CNNs图像分类全链路：原理、数据管道、训练排错与部署

学习笔记：利用CNNs进行图像分类

前段时间在整理自己的实验记录，翻到最早那批卷积神经网络的代码，注释比代码还多，全是调试过程中的疑问和临时结论。索性把这一路从“模型定义完就等着出结果”到“能大致预判问题出在哪一层”的过程重新梳理成一份完整笔记。利用CNNs进行图像分类这件事，说起来就一句话：把一张图片喂进去，让网络吐出它属于哪一类；真动手做，卡住人的往往不是卷积怎么写，而是参数量算不明白、数据管道埋了雷、损失曲线看不懂。这份笔记覆盖的是一条完整的链子——从问题本质拆解、核心层原理、数据准备、网络搭建与训练、到最后的评估部署，中间夹着我自己踩过的坑和几个可以直接抄的排查顺序。适合刚上手图像分类的同学当路线图看，也适合已经能跑通demo、但模型效果总比预想差一截的朋友对照着找原因。文中代码用主流深度学习框架写，风格偏工程实操，参数和公式都给了推导过程，不要求你有很强的数学背景。

1. 先把问题拆清楚：图像分类到底在做什么

1.1 从“给图片打标签”到“学习一个映射函数”

新手最常见的误解，是把图像分类当成某种规则匹配——看到猫耳朵就是猫，看到轮子就是车。这种思路在简单场景勉强能用，一旦光照变了、角度歪了、物体被遮了一半，规则就全崩了。CNN做的事情本质上完全不同：它把一张图片看作一个三维数组（高 × 宽 × 通道），然后去学习一个从数组到类别概率的映射函数。假设输入是 224×224 的RGB图，那就是 150528 个数值，输出是 K 个概率，加起来等于1。

这个视角的转变很关键。一旦你把它看成函数拟合问题，很多决策就有依据了：参数量决定函数能表达多复杂的关系，数据量决定你能约束住多少个参数，损失函数决定你在优化什么目标，正则化决定你怎么防止函数把训练集的噪声也学进去。我在笔记里给每一类决策都标了它对应的“函数意义”，后面调参的时候顺着这条线找，比盲目试参数效率高得多。

还有一个必须先想清楚的问题：分类任务的难度边界在哪里。类别之间是互斥的还是多标签的？类别数有多少？类间差异是细粒度的（比如不同型号的同一类物体）还是粗粒度的（猫和汽车）？样本量是几百还是几万？这些答案直接决定你该从零训练还是用预训练模型微调，也决定了你对准确率的合理预期。我最开始就没做这一步，直接拿一个十类的小数据集上了一个不算小的网络，训练准确率一路冲到99%，验证集却卡在六成多，白折腾了两天。

1.2 为什么是卷积：全连接层的三个致命问题

要理解CNN为什么适合图像，最好的方式是看全连接网络在图像上会撞到什么墙。假设我们老老实实用全连接层处理一张 224×224×3 的图，第一层设 1024 个神经元，那么这一层的参数量就是 150528 × 1024 ≈ 1.54 亿，还没算偏置。这还只是第一层，如果堆三层，参数量直接到十亿量级。对于动辄上亿参数但样本只有几千张的任务，过拟合几乎是必然的。

第二个问题是空间结构被彻底打散。全连接层把图片拉平成一维向量，原本相邻的像素在输入里的位置关系消失了。模型需要自己从零学出“左上角的像素和它右边那个像素有关”这种先验，而这类先验其实是任何人都知道的常识，白白浪费了大量参数和样本。

第三个问题是缺乏平移等变性。同一只猫出现在画面左上角和右下角，对全连接网络来说是完全不同的两组输入，它得分别学一遍。卷积核则天然解决了这一点：同一个卷积核在整张图上滑动，无论目标出现在哪里，响应方式一致。这背后其实是三个先验假设——局部性（相邻像素相关性更强）、平移等变性（目标位置变化不该改变类别）、层次性（边缘组成纹理，纹理组成部件，部件组成物体）。CNN的结构就是把这三点写进了网络的归纳偏置里。

下面这张表是我自己在笔记里做的对比，用来向别人解释为什么要换架构：

1.3 项目整体设计思路与选型考量

动手之前我给自己定了一条原则：先把整条链路跑通，再谈精度。具体做法是，用一个公开的小规模多类别图像数据集先验证数据管道和训练循环没问题，网络故意做得小一点，几层卷积加全局平均池化，能在几分钟内训完一轮。很多人一上手就搬一个深层网络，结果训练一次要几小时，出了问题根本不知道该改哪里，迭代速度被拖死。

