企业官网建设流程全解析

项目名里的“卷神经网络”，其实是“卷积神经网络”（CNN）的笔误，国内不少教程里经常这么写。这个毕设核心很简单：用Python搭建一个卷积神经网络，输入风景图片，输出“夏季”或“冬季”。听起来就是二分类，但真要把它做到能答辩、能写进论文、能经得起导师追问，工序相当多。下面我把整套实现流程拆开，从数据准备到模型训练再到避坑，按实操顺序讲一遍。适合准备做图像分类方向毕业设计的同学，也适合想快速上手深度学习图像任务的初学者。实际做下来你会发现，这个题目比猫狗识别那种入门分类更有点意思，因为季节是一个“整体风格”概念。

1. 项目到底在做什么：需求拆解

1.1 为什么季节识别适合当毕设

很多人一看到“夏冬季节风景识别”就以为是个玩具级题目，其实不是。二分类确实是分类任务里最简单的一种，但真正难点在于：夏天和冬季并不是某个固定物体，而是大量视觉线索的叠加。比如夏天有绿树、蓝天、短袖人物、强烈光照；冬天有白雪、枯树、灰暗天空。这些特征叠加在一起人眼一眼能分辨，但机器看到的是像素矩阵，要从纹理、边缘、色彩分布里提取出“季节感”。

作为计算机专业的毕设，这个方向有几个天然优势：

• 技术路线完整，从数据清洗、增强、建模、训练到评估，每一步都有东西可写，论文结构好搭。
• 公开可用的图像资源比较多，靠爬虫和公开图片库能凑出规模可用的数据集。
• 结果可视化直观，随便拿两张图出来一比较，导师立刻知道你在做什么。
• 可以往多季节识别、天气识别、地域迁移等方向扩展，创新点容易找。

选课题时最怕的就是“难但做不完”和“简单但没工作量”。季节识别刚好卡在中间，只要按部就班做，完成度可以做得很高。而且它属于场景识别下的子方向，和自动驾驶、生态监测、智慧旅游都能扯上关系，写背景时不会尴尬。

1.2 功能需求和技术路线拆解

从用户视角看，这个项目只需要一个功能：给一张图，告诉我是夏天还是冬天。但从开发视角看，需求要写细：

功能性需求：支持批量训练、支持单张图片推理、能输出准确率和混淆矩阵、能保存和加载训练好的模型。

非功能性需求：训练时间可控，CPU也能跑通（虽然慢）、模型文件不能太大、代码结构清晰方便答辩演示。

根据这些需求，完整技术路线可以拆成四步：

1. 数据层：收集夏冬风景图片，清洗、标注、划分训练集和验证集。
2. 预处理层：统一图像尺寸、归一化、数据增强。
3. 模型层：设计卷积神经网络，或者加载预训练模型做迁移学习。
4. 训练评估层：设置损失函数、优化器、回调函数，训练后输出指标和可视化结果。

我在帮别人审这个题目时，见过不少人一上来就上大模型，结果数据量不够，训练了两天过拟合严重。正确做法是先跑通一个小模型，拿到一组baseline指标，再决定要不要上迁移学习。这个思路对毕设来说尤其重要，因为你永远不知道自己会在哪一步被卡住，先把流程走通，后面再优化才有底气。

1.3 开发环境与工具选型

环境方面，Python版本建议3.8以上，深度学习框架用TensorFlow 2.x配合keras接口，图像处理用OpenCV，数据划分和指标计算用scikit-learn，画图用matplotlib。这套组合现在仍然是最稳妥的方案，资料多、报错容易搜、代码示例多。

关于GPU，有小显存显卡更好，比如8GB显存就足够跑轻量CNN和迁移学习。如果没有GPU，CPU也能训练，只是时间会变长。一个小型CNN训练50个epoch，在主流CPU上可能要一两个小时，而GPU只要几分钟。如果你只有CPU，建议用128×128输入尺寸、浅层网络，同样能完成任务，只是精度略低。环境选型不用追求最新，稳定能跑最重要，我到现在仍然推荐TensorFlow 2.x而不是尝试不熟悉的框架，因为毕设时间太紧，折腾环境的时间和跑通模型的时间要分清。

