基于Python与CNN的中草药识别实战：从数据到模型

1. 项目拆解与整体设计思路

1.1 这个题目到底在做什么

“基于Python-CNN机器学习深度学习的常见中草药识别”这种课程设计题目，最近几年在各大高校里出现的频率越来越高。我先用大白话把题目拆开：你要做的不是“背诵一堆草药名字”，而是让计算机通过图片自动判断“这是哪种中药材”。现代人习惯拿手机拍照，想识别路边的车前草、厨房里的枸杞，或者药店抓回来的干黄连——而CNN这一类深度学习模型，恰好是这项工作最好的工具。

从课程设计和毕业设计的考核角度看，这个项目有几个硬指标：

1. 自己构建或调优一个CNN模型，不是简单调用现成接口，而是能理解每一层的设计意图。
2. 有一套合理的数据处理流程，包括数据集的整理、图像增强、归一化等预处理。
3. 训练可得，且效果可量化，也就是说最终要给出准确率、损失曲线、混淆矩阵这类能说服答辩老师的图表。
4. 有实际验证，新拍的图片能跑通识别流程，而不是只停留在训练集上自嗨。

这个题目适合哪个阶段的人做？我见过三类人做它：第一类是本科课程设计，周期2到4周，需要基础功能完整、流程显眼即可；第二类是本科毕业设计，周期3到5个月，要加对比实验、可视化分析甚至要整理成小论文；第三类是研究生入门项目，重点在于把迁移学习、细粒度分类这些思路玩起来。不同目标决定了你的技术选型深度，文章后面会分阶段说明。

1.2 为什么用CNN而不是传统机器学习方案

放到5年前，很多图像识别项目用的是“手工提取特征+传统分类器”的路子。比如先把图像的HOG特征、色彩直方图、纹理特征提出来，再用SVM或随机森林做分类。这条路对中草药识别的问题是：中草药识别恰恰是典型的“细节决定成败”任务。两种植物可能颜色相近、形状相似，用手工特征很难界定到底抓哪个特征才是真正的区分点。

CNN的做法是“端到端”的——你给它看大量标注好的图片，它不需要你告诉它该看什么部位，它会自己在训练过程中学会选取对分类最有用的特征。第一层网络可能学的是边缘和色彩块，第二层可能学出叶片的纹理模式，更深层则能学到“这个部位的形状结合那个部位的颜色特征指向黄连”。这种自动学习特征的能力，正是处理自然场景下植物照片的关键。

以我的实操体验来说：传统方案在只有20多种药材、每类只有几十张图的时候，SVM勉强能跑到70%左右精度；而同样条件下哪怕是一个基础CNN，训练充分后也能轻松超过85%。如果数据量更大、种类更多，传统方案下滑得非常快，CNN受到的影响却很有限。所以这个题目选CNN，不是炫技，是这个任务天然适配。

1.3 技术栈选型：Python生态怎么搭

标题里点名了Python，这本身没什么好纠结的——Python在深度学习领域几乎是唯一的选择。但具体选哪些库，我觉得要根据你的硬环境和调试习惯来：

• 深度学习框架：Keras（TensorFlow 2.x的接口）或PyTorch。课程设计优先推荐Keras，因为接口封装度高，几行就能起一个像样的CNN；毕业设计优先推荐PyTorch，因为做debug、自定义网络结构、看中间特征可视化都更灵活。如果你有论文需求，那PyTorch是更好的选择。
• 图像处理：OpenCV和Pillow。数据增强环节两者都要用，OpenCV的插值速度快、Pillow的API更友好。
• 数据科学工具：NumPy、Pandas、Matplotlib、Seaborn。前两个用来处理标签和数据划分，后两个用于绘制loss曲线和混淆矩阵。
• 开发环境：首选Jupyter Notebook或JupyterLab，逐段运行看结果方便；正式训练脚本建议存成.py文件提交到服务器上跑。

一个容易忽略的点是：模型训练的过程中会产生大量中间结果，比如训练日志、模型权重文件、可视化图像等，建议从一开始就建立清晰的目录结构，把代码、数据、模型、结果分开存放。我自己深受“数据、代码、结果混在一起，最后答辩前找不到模型文件”的苦，这个习惯非常重要。