选型上还有几个考量值得说清楚。第一，损失函数默认用交叉熵，因为类别互斥且输出是softmax概率，这是最自然的匹配；如果遇到类别严重不平衡或者标注有噪声，再考虑带权重的交叉熵或者更平滑的标签。第二，优化器我一开始习惯用自适应方法，收敛快、对学习率不敏感，适合快速验证；等结构定下来、要冲最后一两个点精度时，再换成带动量的随机梯度下降，配合学习率调度，泛化往往更好。第三，是否用预训练权重，取决于你的数据量和目标任务与自然图像的相似度，这个判断我在第4节会展开。

注意：设计阶段就要把“验证集怎么用”定下来。验证集只能用来做模型选择和超参调整，一旦你反复根据验证集结果改结构、改参数，它其实已经被间接训练了，最终报告的数字会偏乐观。真正干净的评估要留一份从头到尾不碰的测试集。

2. CNN核心组件拆解：每一层到底在干什么

2.1 卷积层：感受野、通道、步长与填充的计算

卷积层是整套结构的地基，但有三个参数必须能自己算，不能靠试。第一个是输出尺寸。设输入边长为 W，卷积核大小 F，填充 P，步长 S，输出边长就是 (W − F + 2P)/S + 1，除不尽时向下取整。这个公式我建议在纸上推一遍：先把输入两端各补 P 个像素，得到 W + 2P，然后一个 F 大小的窗口从最左端开始，每次移动 S 格，能放下的位置数就是结果。举例，输入 32，卷积核 3，填充 1，步长 1，输出是 (32 − 3 + 2)/1 + 1 = 32，尺寸不变，这就是所谓的 same padding。

第二个是参数量。一个卷积层的参数是 F × F × C_in × C_out 再加 C_out 个偏置。注意这里跟输入的空间尺寸无关，这是卷积最迷人的地方——输入从 32×32 变成 256×256，参数一个都不增加。这也是为什么深层网络能处理高分辨率图像而不爆炸。

第三个是感受野。它指的是输出特征图上一个点，对应回原图能看到多大区域。单层 3×3 卷积的感受野是 3；如果后面再跟一层 3×3，第二层的感受野就是 3 + (3 − 1) × 1 = 5，也就是两个 3×3 堆叠等效于一个 5×5。但参数量上，假设通道数都是 C，两个 3×3 是 2 × 9C² = 18C²，一个 5×5 是 25C²，前者少了近三成，而且中间多了一次非线性激活，表达能力更强。这就是现代网络几乎清一色用 3×3 小卷积堆叠的原因，不是跟风，是算过账的。

2.2 池化层与下采样：为什么不能一味堆卷积

如果网络里只有卷积，而且全部用 same padding，那特征图尺寸永远不变，计算量会一直停留在高分辨率上。224×224 的特征图上做 256 通道卷积，计算量是相当可观的。所以必须有下采样环节，把空间尺寸逐步压缩、通道数逐步增加，让网络从“看细节”过渡到“看语义”。

传统做法是最大池化，2×2 窗口、步长 2，尺寸直接减半。它的好处是没有参数、计算便宜、保留了窗口内最显著的响应。平均池化则更适合需要对整体强度做统计的场景。另一种做法是用步长为 2 的卷积代替池化，让网络自己学习怎么降采样，信息损失理论上更可控，代价是多了一部分参数。

这里有个我踩过的坑值得单独讲：不要过早、过猛地降采样。我早期的一个网络，第一层就是 7×7 卷积加步长 2，紧接着一个 3×3 最大池化，输入 224 的图到这里只剩 55×55，小目标的细节基本被抹平了，后面怎么调都补不回来。后来改成前两层都用 3×3、步长 1，把降采样推后，小目标的召回率明显改善。经验上，浅层负责提取边缘和纹理这类细粒度信息，应该尽量保留分辨率；深层负责语义，才适合大幅压缩。

还有一个容易被忽略的细节：池化层在反向传播时的梯度分配。最大池化只把梯度传给窗口内取值最大的那个位置，其余位置梯度为零。这本身没问题，但如果初始化不好或者学习率过大，某些位置可能长期拿不到梯度，形成类似“死区”的现象。这也是后来很多结构用步长卷积替代池化的一个隐性理由。

