手语图像分类实战：数据集处理、ResNet18训练与迁移学习避坑指南

简介：面向图像分类学习与算法验证的手语图像标注数据集，包含约2500张已标注图片，覆盖数字0、1及a、b等36个类别，适合计算机视觉初学者、算法工程师用于手语识别模型训练、CNN结构改进与消融实验。数据已按训练集、测试集划分，同类图片集中存放，并附JSON类别映射文件，便于直接加载；配套show脚本可一键可视化数据集，降低上手成本。资源打包为zip，共2000个文件，以1998个jpeg图像为主体，另有1个py可视化脚本与1个json标注配置文件，整体约28.58MB，结构紧凑，适合本地快速迭代，目前已有443人学习下载。借助该数据集可完整体验从数据准备、模型训练到结果可视化的图像分类流程。也可结合作者主页提供的CNN改进思路，开展分类网络优化实践。

1. 手语图像分类数据集：2,500张标注图，够做什么、缺什么

手语图像分类在图像分类任务里属于典型的“样本量不大、但领域约束很强”的场景。这个数据集一共约2,500张已标注图片，量级介于MNIST和ImageNet-1K之间，对单卡训练来说足够跑通全流程，但别指望光靠这2,500张就训练出一个能应对任意光线、任意角度、任意速度的商用级手语识别器。它的真正价值在于：让第一次接触手语识别的工程师，能在一个周末内把数据准备、模型训练、评估、误差分析、迁移验证整条链路走完，并且看清这类任务和通用图像分类的差别在哪。

适合读这篇的人，是想用手语数据集练手图像分类算法、做课程设计、或者评估手势识别方向的可行性验证。后面所有章节都按一条真实落地路径推进：先把数据处理好，再定训练方案，最后谈模型在哪里失效。我会直接给出能跑的代码和参数，也会把那几个不看一眼就会翻车的坑提前指出来。

2. 从压缩包到可训练的数据：标签映射与分层划分

拿到手语图像分类数据集之后，第一步不是急着训练，而是把数据整理成框架能直接消费的形态。我一般会先做三件事：观察目录结构、建立文件名到标签的映射、按类别分层划分训练验证集。这三步看起来琐碎，但每一步都会在后续训练时以“玄学报错”或“指标虚高”的方式回来找你。

2.1 先看目录与标签文件，而不是直接写训练脚本

常见的手语数据集发布形式有两种：一种是按类别分文件夹存放，另一种是单一文件夹配上CSV或TXT标签文件。这个数据集标注完整，但具体布局得先确认。我的习惯是用一条tree命令把目录结构过一遍：

tree -L 2 /path/to/sign_language_dataset/

如果输出结构是train/cat/xxx.jpg这种按类别分组的布局，那直接用torchvision.datasets.ImageFolder就能读；如果是一堆扁平文件加一个labels.csv，就得自己写映射。先花两分钟摸清布局，能省掉后面两小时的排错时间。

接下来是标签映射。假设标签文件长这样：

filename,label image_0001.jpg,hello image_0002.jpg,thank_you image_0003.jpg,iloveyou

我的做法是读入后先按文件名排序，再生成整数标签。注意标签文件里的顺序不一定是和磁盘顺序一致的，所以不要依赖“第N行对应第N张图”这种隐含假设。

import pandas as pd from pathlib import Path df = pd.read_csv("labels.csv") df = df.sort_values("filename").reset_index(drop=True) classes = sorted(df["label"].unique()) class_to_idx = {cls: i for i, cls in enumerate(classes)} df["target"] = df["label"].map(class_to_idx) image_root = Path("/path/to/images") df["full_path"] = df["filename"].map(lambda x: image_root / x) # 抽5行验证映射是否正确 print(df.head())

这段代码的核心动机是让“文件名→整数标签”的映射显式化、可复查。class_to_idx的构造顺序是排序后的类别名，这意味着同一个语义标签在每次运行里都映射到同一个整数，不会因为类别出现顺序不同导致模型训练结果不可复现。full_path这一列是给后面Dataset类用的，避免在__getitem__里反复拼路径。

检查映射是否正确的土办法是随机抽9张图，用matplotlib把图片和对应标签文本打出来。这一步花不了两分钟，但能直接发现标签错位、文件名前后缀不一致、类别名里有脏字符等问题。