围绕技术选型还有一个经典问题：为什么不直接用预训练模型跑迁移学习？我觉得对课程设计来说，“从零搭建一个CNN”这个动作本身往往是评分点。如果一上来就用ResNet的预训练权重，模型的“理解深度”就不好展示。但毕设阶段完全可以把两者都做：自己搭建的基础CNN作为基线，再用迁移学习构建一个更强的模型作为对比，这就是一个体面的实验设计了。

2. 核心模块原理与方案选择

2.1 CNN识别中草药：卷积层在学什么

很多同学听到CNN就怕，觉得里面的数学公式吓人。其实理解CNN只需要抓住一个逻辑：它为什么能识别植物？因为它在分层提取图像特征。

先看卷积层。可以把卷积操作理解成拿着一个“小放大镜”在图像上滑动，每次只看局部区域。这个放大镜就是卷积核，它提取的是“某个局部区域内某种模式存在的强度”。比如一个卷积核专门用来检测“横着的一条深色线”，另一个卷积核检测“绿色块之间的白色间隙”。中草药图片里这些模式非常关键——叶片边缘的锯齿形状、叶脉的走向、花蕊的颜色分布，本质上都是这种局部模式在不同尺度的组合。

卷积层的参数并不是人手工设置的，而是通过训练自动调整的。起初是随机数，模型看到大量“这是薄荷叶”和“这不是薄荷叶”的图片后，自动调整那些能让分类正确率提高的卷积核值。这就是“机器学习”中最本质的部分：特征是学出来的，不是人设计出来的。

然后是池化层。它干的事情是“压缩信息”。比如一张200×200的图片，经过一次卷积和一次2×2的池化，尺寸会变成100×100。池化的意义有两个：一是降低计算量，二是不怕小位移——叶子稍微歪一点、换个角度拍，池化之后提取到的关键模式还在。这一点对中草药识别特别重要：咱们平时拍照不可能像证件照一样规规矩矩，倾斜、遮挡、光线变化是常态。

到了网络后面几层，模型会把前面学到的局部特征拼接成“这张图整体上是什么风格”的判断，最终经过全连接层把特征映射到具体的分类概率上。输出层通常是Softmax，它会把10个或20个类别的得分变成一组和为1的概率值，“概率最大的那个类别”就是识别结果。这套流程，和人类看植物时“先看叶形，再看叶脉，再看花和整体气质”是一个逻辑，听着是不是一点都不玄了。

2.2 数据的坑与数据集的构建策略

中草药识别项目最大的坑不在模型，在数据。这是我反复和做这个题目的同学强调的。

规模问题：CNN虽然强大，但它是个“饭量很大”的模型。如果只给每个类别准备30张图，同济的模型再牛也会陷入过拟合——训练集上识别近乎100%，拿到新拍的照片上就“翻车”。根据我的经验，做这个题目每个类别至少准备100张以上图片，如果每类能达到300张，训练效果会比较从容。数据不够怎么办？有两个办法：一是“数据增强”，也就是用旋转、翻转、裁剪、亮度调整等方法把一张图片变出多张来；二是“迁移学习”，用别人在大规模数据集上训练好的模型权重做初始化，这样只需少量数据也能有不错的准确率。

类别选择：常见中草药可以选10到20类。不需要选太生僻的品种，因为越生僻的数据越难找，而且答辩时老师也不一定认识，效果反而不好。黄金选择是那些特征明显、你所在城市路边或药房能见到的品种：薄荷、鱼腥草、金银花、薏苡仁、枸杞、陈皮、当归、黄连、板蓝根、益母草……这些类别外观区分度相对好，适合入门。

在类别设计上我强烈建议包含“易混淆组”。比如把“薄荷”和“荆芥”都选进去，或把“干姜”和“黄姜”放在一起。为什么？因为这个项目能体现深度学习的价值就在于“不是简单背答案，而是真的在学区分特征”。如果选的10类药材长得差异极大，模型可能随便学个颜色就能分类，答辩时老师追问“为什么区分这两种”，你完全没法解释深层的特征学习。设一组易混淆类别，后面做混淆矩阵、分析错误样本都有了素材。