2.3 激活函数与归一化层：训练能不能收敛的关键

没有激活函数的堆叠卷积，在数学上等价于一个线性变换，无论堆多少层都拟合不了非线性关系。所以每个卷积后面都要接激活。ReLU 是目前最常用的选择，计算简单、正区间梯度恒为1、不会饱和，能有效缓解深层网络的梯度消失。但它有个副作用：输入为负时输出恒为0，梯度也是0，如果某个神经元的输入长期为负，它就再也不更新了，这就是常说的“神经元死亡”。学习率设太大时这个现象特别明显，我遇到过一整层输出全零的情况，排查了半天才发现是学习率的问题。

应对办法有几个：把学习率调小；用带泄漏的版本，负区间给一个很小的斜率；或者用更平滑的激活函数。选择上没有绝对优劣，小数据集上差别不大，深层网络里平滑激活往往收敛更稳。

归一化层的作用更值得说清楚。它把每个通道的激活值重新标准化到均值0、方差1，再乘一个可学习的缩放、加一个可学习的偏移。这样做的好处是让各层输入的分布保持稳定，允许用更大的学习率，收敛速度明显加快。但这里有个必须记住的工程细节：训练模式和推理模式的行为不一样。训练时用当前批次的统计量，推理时用训练过程中累积的滑动平均值。如果你在推理时忘了切换到评估模式，模型会用单个批次的统计量做归一化，结果会随批次组成而波动，指标莫名其妙地掉。我第一次部署时就栽在这上面，离线评估好好的，上线后同一张图连续请求两次结果都不一样，查了很久才发现是这个开关的问题。

2.4 全连接层与输出层：从特征图到概率分布

网络走到最后，得到的是一组特征图，通道数可能几百，尺寸可能 7×7。传统做法是拉平后接一到两层全连接，最后映射到类别数。但全连接的参数量很大，7×7×512 拉到 4096 个神经元就是上亿参数，而且它对输入尺寸敏感，换个分辨率就得改结构。

现在更常见的做法是全局平均池化：对每个通道的所有空间位置取平均，直接得到长度等于通道数的向量，再接到输出层。这样参数量降到几乎为零，还能起到正则化作用，同时让网络支持任意输入尺寸。代价是空间信息的聚合方式比较粗暴，如果任务对目标位置敏感，可能需要保留更多结构。

输出层的形式取决于任务。单标签多分类用 softmax，输出各类概率，配合交叉熵损失；多标签分类则对每个类别独立做 sigmoid，用二元交叉熵。初学者最容易犯的错是把多标签任务按多分类来做，softmax 会强制各类概率之和为1，等于假设样本只能属于一个类，这在很多实际场景里是错的。

提示：输出层的数值稳定性不能忽略。直接对很大的 logits 做指数运算会溢出，框架里的交叉熵实现通常会内部做 log-sum-exp 变换，但如果你自己手写损失，一定要记得先减去最大值。

3. 数据准备：八成的效果在写模型之前就定了

3.1 数据集划分与类别平衡

数据这块我见过太多问题，而且大多数在训练曲线上一时半会儿看不出来。先说划分。常见比例是训练、验证、测试按 8:1:1 或 7:1.5:1.5 分，但比例不是重点，重点是划分必须随机且互斥。如果数据是按采集批次给的，比如同一天拍的图放在一起，那随机打散会让训练集和验证集出现高度相似的样本，验证指标虚高，上线就露馅。更稳妥的做法是按采集批次或场景分组划分，保证验证集里的场景在训练时没见过。

类别不平衡是另一个高频问题。假设十类数据里有一类占了七成，模型什么都不学、全预测这一类，准确率也有七成。这种情况下准确率完全失去意义，得看每一类的召回和宏平均指标。处理方式上，简单重采样（对少数类过采样、多数类欠采样）见效快但可能引入重复样本；给损失加类别权重更温和，权重一般按类别频率的倒数来设；数据增强则针对少数类多做扰动，从根上补充多样性。我的习惯是先看混淆矩阵，确认不平衡到底影响了哪些类，再决定用哪种手段，而不是一上来就把所有方法都堆上去。

3.2 数据增强的取舍

数据增强是提升泛化最便宜的手段，但增强方式必须和任务语义一致。水平翻转在大多数自然图像任务里是安全的，因为左右翻转不改变物体类别；但在文字识别、方向敏感的工业检测里，翻转会直接造出错误标签。颜色抖动对光照变化大的场景有帮助，但如果颜色本身就是判别依据（比如区分不同颜色的同类产品），抖动幅度就要收着。