2. 数据决定上限：数据集构建与预处理

2.1 图片从哪来，怎么清理

季节识别这类任务，最大的坑不在模型，而在数据。模型只是去拟合数据分布，如果数据里混入大量“看起来像夏天但其实是秋天”的图，模型会学得很乱。

数据来源无非三种：公开图像库、网络搜索爬取、自己拍或学生素材。毕设阶段最推荐的是公开可商用图片库，其次是爬虫程序批量抓取，但要注意版权和合规问题，答辩时说不清楚来源的图片最好别用。

收集规模上，每个类别至少1000张，理想是3000张以上。二分类数据集如果只有几百张，再用上数据增强，也能训练出可用的模型，但抗干扰能力会很差。我见过有人用400张图做季节识别，训练集准确率99%，验证集只有87%，这种结果拿到答辩现场容易被问住。

清洗图片是最耗时间的环节。解压下来后先写脚本剔除重复图、尺寸过小的图（比如小于200×200）、损坏图片和带大量文字的图片。然后人工从头到尾扫一遍，把标注错误的挪走。这一步不能省，因为网络爬虫会把很多水印图、表情包图、无关的新闻配图混进来。

提示：如果爬虫搜“winter forest”，会出现不少游戏中雪地场景或插画，这类图不删掉，模型会把“高饱和蓝色”也当成冬季特征，后期看到蓝天下雪图就会误判。

2.2 预处理和数据增强的正确姿势

原始图片尺寸不一致，必须统一resize。常见选择是224×224，因为很多预训练模型默认这个尺寸；也可以用128×128，训练速度更快。然后做归一化，直接把像素值除以255变成0到1区间，如果是迁移学习，最好按预训练模型要求的mean/std做标准化。

数据增强是毕设的关键加分项。用keras的ImageDataGenerator可以快速完成随机旋转、水平翻转、亮度调整、缩放等操作。代码很简洁：

import tensorflow as tf from tensorflow.keras.preprocessing.image import ImageDataGenerator IMG_SIZE = 224 BATCH_SIZE = 32 datagen = ImageDataGenerator( rescale=1.0/255, rotation_range=10, width_shift_range=0.1, height_shift_range=0.1, horizontal_flip=True, brightness_range=[0.8, 1.2], fill_mode='nearest' )

注意一点：夏冬识别中颜色是核心线索，色彩变换类增强（比如hue、saturation的大幅扰动）要克制。你把雪的白色随机偏成黄色，模型就会困惑。我一般只用亮度扰动，旋转和翻转都可以安全使用，因为风景图不怕旋转，但如果你用的图片里有人物背影，水平翻转会影响人物朝向，这都不是大问题。

增强的强度要循序渐进。先跑一个基准模型，看看增强前后验证集指标变化。如果默认增强让训练集准确率掉到95%以下，说明增强太狠，适当回退。

2.3 目录划分和标签设计

数据目录结构用分类文件夹方式最简单：

dataset/ training/ summer/ 001.jpg 002.jpg winter/ 001.jpg 002.jpg validation/ summer/ 003.jpg winter/ 003.jpg

keras的flow_from_directory可以直接读这种结构，自动生成one-hot标签。划分数据集时用Scikit-learn的train_test_split按比例切分，或者手动移动到不同目录。切分时务必打乱，避免把同一来源、同一个相册的几十张图全部分到验证集。

标签上，二分类可以用整数编码0和1，也可以one-hot成[1,0]和[0,1]。用flow_from_directory默认是categorical，配合model输出2个节点用softmax。如果只有两类，直接用sigmoid配合binary_crossentropy也完全可以，效果差别不大。

注意：训练集、验证集、测试集要严格分开。很多人为了省事只划分训练集和验证集，测试时又拿验证集图片，得到98%的准确率就高兴得不行。答辩时老师一旦抽查发现评价指标来自验证集，整个实验的可信度直接崩盘。