数据获取：最直接的是用搜索引擎下载图片，但要注意版权问题，建议只用于课程学习。更稳妥的方案是去一些公开的植物图像数据集，或者自己用手机拍摄（条件允许的话，保持同一药材的多角度、多背景、不同光照）。数据集质量判断的标准很简单：真实场景、光线变化、有背景杂乱的照片，比干净的影棚图更“管用”，因为训练出来的模型在实际场景中更耐用。下载之后必须人工清理一遍，把错误类别的图、文字图、重复图全部删掉，这一步没什么技巧，就是要耐心。

2.3 迁移学习为什么是中草药识别的最优选

如果让我对做毕设的同学说一个建议，那就是：别只盯着自己搭的CNN，把迁移学习加进来。比如用ImageNet上训练过的ResNet50作为特征提取器，去掉它原来的分类层，换成你自己的中草药分类头，然后整个网络在你的数据上继续训练。这个方案有几个实打实的好处：收敛速度极快——你用基础CNN可能要训练50个epoch才到85%准确率，迁移学习10个epoch可能就93%了；对数据量的要求也低很多，每类只需要几十张图就能跑出可用的模型；而且更鲁棒，对光照变化、模糊、遮挡的耐受性明显更好。

顺带补充一句，其实真正厉害的图像分类系统，几乎很少从零开始训练大模型，因为数据量和时间成本太高。用别人在数十万张图上练好的通用特征，再在专业领域数据上做微调，也就是所谓“微调”（Fine-tuning），本身就是工程实践里的标准做法。在答辩时如果老师问“为什么选ResNet50”，你可以回应：“因为它引入了残差连接，解决了深层网络梯度消失的问题，特征复用效率高”；如果问“为什么用了预训练权重”，你可以回应：“因为领域数据集样本量有限，复用通用图像特征能降低过拟合风险、加快收敛”。这些逻辑自洽的表述，会让答辩的深度拉高一个档次。

关于迁移学习和基础CNN的关系：我不建议把二者对立起来。课程设计可以以基础CNN为主，迁移学习作为加分项；毕设则可以作为对比实验出现——基础CNN是一种实现，迁移学习是另一种实现，两者各成一条对比路线，实验章节自然丰富了很多。

3. 从零到一的搭建与训练实操

3.1 项目环境准备与依赖安装

无论你是课程设计还是毕业设计，我建议先用本机做小规模试验，跑通了再考虑上服务器。环境准备方面，我自己最常用的一套组合是：

conda create -n cnn_herb python=3.9 conda activate cnn_herb pip install tensorflow-cpu==2.12.* # 若显卡可用则去掉 -cpu 后缀 pip install torch torchvision # 选装，做迁移学习时使用 pip install opencv-python pillow numpy pandas matplotlib seaborn scikit-learn

安装的时候有两点经验：第一，TensorFlow和PyTorch不必都装CPU版本，如果你的电脑有NVIDIA显卡，务必装对应CUDA的GPU版本，训练速度能快一个数量级；第二，如果pip安装太慢，直接换镜像源，pip install xxx -i https://pypi.tuna.tsinghua.edu.cn/simple，这不算什么“高深技巧”，但真的能让你少等很久。

环境装好后建议先测试一下框架能不能正常调用GPU：

import tensorflow as tf print("GPU available:", tf.config.list_physical_devices('GPU'))

如果输出是空列表，说明你的TensorFlow没识别到显卡，接下来训练会很痛苦。这时候回到第一步，检查CUDA版本和tensorflow版本是否匹配。这个问题太常见了，下面专门有一个小节讲，这里先按“能识别到GPU”继续。

3.2 数据整理与数据集划分：从乱图到干净数据集

以最简单的目录结构为例，我建议把图片按“类目-编号”命名，并放在按类别命名的文件夹里：

dataset/ mint/ # 薄荷 mint_001.jpg mint_002.jpg ... honeysuckle/ # 金银花 honeysuckle_001.jpg ... ...

