看到这个题目，我第一反应是：这是毕业设计里一个非常经典，但又特别能出彩的选题。蔬菜识别，本质上是图像分类问题，踩中“深度学习”“CNN卷积网络”这两个核心技术栈，既有足够的技术深度可以写，又不会像目标检测那样复杂到让人挠头，非常适合作为系统学习计算机视觉的完整练手项目。
这篇博文我会完整复盘这样一个项目的设计与实现过程：从数据集的准备、网络结构的选型，到训练调参的细节、常见坑的规避，再到最后如何把模型部署成一个小应用。不管你是正在为毕设选题发愁的学生，还是刚入门深度学习、想找个实战项目打通全流程的开发者，都可以把这一套流程当作可直接参考的模板。
1. 项目背景与整体思路
1.1 为什么选蔬菜识别这个题目
毕业设计选什么题，我的经验是：既不能太“虚”，也不能太“硬”。太虚的题目，比如“基于深度学习的图像识别研究”，答辩的时候导师一句“你的创新点在哪”就能把你问住；太硬的题目，比如直接做视频流实时检测，数据、算力、时间成本都容易失控。蔬菜识别正好卡在中间，非常务实。
从实际应用场景看，蔬菜识别的需求是真实存在的。比如智慧零售领域的自助结算台，需要快速识别餐盘里的菜品并自动计价；农业领域有蔬菜分拣、品质分级；智能冰箱和厨房助手也需要通过摄像头识别食材。这些场景让项目具备清晰的“落地感”，在毕业设计答辩时，你能很容易讲清楚“为什么要做这个”。
从技术学习角度看，蔬菜识别这个任务非常适合用来打通深度学习的全流程。它的数据可以自行采集或使用公开数据集，类别数通常在10到30类之间，属于典型的细粒度图像分类。任务难度适中：既不是猫狗二分类那样太简单，也不是大规模细粒度识别那样难到需要大量调参技巧。训练一个ResNet或MobileNet，在普通消费级显卡上跑几个小时就能出不错的结果，整体节奏很好控制。
还有一个被很多人忽略的点：蔬菜识别的视觉效果直观。无论是对着镜头拍几片叶子，还是识别一颗西红柿，演示效果都很容易打动观者。这在答辩评分的“现场演示”环节是一个不小的优势。
1.2 方案选型：为什么核心方案锁定CNN
确定了“蔬菜识别”这个任务，接下来就要选技术方案。现在深度学习生态里，能做人脸识别的方案很多，既有传统的CNN卷积网络，也有基于Transformer架构的ViT（Vision Transformer）。为什么这个项目不选ViT，而是选CNN？
ViT在大型数据集上有惊艳的表现，但有一个硬伤：它非常吃数据。视觉Transformer的归纳偏置比CNN少很多，需要用海量数据来弥补。而蔬菜识别这种项目，数据集规模一般在几千到几万张，用ViT从头训练很容易欠拟合，效果反而不如CNN。虽然可以用预训练的ViT做微调（迁移学习），但训练成本和对显存的要求都更高。对于毕业设计，尤其是在普通实验室环境（一张中等显存的显卡）下，这不是最稳妥的选项。
CNN这边就从容得多。卷积神经网络通过卷积核的局部连接和权值共享，天然对图像的平移、尺度变化有一定鲁棒性，在小数据集上表现得更好。更重要的是，CNN有大量成熟的预训练模型可用，比如ResNet、MobileNet、EfficientNet，这些模型在ImageNet上提过权重，我们可以直接借用来做迁移学习，几十分钟就能让模型在蔬菜数据集上收敛到相当不错的精度。
除此之外，CNN还有几个“隐形优势”：
- 生态成熟：训练框架、部署工具链、教程资料极为丰富，遇到问题随便一搜就有解决方案。
- 可解释性好：可以随时可视化中间层的特征图，看看卷积核到底在关注什么，这一点对毕设论文的“实验分析”章节很有帮助。
- 部署友好：模型体积可控，轻轻松松就可以量化压缩，跑到树莓派或手机端。
所以结论很直接：蔬菜识别这个场景，CNN是性价比最高、最稳妥的方案。选ResNet还是MobileNet，这个后面细说。
2. 数据集构建与预处理
2.1 数据从哪里来：自采与公开数据集的两条路线
项目起步最重要的一件事，是把数据准备好。数据质量直接决定模型效果的“天花板”，算法再花哨，喂给它的数据是一团糟，结果也好不到哪去。
蔬菜识别项目的数据来源通常有三条路线。
第一条路线是使用公开数据集。像“蔬菜识别数据集”这类公开资源很多，类别覆盖从常见的西红柿、黄瓜、胡萝卜，到不怎么常见的秋葵、紫甘蓝。优点是省事，标注通常也是现成的，下载解压就能用。缺点有两个：一是类别和数量可能不完全符合你的设计要求，二是部分公开数据集的图片质量参差不齐，有的是网络爬取的，包含大量水印、模糊图甚至错误标注的图，需要花时间去清洗。