裁剪和缩放也很讲究。随机裁剪再缩放回原尺寸，能让模型对位置和尺度变化更鲁棒，但如果裁得太狠，目标可能被裁掉一半甚至完全裁没，标签还是原来的，这就成了噪声。我的经验是裁剪比例下限控制在原图面积的六成以上，并且对目标占比较大的数据集适当放宽。

更进阶的混合类增强，比如把两张图按比例叠加、标签也按比例混合，能显著改善校准性和鲁棒性，但对训练轮数要求更高，小数据集上有时反而拖慢收敛。我的做法是先用基础增强把基线跑出来，确认模型没有明显过拟合，再逐步加混合类增强做对比，一次只改一个变量。

3.3 数据管道的工程细节

这部分最枯燥，但出问题最难查。第一个坑是归一化统计量。均值方差必须用训练集算，然后原封不动地应用到验证集和测试集。我见过有人图省事，对整个数据集算统计量，这等于把测试集信息泄漏进了训练过程，指标会虚高一点点，虽然影响不大，但属于原则性错误。

第二个坑是尺寸和通道处理。同一批数据里混着不同分辨率的图，不统一尺寸直接喂进网络会报错；统一尺寸时要注意插值方式，训练和推理必须一致，训练用双线性、推理用最近邻，结果会有偏差。灰度图要复制成三通道，带透明通道的图要去掉 alpha，否则通道数对不上。

第三个坑是文件本身的脏数据。损坏的图片、零字节文件、旋转方向元数据不一致的手机照片，这些在加载时才暴露，往往训练跑了一半才崩。我的习惯是训练前先跑一遍扫描脚本，把能正常解码的图筛出来，顺便统计尺寸分布和通道分布，花十分钟省掉后面几小时的排查。

4. 网络结构搭建与训练流程实操

4.1 从零搭一个小型CNN

我建议第一次上手就写一个五层以内的小网络，参数少、训练快、每一层的作用都看得见。下面这段是我笔记里的基线结构，输入 64×64 的三通道图，输出类别数可变：

import torch import torch.nn as nn class SmallCNN(nn.Module): def __init__(self, num_classes=10): super().__init__() self.features = nn.Sequential( nn.Conv2d(3, 32, 3, padding=1, bias=False), nn.BatchNorm2d(32), nn.ReLU(inplace=True), nn.Conv2d(32, 32, 3, padding=1, bias=False), nn.BatchNorm2d(32), nn.ReLU(inplace=True), nn.MaxPool2d(2), # 64 -> 32 nn.Conv2d(32, 64, 3, padding=1, bias=False), nn.BatchNorm2d(64), nn.ReLU(inplace=True), nn.Conv2d(64, 64, 3, padding=1, bias=False), nn.BatchNorm2d(64), nn.ReLU(inplace=True), nn.MaxPool2d(2), # 32 -> 16 nn.Conv2d(64, 128, 3, padding=1, bias=False), nn.BatchNorm2d(128), nn.ReLU(inplace=True), nn.AdaptiveAvgPool2d(1), # 任意尺寸 -> 1x1 ) self.classifier = nn.Linear(128, num_classes) def forward(self, x): x = self.features(x) x = torch.flatten(x, 1) return self.classifier(x)

几个细节解释一下。卷积层关掉偏置，是因为后面紧跟批归一化，归一化会减掉均值，偏置项被完全抵消，留着纯属浪费参数。激活用原地操作能省一点显存。最后用自适应平均池化而不是固定尺寸的池化，这样同一套权重可以接受不同分辨率的输入，推理时比较灵活。整个网络参数量算下来在十几万量级，单卡几分钟就能跑完一轮，非常适合做快速验证。

4.2 损失函数、优化器、学习率调度的选型逻辑

损失函数默认交叉熵。如果标签有噪声或者类别不平衡严重，可以给每个类设权重，权重按频率倒数的平方根来设比直接用倒数更稳，因为完全按倒数会给极少数类过大的权重，训练容易震荡。

优化器方面，我做对比实验的结论是：小数据集、快速验证阶段用自适应方法省心，默认学习率千分之一左右基本能跑；追求最终精度时，带动量的随机梯度下降配合余弦退火，往往能比自适应方法高零点几个点到一两个点，尤其是数据量充足的情况。原因是自适应方法在训练后期的有效学习率衰减不够平滑，容易停在比较尖锐的极小值附近。