3. 模型设计：从自搭CNN到迁移学习

3.1 一个能跑通的轻量卷积网络

自搭CNN的好处是可控性高，每一层含义都能讲清楚，答辩时不心虚。针对夏冬风景识别，一个三层卷积的网络完全够用。下面这个结构是经过简化的，兼顾精度和训练速度：

from tensorflow.keras.models import Sequential from tensorflow.keras.layers import (Conv2D, MaxPooling2D, Flatten, Dense, Dropout, BatchNormalization) model = Sequential([ Conv2D(32, (3, 3), activation='relu', padding='same', input_shape=(224, 224, 3)), BatchNormalization(), MaxPooling2D(pool_size=(2, 2)), Conv2D(64, (3, 3), activation='relu', padding='same'), BatchNormalization(), MaxPooling2D(pool_size=(2, 2)), Conv2D(128, (3, 3), activation='relu', padding='same'), BatchNormalization(), MaxPooling2D(pool_size=(2, 2)), Flatten(), Dense(256, activation='relu'), Dropout(0.5), Dense(2, activation='softmax') ]) model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy'])

网络为什么这么设计？第一层卷积核数量少，结构简单，提取边缘和颜色块；第二层开始提取纹理；第三层提取更抽象的语义特征。BatchNormalization在每层卷积后加，能加速收敛，防止死区，实际使用中对准确率提升非常明显。Dropout放在全连接层前，是抑制过拟合的常规操作。

224×224输入经过三次池化后，特征图尺寸变成28×28×128。如果不做Flatten直接接全连接，参数量会很大，这就是我下一节要重点讲的问题。

3.2 参数量为什么要控制

先算一笔账。上面模型如果直接用Flatten，展平层输入是28×28×128=100352个值，接到256个神经元的全连接，参数量是100352×256+256≈2570万。这个数字比三个卷积层加起来多了两个数量级。大量参数需要大量数据去拟合，如果数据集只有两三千张，很容易过拟合。

解决办法是用全局平均池化（GlobalAveragePooling2D）代替Flatten和Dense层。它的原理很简单：每个特征图取一个平均值，28×28×128直接压缩成128维向量，再接到分类层。这样参数量一下降到几乎可以忽略。

from tensorflow.keras.layers import GlobalAveragePooling2D model = Sequential([ Conv2D(32, (3, 3), activation='relu', padding='same', input_shape=(224, 224, 3)), BatchNormalization(), MaxPooling2D(pool_size=(2, 2)), Conv2D(64, (3, 3), activation='relu', padding='same'), BatchNormalization(), MaxPooling2D(pool_size=(2, 2)), Conv2D(128, (3, 3), activation='relu', padding='same'), BatchNormalization(), GlobalAveragePooling2D(), Dropout(0.5), Dense(2, activation='softmax') ])

池化本身没有可学习参数，所以总参数量从2600万级别变成万级别。收敛更快，而且不容易过拟合。这是我在实际项目中强烈推荐的做法。很多教材还在用全连接，但毕设里控制参数量是硬道理。

3.3 换用预训练模型提升精度

如果你自搭CNN验证集准确率卡在90%左右，不要硬卷，用迁移学习提分最快。所谓迁移学习，就是加载一个在公开大图上训练好的模型（比如残差网络），把它在前面的卷积层当成一个健壮的特征提取器，只训练最后接上的分类层。

用TensorFlow实现很简洁：

import tensorflow as tf from tensorflow.keras.applications import ResNet50 from tensorflow.keras.layers import GlobalAveragePooling2D, Dense, Dropout from tensorflow.keras.models import Model base_model = ResNet50(weights='imagenet', include_top=False, input_shape=(224, 224, 3)) base_model.trainable = False x = base_model.output x = GlobalAveragePooling2D()(x) x = Dropout(0.3)(x) out = Dense(2, activation='softmax')(x) model = Model(inputs=base_model.input, outputs=out) model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy'])

注意冻结了base_model.trainable = False，这一步是为了让预训练权重不会被破坏。你在最前面几层只需学“夏冬”是什么，而不用重新学“边缘怎么检测”。等训练几轮后，如果还想进一步提升，可以把后面几层卷积解冻，用很小的学习率微调，但毕设阶段通常不需要。