第二条路线是自己采集。找一块接近纯色的背景布，用手机或者实验室的相机，把蔬菜买回来逐一拍摄。每种蔬菜拍两三百张，多角度、多光照，甚至可以考虑在不同背景下拍摄以提升多样性。这个过程很费时间，拍一种蔬菜就要一两个小时，但有非常大的价值：数据完全可控，类别完全自定义，而且答辩时你可以自信地说“数据是自己采集并标注的”，这在实践环节是加分项。
第三条路线是两者的结合：公开数据集打底，再用自采数据补充其中表现不佳的类别。这种方案我最推荐，既节省了时间，又能保证关键类别的数据质量。
不管用哪条路线，数据采集都要留意几个原则。第一，类别数量要匹配你的项目目标。蔬菜识别一般做10到20类是合理的，太少显得工作量不足，太多会给训练带来额外负担。第二，每类图片数量要尽量均衡。如果西红柿有500张，胡萝卜只有80张，模型会倾向于把胡萝卜认成西红柿。第三，图片分辨率要足够大，最好在300×300以上，这样后期做裁剪、增强之类的处理才有余地。
2.2 数据增强：用小数据集训练出稳模型的关键
数据集准备好了，下一步是数据增强。这件事在整个项目里排得上“最重要细节”前三名。很多初学者不理解：为什么明明有几千张图，还要“造”出更多图？直接说结论：数据增强不是为了“凑数量”，而是为了提升模型的泛化能力——让模型学会“不管这张图怎么变（角度偏一点、亮度暗一点、位置歪一点），它都是同一个蔬菜”。
常用的增强手段包括：
- 随机水平翻转：把图片左右翻转，模拟不同摆放方向。
- 随机旋转：小角度旋转（比如±15°），模拟拍摄角度偏差。
- 随机缩放与裁剪：模拟不同距离拍摄得到的大小差异。
- 亮度、对比度、饱和度扰动：模拟光线变化。
- 高斯噪声：模拟低光照或传感器噪点。
以PyTorch为例，用torchvision.transforms就可以很轻松地组合出这套流程。要注意的是，测试集（验证集和测试集）不能做随机增强，只能做固定的缩放和归一化，否则评估结果会不准确。
from torchvision import transforms train_transforms = transforms.Compose([ transforms.Resize((256, 256)), transforms.RandomResizedCrop(224, scale=(0.8, 1.0)), transforms.RandomHorizontalFlip(), transforms.RandomRotation(15), transforms.ColorJitter(brightness=0.3, contrast=0.3, saturation=0.3, hue=0.05), transforms.ToTensor(), transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]) ]) val_transforms = transforms.Compose([ transforms.Resize((224, 224)), transforms.ToTensor(), transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]) ])这里有个细节值得展开：RandomResizedCrop(224, scale=(0.8, 1.0))，意思是先随机裁剪一小块区域，再缩放到224×224。这样做可以模拟“物体没有完全居中”的现实情况，比单纯Resize效果更好。而scale=(0.8, 1.0)意味着裁剪区域占原图的比例在80%以上，这个值不要设太小，否则会裁掉蔬菜主体，让模型学到错误的信息。
2.3 图像预处理细节：缩放、归一化与批处理
在数据进入模型之前，还有三道工序要注意：统一尺寸、归一化、分批喂入。
统一尺寸很容易理解：CNN模型的输入尺寸是固定的，你不能一会儿给224×224，一会儿给256×256，得把所有图片调整到同一尺寸。常用的尺寸有224×224（ResNet、MobileNet的标准输入）、227×227（AlexNet）等。尺寸的选择会影响训练速度和精度：尺寸越大信息越丰富，但计算量也越大；尺寸越小训练越快，但可能丢失细节。对于蔬菜这种对象比较集中的图像分类任务，224×224是一个性价比很高的选择。
归一化是很多初学者忽略的一步。它的作用是把像素值从0~255的范围映射到均值为0、方差为1的分布附近。归一化之后，网络训练的收敛速度会明显加快，因为不同特征的数值尺度变得一致，梯度更新更稳定。
具体操作是把每个通道（R、G、B）减去均值，再除以标准差。PyTorch的Normalize用起来很简单：
transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225])这组mean和std是从ImageNet数据集上统计出来的，很多预训练模型都是用这个数值做归一化的，所以我们做迁移学习的时候直接沿用即可。如果你需要从头训练模型，也可以在代码里自己统计数据集的均值和方差，效果其实更贴合你自己的数据。
批处理（Batch Size）是把数据按批次送入模型训练。Batch Size的设置会影响内存占用和梯度的稳定性。太小（比如2或4）会导致梯度震荡厉害，训练不稳定；太大（比如128或256）又可能超出显存限制，而且梯度过于平滑容易收敛到较差的局部最优点。我在这个项目里一般用16或32，这是消费级显卡上的一个常用平衡点。
3. CNN核心原理与网络结构设计
3.1 卷积、池化、全连接：用一个生活类比讲清楚
做这个项目，我建议你对CNN的核心组件有一个闭环的理解，而不仅仅是“调库”。这里我用一个很生活化的方式来拆解。
想象你面前有一张蔬菜的照片，图片在计算机里就是一个由像素值组成的二维矩阵。CNN的第一件事是“找特征”。卷积层做的事情，就是用一个个小窗口（卷积核）在图片上滑动，窗口每次扫过的区域，都会和一组权重做内积运算，得到一个新的数值。卷积核就像是一个“特征探测器”：有些核专门探测边缘，有些核专门探测纹理，有些核专门探测颜色块。多个卷积核叠加，就能在多个维度上描述图片内容。
池化层的本质是“压缩”。它把一小块区域的特征汇总成一个值，常用的是取最大值（MaxPooling）或平均值（AveragePooling）。这样做的好处有两个：一是缩小特征图的尺寸，减少计算量；二是让特征对位置不那么敏感——就算物体在小范围内移动了一点，池化后得到的特征仍然大致相似。
全连接层则是“做决策”的部分。经过卷积和池化之后，特征图变成了一个多维的特征向量，全连接层对这个向量做加权求和，最后通过Softmax转化成“这张图是各个类别的概率”。举一个直观的类比：卷积和池化层是“看图提取信息”的过程，全连接层是“思考并下结论”的过程。
CNN最核心的巧妙之处在于：卷积核里的“权重”不是人为设计的，而是通过训练数据自动学习出来的。训练的过程，就是不断调整这些权重，让“思考下结论”的结果尽量贴近真实标签。
3.2 网络结构选型：从经典到轻量化
明确了原理，下一步就是选网络结构。做蔬菜识别，常见的候选有这几类：
- LeNet-5：CNN的鼻祖，结构简单，只有2个卷积层+3个全连接层，训练速度快，但表达能力有限，适合入门学习，不适合作为项目主力。
- AlexNet：深度学习“出圈”的功臣，用了ReLU激活函数和Dropout，相比LeNet强很多，但结构已经偏老。
- VGG16/19：结构规整（全部用3×3卷积堆叠），表达能力强，但参数量大，训练和推理都很慢，在算力有限的情况下不推荐。
- ResNet18/34：用“残差连接”（Residual Connection）解决了深层网络梯度消失/梯度爆炸的问题，在精度和训练稳定性上非常出色，是我在这个项目里的首选。
- MobileNetV2/V3：轻量化网络，用深度可分离卷积大幅减少参数量和计算量，适合部署到移动端或嵌入式设备。
从实际经验来说，做一个蔬菜识别毕业设计，我在训练主力模型的时候选的是ResNet50。这个网络在ImageNet上预训练权重很成熟，分类能力强，微调起来效果非常稳定。如果还要做对比实验（比如论文里要对比不同模型的性能），我建议加一个MobileNetV3，用来说明“轻量级模型在牺牲少量精度的情况下，能大幅减小模型体积、提升推理速度”——这是论文里非常好用的一个实验设计。
从零训练和用预训练权重微调是两个思路。如果数据量少，从头训练ResNet容易过拟合，精度也上不去。用迁移学习，把预训练拿到的权重作为初始值，再在自己的数据集上微调，你会发现收敛速度快很多，最终精度也明显更高。
3.3 让网络更稳的三个细节：Dropout、批归一化与标签平滑
说几个训练时能让网络更“稳”的细节，这些在教科书里都是轻描淡写，但在实操中影响很大。
批归一化（Batch Normalization，BN），现在主流的CNN里基本都自带BN层，它会把每一层的输入数据重新规范化到均值为0、方差为1的分布。好处是允许我们使用更大的学习率而不用担心梯度爆炸，同时还能减轻对参数初始化的敏感度。如果你自己设计网络，务必在每个卷积层后面加上BN层。注意一点：训练时BN会统计当前批次的均值和方差，而推理时用的是训练过程中统计得到的全局均值与方差，所以PyTorch中要在训练和推理之间切换model.train()和model.eval()，否则结果会不稳定。
