简介这份资源是面向计算机相关专业学生的数字图像处理课程设计完整项目包聚焦图像细粒度分类任务基于经典数据集CUB-200-2011实现适合正在准备期末大作业或需要项目实战练习的学习者参考。压缩包共14个文件约4.76MB包含4个Python源码文件、3份PDF讲解与报告、2个说明文本以及演示文稿、Word文档、迁移学习模型文件、Markdown说明和效果图各一份覆盖从数据预处理、模型构建到结果展示的完整流程。项目围绕细粒度分类展开涉及迁移学习与BCNN等方案配套报告和幻灯片可用于理解实验设计与结论分析源码经过调试可直接运行。目前已有280人学习下载可作为课程作业的参考模板帮助读者快速理清细粒度图像分类的实现思路、掌握数据集组织方式与模型训练要点并借助现成文档完成实验复现与报告撰写。1. 从一次 95 分大作业说起CUB-200-2011 细粒度分类到底难在哪数字图像处理大作业选图像细粒度分类十有八九会撞上 CUB-200-2011。这个数据集有 200 种鸟、11788 张图看着不大但真正动手才发现同一属的鸟长得几乎一样不同姿态、背景、光照又千差万别普通 CNN 直接训准确率卡在 60% 上下上不去。细粒度分类的核心矛盾在于——类间差异极小类内差异极大。它不像猫狗分类那样特征分明而是要求模型去抓喙形、翼纹、尾羽这些局部判别区域。这也是为什么大作业想拿高分不能只堆一个 ResNet 就交差得在数据增强、注意力机制、损失函数上做出可解释的改进。这篇笔记面向正在做数字图像处理大作业、想冲 95 分以上的同学也面向刚接触 CUB-200-2011 数据集下载和细粒度分类的从业者把从环境搭建到涨点的完整路径拆开讲清楚每一步都能复现。2. CUB-200-2011 数据集拆解与细粒度分类的选型逻辑2.1 数据集结构别只会读 images 文件夹CUB-200-2011 的目录结构比想象中复杂很多人第一次解压后只看到images/就以为完事了结果训练时找不到标签。完整结构包含images/、parts/、attributes/、train_test_split.txt、image_class_labels.txt、classes.txt等文件。其中parts/记录了 15 个部件关键点喙、眼睛、尾巴等的坐标attributes/有 312 个二值属性标注。这些额外标注正是细粒度分类涨点的关键素材不用就浪费了。文件/目录内容典型用途images/11788 张 JPG 图像主干输入train_test_split.txt每张图的 train/test 标记官方划分必须用image_class_labels.txt图像到类别 ID 映射监督标签classes.txt类别 ID 到鸟名映射结果可读化parts/part_locs.txt15 个部件坐标注意力监督、裁剪attributes/class_attribute_labels_continuous.txt312 维属性辅助任务、特征增强常见做法是先用官方划分不要自己随机切分否则和论文结果没法对齐。我一般会写一个解析脚本把路径、标签、划分一次性读进 DataFrame后面取数据直接查表。import os import pandas as pd DATA_ROOT CUB_200_2011 def load_metadata(root): # 读取官方训练/测试划分 split pd.read_csv(os.path.join(root, train_test_split.txt), sep , headerNone, names[img_id, is_train]) # 读取图像到类别的映射 labels pd.read_csv(os.path.join(root, image_class_labels.txt), sep , headerNone, names[img_id, class_id]) # 读取图像路径 paths pd.read_csv(os.path.join(root, images.txt), sep , headerNone, names[img_id, path]) df paths.merge(labels, onimg_id).merge(split, onimg_id) df[abs_path] df[path].apply(lambda p: os.path.join(root, images, p)) return df meta load_metadata(DATA_ROOT) train_df meta[meta[is_train] 1].reset_index(dropTrue) test_df meta[meta[is_train] 0].reset_index(dropTrue) print(len(train_df), len(test_df)) # 5994 5794这段代码的关键点sep 是因为官方文件用空格分隔img_id是唯一键三个文件靠它对齐class_id从 1 开始后面做标签映射时要减 1。参数上唯一需要注意的是路径拼接images.txt里的路径已经带了类别前缀直接拼images/即可。2.2 为什么选 CUB-200-2011 而不是别的细粒度数据集细粒度分类常见数据集有 CUB-200-2011、Stanford Cars、FGVC-Aircraft。CUB 的优势在于类别数适中200 类标注最丰富部件点 属性图像数量在单卡可训范围内。Stanford Cars 只有类别标签FGVC-Aircraft 更偏工程。对于数字图像处理大作业CUB 既能体现传统图像处理如 SIFT、颜色直方图的对比又能接深度学习评分维度好写。选型上主干网络我一般推荐 ResNet-50 或 ViT-B/16。ResNet-50 在 224 输入下CUB 上不加任何技巧大约 75% 左右ViT-B/16 预训练后能到 88% 以上但显存要求高。如果大作业时间紧ResNet-50 注意力模块是性价比最高的路线。不要一上来就上 EfficientNet 或 ConvNeXt调参成本高收益在 CUB 这种小数据集上不一定明显。2.3 细粒度分类的三个技术抓手细粒度分类涨点无非三个方向更强的局部特征、更强的监督信号、更强的数据增强。