2.2 分层划分：随机切分在这里不靠谱

2,500张图、假设有10个类别，平均下来每类250张。如果直接train_test_split，少数类可能只在训练集里出现几十张，验证集里剩下几张，评估结果就会忽高忽低。手语图像分类数据集往往存在类别不平衡，比如常见词“谢谢”样本多，冷门词样本少，随机切分会放大这个效应。

正确做法是按类别分层划分，保证训练集和验证集里每个类别的比例大致相当：

from sklearn.model_selection import train_test_split X = df["full_path"].values y = df["target"].values # stratify=y 是关键参数，按类别比例分层切分 X_train, X_val, y_train, y_val = train_test_split( X, y, test_size=0.2, stratify=y, random_state=42 ) print("Train distribution:", pd.Series(y_train).value_counts().sort_index().to_dict()) print("Val distribution:", pd.Series(y_val).value_counts().sort_index().to_dict())

stratify=y的作用是让训练集和验证集各自的类别分布和原始分布保持一致。random_state=42是复现实验的关键，换一个值训练结果可能差两三个百分点，并不是模型玄学，而是数据划分变了。

2.3 自定义 Dataset 类：统一图片读取与预处理入口

有了划分后的文件路径，接下来就需要一个PyTorch Dataset类把路径、标签、图像解码、预处理串起来：

import torch from torch.utils.data import Dataset from PIL import Image import torchvision.transforms as T class HandSignDataset(Dataset): def __init__(self, paths, labels, transform=None): self.paths = paths self.labels = labels self.transform = transform def __len__(self): return len(self.paths) def __getitem__(self, idx): img = Image.open(self.paths[idx]).convert("RGB") label = self.labels[idx] if self.transform: img = self.transform(img) return img, label # 训练集预处理：Resize到224x224 + 随机水平翻转 + 归一化 train_transform = T.Compose([ T.Resize((224, 224)), T.RandomHorizontalFlip(p=0.5), T.ToTensor(), T.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]) ]) val_transform = T.Compose([ T.Resize((224, 224)), T.ToTensor(), T.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]) ]) train_ds = HandSignDataset(X_train, y_train, transform=train_transform) val_ds = HandSignDataset(X_val, y_val, transform=val_transform) # 注意：Train/Val 不要共用一个 transform 实例

两个细节值得说明。第一，convert("RGB")是保险动作，因为有的标注图片可能是灰度图，但预训练模型的输入通道是3，直接读灰度图会在第一个batch就报shape错误。第二，训练集和验证集的transform是不同的——验证集绝不能加随机翻转或随机裁剪，否则评估结果会波动。

这样准备好数据之后，训练代码就可以完全依赖DataLoader，后面调模型、调参数时不需要再改数据处理部分。数据链路的稳定性直接决定后续实验的可靠性。

3. 数据增强与类别平衡：手语比猫狗更怕这些参数

2,500张图对图像分类任务来说偏少，数据增强是绕不开的环节。但手语图像分类有自己的特殊性：和猫狗分类相比，手语图更依赖手部细节、手指相对位置、手掌朝向这些结构信息，增强参数调太狠，反而会把有效信息破坏掉。这一节讲清楚哪些增强可以用、哪些要慎用、为什么。

3.1 水平翻转的沉默陷阱：左右手问题

很多人在图像分类里默认加RandomHorizontalFlip(p=0.5)，在猫狗分类上这是无脑操作，但在手语分类上，这个操作可能制造出一类全新且错误的训练样本。

手语有不少词汇是依赖左右手方向的，严格意义上，水平翻转后同一个词的手势方向反了，语义可能完全不同。但因为训练集里只有“左手版”没有“右手版”，模型会把翻转后的图强行学成另一个词，导致验证集上看起来涨了点，实际是数据分布被污染了。

我目前的做法分两种。如果是做课程设计或快速验证，直接把p=0.5改成p=0.1，只在非常小的概率下做翻转，当作正则项用。如果是认真做实验，干脆去掉水平翻转，改用下面这种更安全的增强组合：

import albumentations as A from albumentations.pytorch import ToTensorV2 train_aug = A.Compose([ A.Resize(224, 224), A.RandomBrightnessContrast(brightness_limit=0.1, contrast_limit=0.1, p=0.5), A.HueSaturationValue(hue_shift_limit=5, sat_shift_limit=10, val_shift_limit=10, p=0.3), A.GaussNoise(var_limit=(10.0, 20.0), p=0.2), A.CoarseDropout(max_holes=4, max_height=24, max_width=24, fill_value=0, p=0.3), A.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]), ToTensorV2() ])