Dropout是全连接层常用的正则化手段。它的原理是在训练时随机“丢弃”一部分神经元，让网络不能过度依赖某几个节点。但要注意，卷积层一般不加Dropout，主要加在全连接层后面，太多的Dropout反而会让网络欠拟合。
标签平滑（Label Smoothing）是一个容易忽略的技巧。传统交叉熵损失训练时，真实标签是“1”，其他类别是“0”，这会让模型对正确类别的预测概率尽量接近1，容易过拟合。标签平滑的做法是把真实标签的值从“1”稍微调低一点，比如调整到0.9，剩下的0.1均匀分给其他类别。这样模型不会过度自信，泛化能力更好。在PyTorch里，CrossEntropyLoss自带label_smoothing参数，直接设0.1就行。
4. 模型训练与调优实操
4.1 损失函数与优化器怎么选
模型训练，损失函数是“裁判”，优化器是“教练”。两者选对，训练就成功了一半。
蔬菜识别是标准的分类任务，损失函数用交叉熵（CrossEntropyLoss）即可，这也是分类任务最常用的损失。交叉熵衡量的是模型预测的概率分布与真实标签分布之间的差异，经过Softmax之后，能很好地度量预测结果的好坏。
优化器方面，主流选择是SGD（带动量）或Adam/AdamW。这方面我踩过不少坑，说说我的体会。
直接用Adam在蔬菜数据集上训练，前期loss下降很快，但后期容易出现震荡，收敛到的精度往往不如SGD。SGD虽然收敛慢，但配合动量（momentum=0.9）后，每一步都走得“稳”，最终精度常常更高。实际项目里我采用了两段式策略：先用AdamW快速训练10~20个epoch，让模型快速达到一个较为合理的效果，然后切换到SGD微调，往往能在精度上再提升一点。
如果你直接用预训练模型做迁移学习，还有一个关键点：优化器要分两部分设置不同的学习率。预训练的网络（主干部分）只需微调，学习率可以小一些（比如0.0001）；新加的替换后的分类头需要从头学习，学习率可以大一些（比如0.001）。PyTorch里可以通过给不同参数组设置不同学习率来实现。
optimizer = torch.optim.AdamW([ {"params": model.features.parameters(), "lr": 1e-4}, {"params": model.classifier.parameters(), "lr": 1e-3} ], weight_decay=1e-4)4.2 训练参数设置：学习率、轮数与早停
训练参数里，学习率是最关键的一个。学习率太大，loss会震荡甚至发散；学习率太小，训练半天loss下不去。
以ResNet50迁移学习为例，我通常这样设置：初始学习率0.001，采用余弦退火（CosineAnnealingLR）随训练轮数逐渐降为0。如果不做学习率调度，我会配合ReduceLROnPlateau：当验证集loss连续5个epoch不下降时，自动把学习率乘以0.1。这套组合在实操中非常稳定。
训练轮数（Epoch）方面，50到100轮是蔬菜识别项目比较常见的区间。判断什么时候停，看验证集准确率是否还在持续提升。连续10个epoch验证集准确率不再上升，基本就可以停了，再训练下去大概率只是过拟合。我强烈建议在训练过程中保存“验证集准确率最高”的那次模型权重，而不是最后一次的权重。因为最后一轮的模型经过了很多个epoch的梯度下降，可能已经过拟合了；验证集准确率最高的那一次，往往在测试集上表现更好。
代码里可以这样处理：
best_acc = 0.0 for epoch in range(num_epochs): train_acc = train_one_epoch(model, train_loader, optimizer, criterion) val_acc = evaluate(model, val_loader) if val_acc > best_acc: best_acc = val_acc torch.save(model.state_dict(), "best_model.pth")4.3 评估指标分析：准确率并不是唯一标准
训练完成后，如何评估模型是一个容易被忽视的环节。很多同学只看一个“总准确率”，但其实远远不够。