学习率调度我用得最多的是先预热再余弦衰减：前几百步把学习率从很小的值线性升到峰值，避免训练初期梯度方向混乱把参数带偏；之后按余弦曲线平滑降到接近零。峰值学习率可以先用一小段数据做范围扫描，从很小的值开始指数增长，观察损失在哪个量级开始发散，取发散点往下三到十倍作为峰值。

optimizer = torch.optim.SGD(model.parameters(), lr=0.01, momentum=0.9, weight_decay=5e-4) scheduler = torch.optim.lr_scheduler.OneCycleLR( optimizer, max_lr=0.01, epochs=50, steps_per_epoch=len(train_loader), pct_start=0.1)

权重衰减这个参数容易被忽略，它等价于对参数做二范数正则，能抑制权重变得过大。用自适应方法时要注意，权重衰减和它在数学上并不完全等价，需要的话应该用解耦版本，否则正则强度会随自适应缩放而失真。

4.3 训练循环的写法与关键记录项

训练循环本身不复杂，但记录什么决定了你后面能不能快速定位问题。我每一轮至少记五项：训练损失、验证损失、验证准确率、当前学习率、梯度范数。前三项是常规，学习率用来核对调度是否按预期生效，梯度范数用来发现梯度爆炸或者消失——如果它在前几十步就飙到很大，说明初始化或者学习率有问题；如果一路趋近于零，说明网络太深或者激活饱和了。

for epoch in range(epochs): 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() grad_norm = torch.nn.utils.clip_grad_norm_(model.parameters(), 5.0) optimizer.step() scheduler.step() running_loss += loss.item() model.eval() correct, total, val_loss = 0, 0, 0.0 with torch.no_grad(): for images, labels in val_loader: images, labels = images.to(device), labels.to(device) outputs = model(images) val_loss += criterion(outputs, labels).item() correct += (outputs.argmax(1) == labels).sum().item() total += labels.size(0) print(f"epoch {epoch}: train {running_loss/len(train_loader):.4f} " f"val {val_loss/len(val_loader):.4f} acc {correct/total:.4f}")

两个实操提醒。第一，验证阶段务必用不计算梯度的上下文，否则显存占用会明显上升，还可能因为归一化层没切模式导致结果不稳。第二，训练损失报批次数平均还是样本数平均，前后保持一致就行，但最好统一成样本数平均，方便和验证损失横向比较。

4.4 迁移学习：什么时候该用预训练模型

判断标准其实就两条：数据量和任务相似度。数据量在一万张以下、且目标类别是自然图像里的常见物体，直接用预训练模型微调几乎总是比从零训练好，因为浅层的边缘和纹理特征本来就通用。数据量大到几十万张以上，从零训练就有竞争力了，甚至可能更好，因为预训练模型的归纳偏置未必匹配你的领域。

微调也有讲究。一开始应该冻结主干，只训练最后的分类头，等损失降下来再逐步解冻。解冻时给主干设置更小的学习率，通常是分类头的十分之一到百分之一，因为预训练权重已经接近一个好的解，大步长会把它破坏掉。批归一化的统计量在微调时要不要更新，取决于你的数据分布和预训练数据差多远：差得多就让它跟着更新，差得少就冻结住更稳。我在一次小样本任务里试过全程冻结归一化层，只微调最后两层，效果比全解冻好了一截，原因应该是小样本的批次统计量噪声太大。

5. 训练过程中的常见问题与排查实录

5.1 损失不降或震荡的排查顺序

遇到损失不降，别急着改结构，按这个顺序查，八成问题在前三步就能定位。第一步，用一个小批次做健全性检查：取十张图，关掉所有增强和正则，看模型能不能把这十张过拟合到接近零损失。如果连这都做不到，说明网络结构或者训练循环有根本问题，跟数据量、正则化都没关系。我遇到过数据标签从1开始编号、而交叉熵期望从0开始，导致标签越界被静默截断的情况，类别的对应关系全乱了，这种错误只能靠过拟合小批次暴露出来。

第二步，检查数据管道的输出。把一批图取出来反归一化、还原成图片看一眼，确认没有全黑、全白、通道错位或者标签错配。这一步看着傻，但真的有用，我曾经因为归一化均值方差写反了顺序，训练了三小时才发现输入是负值主导的。

