: img = Image.open(path).convert('RGB') img.load() valid_images.append(path) except Exception as e: print(f'Broken image: {path}, error: {e}')

img.load()会强制读取像素数据，能提前暴露文件损坏问题，比等到训练时才崩溃要省时间得多。我每次都把这一步放到数据预处理阶段，筛完再建 Dataset，整个训练过程一次崩溃都不出。

6. 进阶操作：不换大模型的前提下把准确率再往上提一截

当 ResNet50 微调跑到瓶颈，比如验证集准确率卡在 88% 左右，我通常会先试 Test Time Augmentation 和标签平滑，这两招几乎不用改模型结构就能稳定涨 1 到 2 个点。TTA 的做法是推理时对同一张图做多次增强变换，把预测概率取平均再取 argmax：

tta_transforms = [ transforms.CenterCrop(224), transforms.Compose([transforms.RandomHorizontalFlip(p=1.0)]), transforms.Compose([transforms.RandomResizedCrop(224, scale=(0.9, 1.0))]) ] with torch.no_grad(): for img_id in range(1, 1667): img = Image.open(test_paths[img_id]).convert('RGB') prob_sum = None for t in tta_transforms: tensor = t(img).unsqueeze(0).to(device) prob = torch.softmax(model(tensor), dim=1) prob_sum = prob if prob_sum is None else prob_sum + prob pred = prob_sum.argmax(dim=1).item()

这里注意RandomHorizontalFlip(p=1.0)是强制翻转，RandomResizedCrop在推理时是固定随机种子还是每次不同？torchvision 里这两个 transform 不接收随机种子参数，但你在同一进程里多次调用它，第二次会重新生成随机参数。测试时反而需要这种随机性，因为多张图的随机裁切概率会逼近真实分布。

另一个容易涨点的操作是 EMA，指数移动平均权重。训练时维护一份模型权重的滑动平均，推理时用这份平均权重而不是最后一步的权重，能有效平滑训练后期的震荡：

ema_model = torch.optim.swa_utils.AveragedModel(model) # 每个 epoch 结束后更新 ema_model.update_parameters(model)

AveragedModel默认衰减系数是avg_fn的指数形式，PyTorch 1.6 以上内置支持，使用成本几乎为零。我在自己的实验里，EMA 加 TTA 组合起来，在 70 类鸟分类任务上比单模型推理多拿了 1.8 个点。从那以后我每次做分类任务，训练都顺手维护一份 EMA 权重，推理时先试 EMA 再对比原始权重的差别，哪个高用哪个，已经成了我的固定习惯。希望帮到你。

本文还有配套的精品资源，点击获取