然后写一个脚本把数据读进来，划分成训练集和验证集。划分比例上，常用的有8:2、7:3等。我自己偏好80%训练、10%验证、10%测试，不过课程设计没有绝对标准，关键是验证集和测试集千万不要在训练时被模型“看到”，否则准确率虚高。这是所有初学者的第一个认知壁垒。

import os, random, shutil random.seed(42) src = "./dataset" train_dir = "./dataset_split/train" val_dir = "./dataset_split/val" test_dir = "./dataset_split/test" os.makedirs(train_dir, exist_ok=True) os.makedirs(val_dir, exist_ok=True) os.makedirs(test_dir, exist_ok=True) for cls in os.listdir(src): class_path = os.path.join(src, cls) if not os.path.isdir(class_path): continue imgs = os.listdir(class_path) random.shuffle(imgs) n_train = int(len(imgs) * 0.8) n_val = int(len(imgs) * 0.1) for i, img in enumerate(imgs): dst = "" if i < n_train: dst = os.path.join(train_dir, cls, img) elif i < n_train + n_val: dst = os.path.join(val_dir, cls, img) else: dst = os.path.join(test_dir, cls, img) os.makedirs(os.path.dirname(dst), exist_ok=True) shutil.copy(os.path.join(class_path, img), dst)

这段脚本做的事情很简单：按比例把每一类的图片复制到三个新目录。为什么不用移动？复制更安全，万一划分比例不对，原图还在。为什么固定了随机种子？为了保证运行结果可复现，答辩时老师问“你那次实验的结果能复现吗”，你只需要说一句“我们的随机种子在实验设置里固定了”就很专业。

接下来是标签编码。如果用TensorFlow的ImageDataGenerator的flow_from_directory，它会自动按文件夹名称生成标签顺序。如果改用自定义数据加载，一般用整数标签，从0开始递增。标签顺序一定要记住，后面预测新图片时要靠它把索引转回中文名。

class_labels = ["mint", "honeysuckle", "bajiao", ...] label_to_idx = {name: i for i, name in enumerate(class_labels)} idx_to_label = {i: name for name, i in label_to_idx.items()}

3.3 图像预处理与数据增强

中草药图片的预处理分三步：缩放 → 归一化 → 增强。

缩放：CNN要求输入尺寸固定。我推荐224×224，因为这是很多预训练模型的标配尺寸，兼容性好。如果你的基础CNN不够深，也可以使用128×128减少计算量，但图像的细节信息会丢失一些。

归一化：把像素值从0~255映射到0~1或-1~1，帮助梯度稳定、加快收敛。这一步在Keras里面写一行：

from tensorflow.keras.preprocessing.image import ImageDataGenerator train_datagen = ImageDataGenerator( rescale=1./255, rotation_range=30, # 随机旋转30度 width_shift_range=0.2, # 水平平移20% height_shift_range=0.2, # 垂直平移20% shear_range=0.2, # 剪切变换 zoom_range=0.2, # 随机缩放 horizontal_flip=True, # 水平翻转 fill_mode='nearest' # 填充模式 ) test_datagen = ImageDataGenerator(rescale=1./255)

数据增强说白了就是“把训练照片增加‘变数’”。想想你真实使用软件的场景：有人把叶子拍歪了、光线太暗了、离得太近了，模型如果只见过“标准图”，这些情况就會误判。增强处理使模型学会对形变、亮度和位置的变化保持鲁棒。

需要注意：验证集和测试集绝对不能做增强，只能做缩放和归一化。因为增强是人为地制造不同样本来扩大模型认识的边界，而验证集和测试集要反映“真实分布”，必须保持原始状态，测试集上增强没有任何意义。

3.4 搭建基础CNN模型

下面是课程设计级的基础CNN代码，4个卷积块加2层全连接。这个结构对于中草药分类来说是“足够用”的起始点：

from tensorflow.keras.models import Sequential from tensorflow.keras.layers import Conv2D, MaxPooling2D, Flatten, Dense, Dropout model = Sequential([ Conv2D(32, (3, 3), activation='relu', input_shape=(224, 224, 3)), MaxPooling2D(2, 2), Conv2D(64, (3, 3), activation='relu'), MaxPooling2D(2, 2), Conv2D(128, (3, 3), activation='relu'), MaxPooling2D(2, 2), Conv2D(128, (3, 3), activation='relu'), MaxPooling2D(2, 2), Flatten(), Dropout(0.5), Dense(512, activation='relu'), Dropout(0.3), Dense(len(class_labels), activation='softmax') ]) model.summary()