选择albumentations而不是torchvision.transforms，是因为它的CoarseDropout实现更好，调用更直观，而且边界处理更稳。亮度对比度扰动模拟不同光照条件；轻微高斯噪声模拟手机摄像头的传感器噪声；随机遮挡模拟手指部分被遮挡的情况——这个在手语识别里很实用，因为真实场景中手指经常被另一只手或身体挡住。

需要注意fill_value=0是黑色填充。如果数据集里手部区域偏亮，黑色遮挡块能模拟“手被物体挡住”的情形；如果换成均值填充，遮挡块会显得像“变色”，对模型训练帮助不大。

3.2 不要指望增强解决类别缺失

增强可以缓解样本量少的问题，但它补不出来“这个类别压根没有出现过”的情况。用df["label"].value_counts()看一眼每类的样本数，如果某个类别只有不到50张，增强后的多样性依然有限，模型在这个类上的表现大概率是最差的。

我对类别不平衡的常规处理方案是：第一，用WeightedRandomSampler做采样，让每个batch里出现各类别的概率均衡；第二，损失函数换成带类别权重的CrossEntropyLoss，给少数类更大权重。下面是一份可用的采样器配置：

from torch.utils.data import WeightedRandomSampler import numpy as np # 统计每类样本数 class_counts = np.bincount(y_train) # 权重 = 总样本数 / (类别数 * 每类样本数)，少数类权重更大 weights = 1.0 / class_counts[y_train] sampler = WeightedRandomSampler( weights, num_samples=len(y_train), replacement=True ) train_loader = torch.utils.data.DataLoader( train_ds, batch_size=32, sampler=sampler, # 传入 sampler 后不要同时传 shuffle=True num_workers=4 )

WeightedRandomSampler的核心参数有两个：weights表示每个样本被抽中的概率权重，replacement=True表示同一个样本允许被重复抽到。和DataLoader配合时，注意不能同时设置shuffle=True，否则会报错。

但对2,500张这个量级，我对WeightedRandomSampler的态度是：先用，但别过度依赖。它会让模型在小类别上有更高的“见到的机会”，但也会让大类别欠拟合，因为大类别被抽中的概率被降了。更好的做法是先用原始分布训练一轮baseline，记录混淆矩阵，再看哪些类别确实因为样本量不足而失败，再决定是否上采样策略。

3.3 增强的最终验证方法：增强后你还能认出这是手语吗

我把这叫作“目测验证法”。增强配置写完，不一定非得马上训练。把增强后的图片可视化出来，用自己眼睛看一遍：如果增强后的图已经到人眼都难以分辨原本手语动作的程度，模型大概率也学不到有效特征，而且会增大过拟合风险。

具体操作是取一个batch的增强结果：

import matplotlib.pyplot as plt import numpy as np aug_iter = iter(train_loader) images, labels = next(aug_iter) # 反归一化，还原到0-1范围再显示 mean = torch.tensor([0.485, 0.456, 0.406]).view(3, 1, 1) std = torch.tensor([0.229, 0.224, 0.225]).view(3, 1, 1) inv_images = images * std + mean fig, axes = plt.subplots(3, 3, figsize=(9, 9)) for i in range(9): ax = axes[i // 3][i % 3] img = inv_images[i].permute(1, 2, 0).numpy() ax.imshow(np.clip(img, 0, 1)) ax.set_title(f"label={labels[i].item()}") ax.axis("off") plt.tight_layout() plt.show()

这一步通常能暴露出两个问题：一是遮挡块太大，把整个手都盖住了，这种样本人眼都识别不了；二是颜色扰动太多，让图片呈现明显的色偏，不像真实手机摄像头拍出来的效果。发现这两种情况，就说明增强参数过猛了，需要回调。

4. 用ResNet18跑通第一个手语分类：训练配置与调参顺序

数据链路准备好之后，接下来是模型选型和训练。手语图像分类数据集规模只有2,500张，不适合直接上ResNet50或EfficientNet-V2这种大模型，这里我选择ResNet18作为baseline，原因是：模型容量适中，不容易在小数据集上严重过拟合；有成熟的ImageNet预训练权重；单卡训练一个epoch只要几十秒，迭代实验效率高。