用迁移学习后，数据量只有1500张/类也能达到95%以上准确率。我测试过自搭CNN和迁移学习在同一个数据集上的差距，自搭最好能到92%，迁移轻松上97%。所以如果你时间有限，直接用迁移学习打底，把注意力放在数据处理和分析上，性价比最高。

3.4 损失函数、优化器与评价指标

损失函数用交叉熵。用softmax输出时，损失函数用categorical_crossentropy；用sigmoid输出时，损失函数用binary_crossentropy。两种都可以，但注意标签编码要和损失函数对应。

优化器无脑选Adam，初始学习率设0.001。训练后期如果指标不再提升，再考虑学习率衰减。评价指标不能只看准确率。二分类均衡数据集下准确率够用，但夏冬图片分布往往不均衡，比如冬季图片可能比夏季少。只看准确率可能掩盖模型对少数类的偏见。建议额外计算精确率、召回率、F1值，还要看混淆矩阵。如果模型把很多夏季图判成冬季，要看召回率是否偏斜。

我常用的评估代码片段：

from sklearn.metrics import classification_report, confusion_matrix, ConfusionMatrixDisplay import matplotlib.pyplot as plt y_pred = model.predict(validation_generator) y_pred_labels = np.argmax(y_pred, axis=1) print(classification_report(validation_generator.classes, y_pred_labels)) cm = confusion_matrix(validation_generator.classes, y_pred_labels) ConfusionMatrixDisplay(cm).plot() plt.show()

4. 训练过程中的调参与复盘

4.1 训练环境与回调函数

正式训练前，先把当时的实验条件记录下来：什么版本框架、什么显卡、随机种子多少、数据集划分方式是什么。这些看起来琐碎，但一旦效果不好要回溯时，能救你命。

训练脚本里建议加三个回调：早停、模型保存、学习率下降。代码如下：

from tensorflow.keras.callbacks import EarlyStopping, ModelCheckpoint, ReduceLROnPlateau callbacks = [ EarlyStopping(monitor='val_loss', patience=10, restore_best_weights=True), ModelCheckpoint('best_weights.h5', monitor='val_accuracy', save_best_only=True), ReduceLROnPlateau(monitor='val_loss', factor=0.5, patience=4, min_lr=1e-6) ] history = model.fit( train_generator, validation_data=validation_generator, epochs=50, callbacks=callbacks, verbose=1 )

早停的patience是“多少轮没提升就停”。10轮比较稳妥，既不会太早停止，也不会浪费时间。ModelCheckpoint保存验证集上最好的模型，训练完加载它，防止最后几轮过拟合导致权重变差。ReduceLROnPlateau是当loss卡住时自动把学习率减半，这是比死等更好的策略。

4.2 训练曲线怎么读

训练结束后，把loss和accuracy曲线画出来，这一步不能省。一方面是因为答辩PPT里要有图，另一方面是只有看曲线才能判断模型状态。

典型健康曲线是：前10轮训练准确率从50%迅速到90%，验证集准确率同步上升；20轮后增速放缓；最终训练准确率97%，验证准确率95%左右，两条曲线没有出现明显分叉。

如果训练准确率很高，但验证准确率不涨，甚至反向下跌，这就是典型的过拟合。解决办法：增加数据增强强度、增大Dropout概率到0.6、减少网络层数、或者换迁移学习做特征冻结。

如果训练准确率都不高，说明模型容量不够或学习率太大。这时先看loss有没有震荡：如果loss上下乱跳，降低学习率；如果loss平稳但准确率卡在70%，说明网络学不到特征，换更深一点的网络或加预训练模型。

4.3 超参数调整实操

调参不要拍脑袋，一次只调一个变量。比如先固定batch size=32，学习率0.001，跑一个baseline。然后把学习率降到0.0003，看验证集会不会提升。再把batch size改成64，观察是否有那么明显。每改一次就记录一次实验表：

这里有个经验：batch size增大一般会带来更稳定的梯度，但显存不够时不要硬顶。图像是224×224时，batch 32对8GB显存基本够用。如果显存不够，可以把输入尺寸降到160×160，效果损失不大，但显存占用小很多。