简单解释一下每层的选择逻辑。第一层用了32个卷积核，后面逐渐翻倍到64、128、128，这是一个常见的“浅层少、深层多”设计：浅层学的是细节特征，多一些通道可以组合出更丰富的模式；深层学的是高维语义，卷积核数量不必太多，以免过拟合。每个卷积块后面跟一个MaxPooling下采样，逐步把224×224压到14×14，最后Flatten喂给全连接层。Dropout在0.5和0.3，是全连接层防过拟合最重要的手段。中间用ReLU激活，输出层是Softmax多分类。

3.5 训练参数的选择逻辑：学习率和批大小

训练时最关键的几个配置是：批次大小、学习率、优化器、Epoch数、早停策略。

model.compile( optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy'] ) history = model.fit( train_generator, steps_per_epoch=train_generator.n // batch_size, epochs=50, validation_data=val_generator, validation_steps=val_generator.n // batch_size, callbacks=[early_stop, model_checkpoint] )

批次大小：我实测下来，16到32是比较适合中草药分类的。批次过小（比如4）会导致梯度震荡太剧烈，训练不稳；批次过大会让每轮迭代时间变长，而且显存可能爆。如果你用的是GPU，32是首选的起步值。

学习率：Adam的默认学习率是0.001，在多数情况下可以直接用。但如果发现loss在训练过程中反复震荡、下不去，可以先降到0.0005或0.0003重新跑一次。如果loss下降太慢，可以适当提到0.002，但不建议更大，很容易发散。

Epoch数和早停：训练50个epoch不一定全部跑完。设置早停监控验证集loss，如果连续10个epoch不再下降，就自动停止，同时恢复最好的权重：

from tensorflow.keras.callbacks import EarlyStopping, ModelCheckpoint early_stop = EarlyStopping(monitor='val_loss', patience=10, restore_best_weights=True) checkpoint = ModelCheckpoint('herb_model.h5', monitor='val_loss', save_best_only=True)

为什么要做早停？我在这个项目里见过很多次：训练集准确率一路升到99%以上，验证集却停在85%不再动甚至开始下降。这说明模型开始“背题”而不是“学特征”了。早停就是为了对抗这种“过拟合”风险，让模型停在泛化能力最好的那个点而不是训练最后的那个状态。

3.6 模型评估：不只是看准确率

训练结束后，评估部分必须做三件事：验证集准确率、loss曲线、混淆矩阵。这门课的评分老师通常最看重这三个图。

loss曲线画法是：

import matplotlib.pyplot as plt plt.plot(history.history['loss'], label='train_loss') plt.plot(history.history['val_loss'], label='val_loss') plt.title('Training and Validation Loss') plt.xlabel('Epoch') plt.ylabel('Loss') plt.legend() plt.show()

如果训练loss和验证loss之间差值很大，就是过拟合的直接证据；如果两者都在高位下不去，说明模型容量不够或者学习率不合适；如果曲线震荡，说明批次数据分布不够均匀，可以考虑增大批次。

混淆矩阵用sklearn.metrics.confusion_matrix画出来，能直观看到哪些类别互相混淆。比如“白芷”总是被误判为“当归”，那你就有两个入手方向：一是增加这两个类别的训练样本；二是检查数据集本身——是不是当时下载或标注的时候这两类的图就已经混乱了。这一步也是答辩时最能展现你分析能力的内容。

import numpy as np from sklearn.metrics import confusion_matrix, classification_report pred_probs = model.predict(val_generator) pred_labels = np.argmax(pred_probs, axis=1) true_labels = val_generator.classes[:len(pred_labels)] print(classification_report(true_labels, pred_labels, target_names=class_labels))