第三步，看学习率。学习率过大表现为损失剧烈震荡甚至发散，过小表现为损失几乎不动。用一个很宽的区间做几次短跑，就能判断当前值是不是在合理范围。

第四步才轮到结构问题。层数过深、没有归一化、激活函数选错，都可能导致梯度传不回去。这时候看梯度范数最直接：前几层梯度接近零，就是梯度消失，加归一化或者换激活；梯度爆炸就加裁剪或者降学习率。

5.2 过拟合与欠拟合的区分与处理

判断标准很朴素：训练损失一直在降、验证损失先降后升，就是过拟合；两个都降不下去，就是欠拟合或者优化出了问题；两个都降得很好但验证准确率就是上不去，那多半是评估方式或者数据划分有问题。

过拟合的处理手段按性价比排序：先加数据增强，成本最低；再考虑权重衰减和丢弃法；还不行就减模型容量或者早停。早停是最直接的，但要注意别用验证损失最小值那一点去报告测试集结果，那同样是选择性偏差。

欠拟合反而少见，但新手常把它误判成过拟合。如果训练损失都降不到一个较低水平，加正则只会更糟。这时候应该加大模型容量、延长训练、提高学习率峰值，或者检查数据标注是否有大量错误。

注意：训练和验证的损失比较必须在同一套损失定义下做。有些人训练时用了带标签平滑的损失、验证时用原始交叉熵，两个数根本不可比，看着验证损失比训练低，其实是定义不同造成的假象。

5.3 常见问题速查表

这张表是我自己整理的，遇到问题时从上往下扫一遍，命中率还不错：

6. 评估、部署与持续迭代的几个坑

6.1 别只看准确率：混淆矩阵与分类报告

准确率只是一个汇总数，它掩盖了错误的结构。我习惯在验证完成后立刻输出混淆矩阵和每一类的精确率、召回率、F1。混淆矩阵能告诉你错误集中在哪几对类别之间，如果两类之间互相错得特别多，通常是它们的特征确实接近，要么补充更有区分度的数据，要么在损失里对这两类加权。分类报告则能暴露“某一类召回接近零”的情况，而这种问题在总体准确率上可能只体现为掉了两三个点，很容易被忽略。

还有一个指标值得关注：置信度和准确率的对应关系。模型给出的概率如果是0.9，那它这一类判断的准确率是不是真的接近九成？如果不是，说明模型过度自信，部署到需要按置信度做筛选的场景会出问题。改善方式包括标签平滑、温度缩放校准，或者用混合类增强训练。

6.2 部署时的预处理对齐问题

模型离线评估很好、上线就崩，十有八九是预处理没对齐。要逐项核对的清单包括：输入尺寸和缩放方式是否一致、均值方差的数值和顺序是否一致、通道顺序是RGB还是BGR、归一化是在0到1之间还是减均值除方差、是否做了中心裁剪而训练时用的随机裁剪。这些细节在训练脚本里是几行代码，在部署服务里可能分散在不同模块，非常容易错位。

我的做法是把预处理写成一个独立函数，训练和推理共用同一份代码，杜绝两边各写一遍。另外在服务里加一个启动自检：拿一张固定的测试图跑一遍推理，把输出的类别和置信度打印出来，和离线结果比对，数值差异超过阈值就报警。这个自检拦住过我不止一次配置错误。

6.3 结构定下来之后还能往哪走

基线跑通、指标稳定之后，提升方向大致几个。一是数据侧，补充难例、清理错标、针对混淆严重的类别做定向采集，收益通常比调模型大。二是训练策略侧，试更长训练配合更强增强、试不同的输入分辨率（分辨率提升对小目标帮助明显）、试测试时增强，把多尺度多裁剪的预测做平均。三是模型侧，换更强的骨干、加注意力模块、做模型集成。顺序上我一般按数据、策略、模型的优先级来，因为越往前投入产出比越高，而且改动风险小。

还有一件事值得提前做：把实验记录下来。每次只改一个变量，记录配置、指标和结论，哪怕只是一句话。我早期不做记录，两周后完全想不起来某个提升到底来自哪个改动，只能重跑一遍。后来用一个简单的配置文件加结果表格，虽然土，但省下的时间非常可观。

最后分享一个我自己反复验证过的小技巧：任何时候觉得模型“有点怪”，先别改代码，把一批训练数据和一个批次的预测结果可视化出来看看。我遇到的大部分疑难问题，答案都藏在某张被错误归一化的图、或者某个被错标的样本里，看一眼比读十遍代码管用。