5. 常见问题与排查技巧实录

5.1 数据处理阶段的高频问题

图片路径报错。很多人把数据集放在中文路径下，TensorFlow读取时容易出问题。方案是项目根目录用英文路径，图片命名用数字编号。

图片是单通道灰度图。爬虫会混入灰度图，模型输入要求三通道，直接训练会报错。在读取阶段统一转成RGB：

img = cv2.imread(path) if img.ndim == 2: img = cv2.cvtColor(img, cv2.COLOR_GRAY2RGB)

图片损坏。有的文件后缀是.jpg但实际内容损坏，用cv2.imread返回None，训练时崩。写脚本先扫描一遍，遇到None直接删掉。

数据分布串味。这是最隐蔽的问题：你抓取“森林夏天”，结果图里出现了雪山的蓝白色块，模型会误把蓝色当冬天。清洗时多留个心眼。我实际处理时发现，网络图片里备注“winter”的图有大概5%根本就不是冬天，这5%会在训练时产生不小的噪声。

5.2 训练阶段的高频问题

训练到一半loss变成NaN。原因通常是学习率太大了，或者数据里有异常值。先降低学习率到0.0001，确认数据归一化正确，再检查标签是不是有缺失。

验证集准确率一直不涨。大概率是标签错乱，比如训练集和验证集目录里类别放反了。打开几张图人工确认一下。我踩过一次，夏季目录里有雪景，验证集里又有夏季图被错标，模型学到的和验证的不是一回事，准确率自然上不去。

显存不足。报错类似于“Resource exhausted”。减小batch size，降输入尺寸，或者减少模型通道数。不要为了凑batch size把图强拉到更大，得不偿失。

模型保存再加载后预测不对。往往是你训练时用flow_from_directory生成了图像增强，但推理时没有做同样预处理。比如训练时rescale=1/255，推理时却直接塞原生图，输出概率就会偏移。推理前务必把预处理步骤复制过来。

5.3 推理演示阶段的高频问题

毕设答辩通常要现场演示。我最推荐写一个简单的推理脚本，支持命令行输入图片路径，然后打印预测结果和置信度。这比花时间做个网页端更实惠，因为演示时容易出bug，命令行脚本出错概率小很多。

带界面演示时，最常出错的是图片上传后报尺寸不对。解决方法是把推理接口封装成一个函数，内部必须完成resize -> 归一化 -> batch维度扩展 -> 预测。以下是一个可以直接抄的小函数：

import numpy as np import cv2 import tensorflow as tf def predict_image(model, image_path, img_size=224): img = cv2.imread(image_path) img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB) img = cv2.resize(img, (img_size, img_size)).astype('float32') img = img / 255.0 img = np.expand_dims(img, axis=0) prob = model.predict(img, verbose=0)[0] label = '夏季' if np.argmax(prob) == 0 else '冬季' return label, max(float(prob[0]), float(prob[1]))

6. 关于这个项目的一些个人体会

我也不是第一次做图像分类，但这个题目让我印象很深，因为“季节”这种视觉概念比“猫狗”抽象得多。前期数据清洗阶段，我花了整整两个晚上，最后模型效果大幅度提升的并不是换更深的网络，而是把数据里的错误标签清掉了。这个收获很朴素：深度学习的上限其实是数据质量。

如果你打算做类似毕设，我的建议是先保证数据干净，再关心模型结构。一个小技巧是训练完不要把模型丢一边，选几张代表性的夏冬图片，把最后一层卷积特征图可视化出来看看。比如冬季图片的激活区域是否集中在有雪的部分，夏季图中的绿色区域是否被激活。这个可视化既能帮你分析模型，又是答辩时很能展示的素材。季节识别这个方向后续想扩展也很容易，把二分类改成四分类，加入春秋，或者用回归模型预测季节转变时间，都能变成新的课题。但前提是把基础流程做扎实，而不是急着堆噪和炫技。这大概就是那年我做这个项目最大的感受：深度学习不是堆出来的，是抠细节抠出来的。