3.7 对新图片做预测：完整识别流程

模型训练好以后，识别一张真实照片的流程也要写清楚：

from tensorflow.keras.preprocessing import image def predict_image(img_path): img = image.load_img(img_path, target_size=(224, 224)) img_array = image.img_to_array(img) img_array = np.expand_dims(img_array, axis=0) img_array = img_array / 255.0 probs = model.predict(img_array)[0] idx = np.argmax(probs) confidence = probs[idx] return idx_to_label[idx], confidence

这里面有个容易忽略的细节：预测时的预处理必须和训练时保持完全一致。训练时如果做了rescale=1./255，预测时也要除以255，否则输入分布不一致，模型表现会大打折扣。此外，load_img默认会做双线性插值缩放，尺寸变了但内容语义不变，这是正常操作。

我的经验是，把这部分单独封装成一个脚本，比如predict.py，接收图片路径参数，输出识别结果和置信度。答辩现场用手机拍一张新鲜的照片，程序能跑出正确结果的话，现场效果是非常有说服力的。

3.8 迁移学习模型的实战补充

上面已经提过ResNet50迁移学习的大致思路。代码层面是用torchvision或Keras自带的应用模块加载预训练模型，替换分类层，然后冻结前面的骨干网络只训练新的分类头，或者解冻部分层做微调。用Keras写的话，最明显的对比实验代码是：

from tensorflow.keras.applications import ResNet50 from tensorflow.keras.models import Model from tensorflow.keras.layers import GlobalAveragePooling2D, Dense base_model = ResNet50(weights='imagenet', include_top=False, input_shape=(224, 224, 3)) base_model.trainable = False # 先冻结骨干 x = GlobalAveragePooling2D()(base_model.output) x = Dense(256, activation='relu')(x) output = Dense(len(class_labels), activation='softmax')(x) model = Model(inputs=base_model.input, outputs=output)

先只训练分类头，若干个epoch后可以把base_model.trainable = True，用极小的学习率（比如0.0001）整体微调几轮，效果往往还能再上一个台阶。

迁移学习有一个相当重要的问题：网络结构变了，输入尺寸和归一化方式也要跟着变。用ResNet50，输入图片需要按ImageNet数据集的均值方差来归一化，而不是简单除以255。偷懒就会造成特征分布不匹配，导致准确率不如基础CNN的诡异情况。细节上务必查一下你所用预训练模型的标准预处理方式。

4. 常见问题与排查技巧实录

4.1 过拟合：训练集99%，验证集85%

我见过最多的现象就是这一个。模型把训练数据“背得滚瓜烂熟”，但遇到新图片就露怯。解决方向的优先级如下：

1. 增加数据增强强度。把旋转范围从20度提高到40度，加入brightness_range=[0.8,1.2]这类亮度扰动，效果往往立竿见影。
2. 增加Dropout比例。全连接层的Dropout从0.5提到0.6或0.7，或者在全连接前再加一层Dropout。
3. 缩小模型容量。把卷积核数量从128降到64或32，全连接层的512降到256。这也算个入门级思路，很多人以为加参数就能提升精度，其实小模型在数据量不够时反而训得更好。
4. 数据扩量。回到数据集，增加样本量或对每类收集更多样化的图片。

另外要说的是：过拟合的原因首先是数据量不足。模型参数量动辄几百万，训练数据才几百张，在参数空间里显得捉襟见肘。在某些情况下，数据增强并不能创造真正的新信息——旋转、翻转只是改变了位置和角度，如果数据本身有问题，可能还是会出错。所以增加新图片是治本，增强是治标。

4.2 数据量不足时的救命招：迁移学习更不挑数据

如果你时间紧、只有每类50张图，还是有希望拿到90%以上的效果。主线就是把上面的3.8迁移学习方案走通。

我在做模拟项目X的时候遇到过一个非常极端的设定：数据集只有每类60张，基础CNN的准确率只有78%，换了ResNet50微调后涨到91%。差距就是这么明显。原因是预训练模型的骨干网络已经在数百万张图上见过各种各样的纹理、边缘、形状，你只需要教它“这些特征像哪一类中草药”，而不是从零教它“什么是叶脉”。