准确率（Accuracy）是最直观的指标，但它有一个陷阱：数据类别不平衡时容易被“蒙蔽”。比如你的数据里西红柿有500张，秋葵只有50张，模型只需把所有图片都预测成西红柿，就能达到约90%的准确率。这在场景中显然是不合理的。
所以一定要看混淆矩阵（Confusion Matrix）。混淆矩阵能直接告诉你每个类别的识别情况：哪些类别经常被混淆，哪些类别完全没学会。在蔬菜识别中，我发现最容易混淆的是外形接近的类别，比如青椒和尖椒、小葱和蒜苗、白萝卜和土豆。如果某些类别之间的混淆特别严重，就要考虑是不是数据标注有问题，或者这两个类别的特征差异本身太小，需要采集更有区分度的图片。
针对每个类别，还需要计算精确率（Precision）、召回率（Recall）和F1分数：
- 精确率：模型预测为该类别的样本中，真正属于该类别的比例。偏向衡量“预测的准确性”。
- 召回率：真实属于该类别的样本中，被模型成功找出来的比例。偏向衡量“找得全不全”。
- F1：两者的调和平均，兼顾了精确率和召回率。
在答辩和写论文时，展示一张按类别整理的指标表，比单说“准确率95%”要有说服力得多。这说明你不仅在“跑模型”，而是系统地评估了模型的行为。
5. 部署与扩展：让模型真正跑起来
5.1 训练完的模型怎么用：从保存到推理
模型训练完成，并不是项目的终点。毕业设计如果能有一个“可演示的成品”，整体印象分会显著提升。最简单的演示方式就是做一个小型的推理程序：加载一张蔬菜图片，程序输出它的类别和置信度。
保存模型时，最推荐的方式是保存state_dict而不是整个模型，这样模型的结构和权重分离，便于后续加载与切换：
torch.save(model.state_dict(), "vegetable_cnn.pth")推理时，先用与训练时相同的预处理流程处理图片，然后输入模型，取概率最高的类别作为预测结果。
import torch from torchvision import models, transforms from PIL import Image # 加载模型并载入权重 model = models.resnet50(pretrained=False) num_classes = 15 model.fc = torch.nn.Linear(model.fc.in_features, num_classes) model.load_state_dict(torch.load("vegetable_cnn.pth")) model.eval() # 图片预处理 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_tomato.jpg").convert("RGB") input_tensor = transform(img).unsqueeze(0) with torch.no_grad(): output = model(input_tensor) pred_class = output.argmax(dim=1).item() confidence = torch.softmax(output, dim=1).max().item() print(f"预测类别: {class_names[pred_class]}, 置信度: {confidence:.2%}")这里有一个很容易踩的坑：推理时一定要调用model.eval()，把模型切换到推理模式，否则BatchNorm和Dropout会按训练模式工作，导致结果不稳定。
如果想把项目做得更完整，可以把推理逻辑封装成一个Flask或FastAPI的HTTP接口，前端做一个简单上传页面。给答辩老师现场演示“拍张照、传上去、返回识别结果”的流程，效果远比跑个命令行要惊艳。
5.2 模型压缩与移动端落地
如果项目的扩展目标是“在手机或嵌入式设备上跑”，那模型压缩就是你绕不开的环节。
以MobileNetV3为例，它的参数量大约是ResNet50的十分之一，推理速度快好几倍，但在蔬菜识别这种相对简单的任务上精度下降很小。实测下来，在桌面CPU上用MobileNetV3推理一张图只需几十毫秒，ResNet50可能需要200毫秒以上。
更进一步，可以使用量化技术。把模型参数从32位浮点数压缩到8位整数，模型体积能缩小到原来的四分之一左右，推理速度也有明显提升，精度损失通常只有1~2个百分点。这些转换在ONNX Runtime或OpenVINO这类工具链里都是一行命令能解决的事。在论文里，把这些实验数据列出来，对比“模型体积、推理时间、识别精度”三个维度的变化，是很好的加分内容。