4.1 迁移学习：到底用不用预训练权重

这是个经常纠结的问题。2,500张手语图和ImageNet里的自然图像差别很大，很多人觉得预训练权重不适用，不如从头训练。我的实践经验是：即使领域差别大，从ImageNet初始化依然比随机初始化更快收敛，而且最终准确率也更高。主要原因在于，预训练模型的浅层学到的是通用的边缘、纹理、颜色分布特征，这些在手语图上同样有效，手语图的边缘信息（手指轮廓）和纹理信息（皮肤纹理、背景纹理）并没有跳出现自然图像的范围。

但有一点要注意的：预训练权重的全连接层是为1000类设计的，最后一个全连接层必须替换成自己的类别数。这是迁移学习最常见的错位点：

import torch.nn as nn import torchvision.models as models model = models.resnet18(weights=models.ResNet18_Weights.IMAGENET1K_V1) num_ftrs = model.fc.in_features num_classes = len(classes) model.fc = nn.Linear(num_ftrs, num_classes)

这里的weights=models.ResNet18_Weights.IMAGENET1K_V1是显式指定权重版本，比直接传pretrained=True更可复现，因为pretrained=True在最新版torchvision里已经标记为deprecated。替换全连接层那行代码，决定了模型输出维度从1000变成你手语数据集的类别数，比如10类就输出10维logits。

4.2 训练参数参考表与损失下降异常排查

训练配置上，我给出一套经过验证可直接起步的参数组合：

训练循环直接看一个最小实现：

import torch.optim as optim from torch.optim.lr_scheduler import CosineAnnealingLR device = torch.device("cuda" if torch.cuda.is_available() else "cpu") model = model.to(device) criterion = nn.CrossEntropyLoss() optimizer = optim.AdamW(model.parameters(), lr=1e-3, weight_decay=1e-4) scheduler = CosineAnnealingLR(optimizer, T_max=30) best_val_acc = 0.0 patience_counter = 0 for epoch in range(30): model.train() running_loss = 0.0 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() running_loss += loss.item() scheduler.step() # 验证 model.eval() correct, total = 0, 0 with torch.no_grad(): for images, labels in val_loader: images, labels = images.to(device), labels.to(device) outputs = model(images) _, predicted = torch.max(outputs, 1) total += labels.size(0) correct += (predicted == labels).sum().item() val_acc = 100.0 * correct / total print(f"Epoch {epoch+1}: loss={running_loss/len(train_loader):.4f}, val_acc={val_acc:.2f}%") if val_acc > best_val_acc: best_val_acc = val_acc torch.save(model.state_dict(), "best_model.pth") patience_counter = 0 else: patience_counter += 1 if patience_counter >= 5: print("Early stopping triggered.") break

这个循环里，model.train()和model.eval()的切换是最容易被忽略的。忘了切到eval模式的话，BatchNorm的moving average会被训练数据持续更新，推理时结果会变得不稳定，而且验证分数你会看到一个诡异的“越跑越低”现象。torch.save(model.state_dict(), "best_model.pth")只存参数不存模型结构，以后加载时必须先构建一个一样的模型结构再load，这是PyTorch的基本用法，但在小项目里经常有人直接torch.save(model)然后换环境后load失败。

4.3 训练中真正要盯的三个信号

训练日志里最关键的三个信号是：训练集loss、验证集准确率、以及两者的差距。我一般会按这个顺序排查：

第一个信号是训练集loss不下降。如果30个epoch之后loss还悬在2.0以上（假设类别数10，随机猜测的loss是log(10)=2.3），第一反应不是调结构，而是检查数据管道：标签是否对齐、增强是否太强把有效信息破坏了、学习率是不是设到了1e-1这种离谱值。

第二个信号是验证集准确率卡在某个值不动，但训练集准确率已经接近100%。这是过拟合的典型症状，2,500张图从第10轮前后就会开始出现。应对手段优先级是：先开早停，再去掉一些增强，最后才考虑加Dropout或换小模型。

第三个信号是验证集准确率在训练过程中大幅震荡。最常见的原因是采样器设置错误——用了WeightedRandomSampler但没固定num_samples，或者验证集本身太小，每批验证数据的类别构成差异大。2,500张数据集切出20%验证集，如果类别多，每个类在验证集里可能只有几十张，一次验证的准确率波动5个百分点很正常，不要因此急着调参，先看3个epoch的趋势。