对于做毕业设计的同学，我建议把这个对比做进实验章节：基础CNN vs ResNet50微调 vs VGG16微调，三组在同一数据集、同一评价指标下的准确率表格，这一页的内容比写一千字的理论要更有说服力。要注意的是，微调对比实验一定要控制变量（同样的数据划分、同样的预处理、同样的随机种子）。否则“迁移学习效果好”这个结论就很微弱。

4.3 类别不平衡：有的药材图多，有的图少

网上扒图的典型后果是：薄荷图好找，扒下来300多张；某种不那么大众的药材可能只有40张。此时如果不做任何处理，模型会悄悄偏向样本量大的类别，甚至认为“不管见什么图都猜薄荷”。

处理类别不平衡有三个方法，按易到难排：

1. 图像增强补齐：对少数类做更强的旋转、平移、光照扰动，甚至做随机裁剪后放回，把它“凑”到接近多数类的数量。
2. 类别加权：在训练时给少数类的loss乘以更大的系数。Keras里可以通过class_weight参数显式指定：

   from sklearn.utils.class_weight import compute_class_weight class_weights = compute_class_weight('balanced', classes=np.unique(y_train), y=y_train) class_weight_dict = {i: class_weights[i] for i in range(len(class_weights))}

3. 收集更多数据：这是最笨但最有效的方法。对少数类再采集一批图片，加入训练集。

课程设计阶段，我用过最多的还是第一种。复制粘贴式增强虽然指标上略有虚高，但在小数据量项目中是公认的近似手段，答辩时如实说明就可以了。

4.4 新照片识别不准：预处理不一致首当其冲

自己训练完拿去测试，发现真实环境下一塌糊涂，最常见的坑是“环境变了”。训练用的图片可能是搜索引擎里干净整齐的样本，测试时你用手机在室内自然光下拍，光线、角度、背景都不一样，这属于典型的“领域差异”。我总结的排查清单是：

• 输入尺寸和归一化方式是否与训练时一致。
• 图片压缩是否过于严重，是否肉眼都看不清。
• 摄像头拍摄的EXIF旋转信息是否有处理（OpenCV的imread有时候读出来是横的，而训练时都是正的）。
• 模型是否对背景敏感——叶子放大局部拍可能比整株植物拍更好识别，这也解释了为什么很多识别App都建议“拍局部、拍特写”。

4.5 训练速度太慢

如果你只是在本机训练，每一轮Epoch都可能要几分钟，训练50个epoch会相当痛苦。我的建议有三个：

1. 先小后大：先用64×64输入尺寸、少量数据跑通整个流程，确认代码和参数没问题后，再切回224×224正式训练。
2. 用GPU：如果你的显卡是普通入门级也够用，训练速度能提升几十倍。
3. 减少不必要的Epoch：多数任务在验证集达到峰值后继续训练毫无意义，依靠早停能省掉一半以上的时间。

4.6 模型文件保存与加载

训练好后记得保存完整模型或权重，三种方式我都用过：

model.save('herb_model.h5') # 保存整个模型结构+权重 model.save_weights('herb_weights.h5') # 仅保存权重 # 推荐：保存完整模型，预测时不需要重新构建结构

如果是迁移学习模型，最好连带预处理方式一起记录在一个config.json里。我见过不止一个同学来答辩时拿着一个只有文件名的.h5，却完全想不起来当初归一化用的尺度。规范的笔记，是保障项目可复现的基本素养。

5. 答辩展示与项目深化思路

5.1 答辩PPT怎么讲清楚这个故事

很多同学项目做得不错，答辩却讲成流水账：先装环境，再写代码，最后有准确率。这不是讲故事的方式。中草药识别项目答辩建议按“为什么→怎么做→做成什么样→还能怎么提升”的逻辑来讲，简单来说就是用“问题驱动”代替“过程驱动”。

引言部分讲清楚中草药识别对日常生活的意义：普通人认不全、资深药师也有记忆盲区、移动端拍照识别是刚需。方案部分讲清楚为什么选择CNN，为什么不用传统图像识别。实现部分讲网络结构和数据准备，重点突出“你在每个环节做了什么决策、为什么”。结果部分展示准确率和混淆矩阵，别怕展示错误——反而是分析错误类别的过程，最能体现项目的深度和思考。