5.3 从毕业设计到更完整的作品
一个毕业设计的价值，不在于它“完成”了，而在于它“还能做什么”。我就见过不少答辩翻车的现场，老师问“你未来还能怎么优化？”答不上来，气氛一度很尴尬。提前想好扩展点，不仅能让答辩更从容，也能让你的思考深度体现出来。
蔬菜识别项目比较自然的扩展方向有三个：
- 从图像分类升级为目标检测：分类只回答“图片里是什么”，检测则能回答“物体在哪里、是什么”。换用YOLO或Faster R-CNN后，可以识别盘子里的多个菜品并框出位置，离真实的餐盘结算场景更近。
- 加入更丰富的“认知能力”，比如增加产地、新鲜度或成熟度判断。蔬菜识别如果是“认出品类”，那新鲜度判断就是“评估质量”，这会让项目的应用价值明显提升。
- 做一个完整的应用系统，把后端识别、前端展示、数据库记录整合成一个网页或小程序，形成“拍图-识别-存档”的闭环体验。
6. 常见问题与避坑记录
6.1 过拟合：最常见的头号问题
做蔬菜识别项目最常遇到的第一个大问题就是过拟合：训练集准确率98%，验证集准确率只有70%。这在数据量较少时几乎是必然现象。
我的排查顺序是：先看数据增强是否做到了位；再确认是否用了迁移学习——如果从头训练一个ResNet，拿2000张图片是很难训练好的；然后再看模型复杂度，是不是网络太“大”了（比如用了ResNet152），数据量配不上网络容量。还有一个容易被忽略的点：数据集划分的“泄露”问题。比如同一棵蔬菜的不同照片被同时分到了训练集和验证集，模型的“记忆”就让验证集准确率虚高。一定要按“相同的蔬菜个体”来划分数据集，不要让同一个拍摄对象的照片同时出现在训练集和验证集里。
6.2 类别不均衡：数据分布导致的选择偏移
蔬菜数据集的类别不均衡问题很常见，因为你可能很难给每个蔬菜类别都拍到同样数量的照片。
最简单的解决办法是在训练时给每个类别的样本赋予权重，让样本数少的类别在计算损失时有更高的“话语权”。具体做法是设置WeightedRandomSampler，或者直接在CrossEntropyLoss的weight参数里传一个各类别权重的列表。
class_weights = [1.0 / count for count in sample_counts] criterion = torch.nn.CrossEntropyLoss(weight=torch.tensor(class_weights))此外，对样本少的类别增加更强的数据增强也是一个有效手段。如果某些类别的识别效果无论如何都上不去，那么回到采集环节，补充该类别在不同光照、不同姿态下的图片，往往是比调参更有效的做法。
6.3 训练不收敛或准确率异常的排查顺序
训练过程中如果loss不下降，或者准确率一直在一个低水平徘徊，按顺序排查，大多数问题都能定位：
- 检查数据预处理是否正确。最经典的问题是图片像素没有归一化，或者通道顺序搞错（比如不小心把RGB当成了BGR）。
- 检查标签映射。确认类别索引和数据集中文件夹的对应关系是否一致，尤其是手动整理数据时很容易错位。
- 检查是否忘了
model.train()。在训练阶段如果模型处于eval模式，BatchNorm和Dropout不会正常工作。 - 检查任务本身的难度。某些蔬菜类别在外观上高度相似，如果数据图片分辨率低、光照差，模型的识别上限可能本身就有限，这不是调参能解决的。
- 检查基线（Baseline）。先用一个最简单的网络（比如两层卷积+一层全连接）试跑一下，如果它都无法稳定收敛，说明数据或代码流程有问题，而不是模型太复杂的问题。
对于蔬菜识别这个项目本身，还有一个很经典的“玄学”坑：如果你用的公开数据集是从各个搜索引擎扒的，里可能有大量带水印、带标签、分辨率极低的图片，这些“脏数据”会让模型学到一些莫名其妙的特征。清洗数据所花的时间，大概率是值得的。
最后再聊几句大实话
做这个项目最大的感受是：深度学习项目真正考验人的，不是你会不会调参，而是你有没有一套“思考问题”的方法论。数据怎么采集、模型怎么选、训练出了状况怎么排查、结果怎么评估——这些东西在你能独立解决之前，看起来都是“经验”，但当整个流程走完一遍之后，你会发现自己对CNN的理解不再是“知道几个名词”，而是真正有了一套完整的项目框架。
如果你也正在准备类似的毕业设计或者练手项目，我的建议很简单：不要一开始就追求最复杂模型的最高精度，先把一条最简路径完整跑通——小数据集、小网络、最短训练轮数，确认代码流程没有问题，再逐步扩大数据规模、升级模型、增加训练时长。那些中途暴露出来的问题，才是这个项目里最值钱的部分。