5. 手语分类避坑：四段真实的翻车现场

这一章写我实际踩过并且觉得大多数人绕不开的坑。每一条都是“现象→原因→解决”的结构，最后一条尤其隐蔽，属于只看指标根本发现不了的问题。

5.1 现象：loss已经收敛，但验证集准确率始终上不去

有次我用这份手语数据跑ResNet18，训练集准确率到了98%，验证集却卡在78%上不去。查了一圈，发现数据增强里加了一个RandomResizedCrop(scale=(0.6, 1.0))。这个增强会随机裁剪一部分图像区域再做缩放，对手语图来说，它经常把手指截掉一半，甚至只剩手掌区域，人眼都分不清是什么词，模型自然更分不清。原因是手语词义的判别信息高度集中在指尖和手指的相对位置，这类裁剪增强对猫狗图有效，但对手语是毁灭性的。解决方法是换回Resize(224, 224)，只在全局尺度上做等比例缩放，不做随机裁剪。

5.2 现象：验证集分数虚高，一换图片就废

某个手语分类实验，验证集准确率做到了92%，团队都很高兴。但换用另一批手机拍摄的真实场景图片之后，准确率掉到了64%。原因出在数据划分方式上：原始数据里同一个词的不同照片大多是在同一背景下拍的，随机划分时，同一背景的照片同时出现在训练集和验证集。模型学到的不是“手语动作的特征”，而是“这个背景对应哪个词”的捷径。

这种情况的解决手段是在划分数据之前，先按拍摄场景或图片来源做分组，保证同一个场景的全部图片只落在训练集或验证集其中一个里。对于这个2,500张规模的数据集，如果发布时没有提供场景分组信息，至少应该做一次背景相似度抽样检查——把每类图片在验证集里错误分类的样本打印出来看，如果分错的全是背景奇怪的图，就说明模型在偷懒。

5.3 现象：标签文件怎么也读不对，第一行数据带奇怪字符

读取CSV时，第一行标签列总是多一个\ufeff字符，导致df["label"].unique()里出现一个看起来和正常类别一样的、但实际不同的值，最后类别数比预期多1。原因是标签文件是Windows记事本编辑过的UTF-8 with BOM格式，Pandas把它当普通UTF-8读，BOM头就被解析成了一个不可见字符。解决方法是读取时显式指定编码：

df = pd.read_csv("labels.csv", encoding="utf-8-sig")

utf-8-sig在有BOM时自动去掉BOM头，在没有BOM时也能正常读取。这个坑最恶心的地方在于平时不报错，只在打印类别列表或算样本数时会发现数量不对，排查起来很费时间。

5.4 现象：训练时显卡显存够用，但CPU内存被吃满

2,500张图的原始数据也就几个GB，按理说不会把内存吃满。但我在DataLoader里设置了num_workers=8，每张图被解压成RGB的224x224x3浮点张量后驻留在worker进程里，8个worker就是8份数据副本。同时WeightedRandomSampler的weights数组如果直接用class_counts[y_train]构造，y_train是Python list的话会先复制一份再做索引，又是额外的内存开销。

解决方法是合理设置worker数量，一般num_workers=4或2在这个数据规模下完全够用，不要追求极限。另外用numpy数组而不是Python list来存标签和路径，索引和内存效率都会更好。

5.5 现象：模型全部预测成同一个类别，验证集准确率等于最大类占比

训练结束后，正确率看了个60%，打开混淆矩阵发现模型除了类别0以外全部预测为0。这类情况通常由两种情况触发：第一是类别严重不平衡，比如最大类占了70%的样本，模型发现全预测成第一类就能拿到很好的loss；第二是标签映射错误，某一个类别的图被标成了另一个类别的target，模型试图把这两堆图强行分开，学不出来就躺平了。

应对手段是打印每一类的precision和recall，而不只是看总体准确率。代码上可以做这样一个简单的辅助函数：

from sklearn.metrics import classification_report # 在验证集上收集所有预测结果 all_preds, all_labels = [], [] with torch.no_grad(): for images, labels in val_loader: outputs = model(images.to(device)) preds = torch.argmax(outputs, dim=1).cpu().numpy() all_preds.extend(preds) all_labels.extend(labels.numpy()) print(classification_report(all_labels, all_preds, target_names=classes))

classification_report会给出每一类的精确率、召回率、F1值。如果某个类别的召回率极低但总体准确率不低，说明模型在那里放弃治疗了，下一步就是去查这个类别的原始图片和标签是否符合直觉。