有一个特别实用的技巧：答辩之前准备一张“失败案例图”。挑一张识别错的图片，分析模型为何错，并说明可以做哪些改进。老师在答辩时最喜欢问的就是“你这个项目有什么不足”，这个问题答得好，是很大的加分项。

5.2 可扩展方向：从固定分类到开放识别

识别固定40类药材，只是课程设计的及格线。如果你有兴趣做得更深入，我列出几个可扩展方向：

• 从分类到检测：目标检测模型（如Faster R-CNN、YOLO）可以从复杂图片中把药材区域框出来再分类，适配的实际场景更贴近“田间拍摄、自然场景找药材”。
• 从单图到多图融合：不同药材可能在根、茎、叶、花上差异明显，可以把多个部位图输入一个多路网络做综合判断。
• 从图片到文本：识别结果结合药材知识库，输出“性味归经、功效、用法、禁忌”，直接做成一个问答式的中药知识助手。那时候项目的实用性和交互性会大大提升。
• 部署到移动端：用TensorFlow Lite的转换，把模型部署到手机端或嵌入式端。课程设计到这一步已经属于“向工程实践靠拢”的加分项。
• 半监督学习：网上大量弱标注数据未充分利用，可用伪标签或对比学习的方法挖掘未标注数据的价值。

对本科阶段而言，能完成其中任意一个扩展方向并跑通演示，就已经超过绝大多数“为了交差”的同类项目了。

5.3 关于评分标准的一点个人判断

不同学校、不同老师的评分偏好差异极大，但有几个共性要素几乎是公认的：流程完整度（数据处理→训练→评估→预测的闭环）、规范程度（代码注释、目录结构、实验记录）、可视化（曲线图、混淆矩阵、真实图片演示）、分析深度（基于结果能提出改进方向）。这四个要素抓好了，分数都不会差。

不过我也想泼一盆冷水：课程设计阶段不要追求遥遥领先的技术指标。你的目标是“证明自己掌握了基础原理和工程流程”，而不是“训练出比论文SOTA更好的模型”。项目周期有限的情况下，把基础CNN调优到85%以上，配合迁移学习对比，已经是很扎实的工作量了。与其花大量时间无节制地调参堆叠，不如把精力放在把项目里已有的成果讲透、把特征可视化的图做漂亮。

6. 写在最后的实操经验

做这个题目，最容易让初学者误判的是“时间都花在模型上”。但以我的实际经历来看，这类图像识别项目最大的时间黑洞永远是数据整理——下载、清洗、重命名、统一格式、调整增强参数。曾经有一次我在图书馆连着蹲了一个周末，净收益只是把某个类别的“废图”从两百张里删到一百三十张，但这直接拉升了模型近4个百分点的验证集准确率。所以你如果问我要一条核心建议，那就是：数据质量决定模型上限，调参只决定模型能否接近这个上限。花在数据上的功夫，永远不吃亏。

另外，项目过程记录很关键。我给所有做课程设计的同学一个通用建议：从拿到题目的第一天起，建立两个文档，一个叫《实验日志》，另一个叫《问题清单》。每天记录做了什么操作、得到什么结果；每遇到一个报错或异常，就把现象、排查步骤、最终解法记下来。答辩时老师问“你遇到过什么问题吗”，你随手就能举出一个完整的排查经历，比“没遇到什么问题，训练很顺利”这种回答可信度高得多。而且写毕业设计论文时，这些日志会变成你“第三章实验”和“第四章结果分析”最现成的素材，写起来轻松好几倍。最后再分享一个小技巧：训练完成后，给你的模型取几个不同的版本名字——比如“v1_baseline_cnn”、“v2_resnet50_finetune”、“v3_augmented”——按时间存好。做实验最忌讳的是“这个h5文件是刚才调过参的吗？还是昨天那个？”版本管理做得越清楚，后面越省事。这套方法不止适用于中草药识别，任何以“训练模型”为核心的课程设计或毕业设计项目都能直接用上。