6. 进阶验证：从混淆矩阵到单张推理到模型导出

训练出两三个checkpoint之后，不要急着说“模型做完了”。这个阶段最值得做的事情是从“训练集指标”跳到“真实场景可用性”的检验。我按推荐顺序把这一步拆成四个小阶段，每个阶段都能独立发现问题。

先看混淆矩阵。sklearn.metrics.confusion_matrix能直接告诉你模型具体在哪两类之间摇摆。手语分类里最常见的错误模式是“只差一两根手指的相似词”互相混淆，比如数字1和字母D的图片，人眼看都费劲。如果混淆集中在这些“原本就接近”的类别上，说明模型学到的是合理特征；如果混淆出现在完全不相关的类别上，比如“你好”和“谢谢”互相分不清，那大概率是数据问题——检查这两个类的训练样本是不是有大量重复背景或错误标注。

然后是真实场景冒烟测试。这一步我把它放在交叉验证之前——与其反复在划分好的验证集上调参，不如先拿真实的拍一张图试试。用手机在室内自然光下拍一个手语动作，裁成正方形，缩放到224x224，喂给模型看输出什么。我做过一次之后再也不只在测试集上看分数了：验证集准确率93%的模型，在真实室内光线下只有81%，因为手机摄像头的噪点、白平衡偏移、手部比例都和原始数据集里的图不一样。这个“数据域差异”是2,500张图做得再精细也补不上的，只能在部署时通过收集小规模真实图做微调。

最后是推理脚本。训练代码里的前向传播还牵扯到DataLoader，不适合直接做单张推理。我习惯写一个独立的小脚本，把推理链路固定下来，之后每次改模型只看这个脚本的输出：

import torch from PIL import Image from torchvision import transforms # 加载模型并替换最后一层 model = models.resnet18(weights=None) model.fc = torch.nn.Linear(model.fc.in_features, num_classes) model.load_state_dict(torch.load("best_model.pth", map_location="cpu")) model.eval() # 预处理必须和验证集一致：Resize + Normalize infer_transform = transforms.Compose([ transforms.Resize((224, 224)), transforms.ToTensor(), transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]) ]) img = Image.open("test_photo.jpg").convert("RGB") img_tensor = infer_transform(img).unsqueeze(0) with torch.no_grad(): logits = model(img_tensor) pred_idx = torch.argmax(logits, dim=1).item() print(f"Predicted class: {classes[pred_idx]}")

这段脚本里有三个必须在心里记住的点：第一，load_state_dict之前模型结构必须和训练时一致，而且要先model.eval()切到推理模式，否则BatchNorm的统计量还是训练时的状态。第二，预处理参数必须和验证集完全一致，Resize((224, 224))和RandomResizedCrop都能产生224尺寸的图，但模型学到的特征分布是不同的。第三，torch.no_grad()不是为了省显存，是为了防止不小心把梯度计算图建起来导致的内存线性增长。

说到模型导出，如果后续有移动端或服务端部署的打算，建议直接转成ONNX格式。这一步的收益在于脱离PyTorch的运行时依赖，同时可以通过ONNX Runtime做量化压缩：

torch.onnx.export( model, img_tensor, "hand_sign_model.onnx", input_names=["input"], output_names=["output"], dynamic_axes={"input": {0: "batch_size"}, "output": {0: "batch_size"}}, opset_version=13 )

ONNX转换在我这个数据集上踩过的最常见的坑是输入尺寸必须固定。如果不传img_tensor给模型做一次虚拟forward，torch.onnx.export不知道输入tensor的shape，在动态图模式下会导出失败。dynamic_axes里的batch_size维度是预留推理时一次处理多张图用的，其余维度尽量固定，ONNX在各平台上的兼容性会更好。

到这一步，整个手语图像分类数据集的链路已经走完一遍。回头看，我最想强调的其实不是哪一行代码、哪一个参数，而是“验证集上的准确率只是一个中间指标，真实场景下换一个背景、换一种光线效果都会让这个数字失真”。做这个项目最大的教训是，第一次训练完拿到93%的验证准确率之后，我迫不及待地拿给同事看效果，结果办公室的日光灯加手机前摄拍出来的图，模型识别率只有70%出头。后来养成一个固定习惯——每次训练迭代后，都用自己的手机在真实场景拍几个手势图过一遍推理脚本，这个“土办法”比任何高级评估指标都能说明模型到底靠不靠谱。希望这部分踩坑经验能帮你少走这段弯路。

本文还有配套的精品资源，点击获取