局部特征对应注意力机制和部件裁剪监督信号对应属性预测、对比学习、中心损失数据增强对应 CutMix、RandAugment、MixUp。大作业里不需要全上选两个做消融就能写出漂亮的分析。我一般会先跑一个基线记录准确率然后逐个加模块每次只改一个变量。这样最后报告里能画出清晰的消融表评分老师一看就知道你懂控制变量。基线建议用 ResNet-50 标准交叉熵 随机裁剪翻转训练 60 epoch学习率 0.001余弦退火。3. 从零跑通基线环境、训练脚本与第一个准确率数字3.1 环境搭建与依赖版本环境不复杂但版本要对齐。PyTorch 1.12 以上、torchvision 0.13 以上即可。CUDA 版本根据显卡走30 系卡建议 CUDA 11.6 以上。不要用太新的 PyTorch 2.x 配旧版 torchvision容易在transforms上翻车。conda create -n cub python3.9 -y conda activate cub pip install torch1.13.1 torchvision0.14.1 --index-url https://download.pytorch.org/whl/cu117 pip install pandas pillow numpy tqdm tensorboard参数说明python3.9是兼容性最好的版本cu117对应 CUDA 11.7如果显卡驱动较老换成cu113。装完用torch.cuda.is_available()验证返回 False 就先查驱动别急着改代码。3.2 数据加载与增强管道CUB 图像尺寸不一训练时统一 resize 到 256 再随机裁剪 224测试时 resize 到 256 中心裁剪 224。增强用 RandomHorizontalFlip、ColorJitter、RandAugment。注意 RandAugment 在细粒度任务上要慎用过强的颜色扰动会破坏羽毛纹理我一般把 magnitude 设成 5 而不是默认 9。from torchvision import transforms train_tf transforms.Compose([ transforms.Resize(256), transforms.RandomCrop(224), transforms.RandomHorizontalFlip(), transforms.ColorJitter(0.2, 0.2, 0.2), transforms.ToTensor(), transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225]) ]) test_tf transforms.Compose([ transforms.Resize(256), transforms.CenterCrop(224), transforms.ToTensor(), transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225]) ])逻辑说明Normalize 的均值方差用 ImageNet 的因为主干是 ImageNet 预训练。ColorJitter 的 0.2 是经验值再高会掉点。测试管道不能加任何随机操作否则每次评估结果都在抖没法比较。3.3 训练循环与第一个基线数字训练脚本核心就三件事前向、算损失、反向。但细粒度任务要注意标签平滑CUB 类别间有相似性硬标签容易过拟合。我一般用 label smoothing 0.1。import torch import torch.nn as nn from torch.utils.data import DataLoader from torchvision.models import resnet50 model resnet50(pretrainedTrue) model.fc nn.Linear(2048, 200) # CUB 共 200 类 model model.cuda() criterion nn.CrossEntropyLoss(label_smoothing0.1) optimizer torch.optim.AdamW(model.parameters(), lr1e-3, weight_decay1e-4) scheduler torch.optim.lr_scheduler.CosineAnnealingLR(optimizer, T_max60) for epoch in range(60): model.train() for imgs, labels in train_loader: imgs, labels imgs.cuda(), labels.cuda() optimizer.zero_grad() out model(imgs) loss criterion(out, labels) loss.backward() optimizer.step() scheduler.step()参数说明lr1e-3配 AdamW 是预训练微调的常用起点weight_decay1e-4防过拟合T_max60要和总 epoch 一致。跑完 60 epochResNet-50 基线在测试集上大约 75% 到 78%具体看随机种子。如果低于 70%先查标签映射有没有错位这是最常见的翻车点。4. 涨点实战注意力模块、部件监督与损失函数改造4.1 插入 CBAM 注意力代码与参数CBAM 是通道注意力加空间注意力轻量且好插。在 ResNet 的每个 Bottleneck 后面加一个 CBAM参数量增加不到 1%但 CUB 上能涨 2 到 3 个点。实现时注意通道注意力的 reduction ratio 设 16空间注意力卷积核设 7。class CBAM(nn.Module): def __init__(self, channels, ratio16, kernel7): super().__init__() self.avg_pool nn.AdaptiveAvgPool2d(1) self.max_pool nn.AdaptiveMaxPool2d(1) self.mlp nn.Sequential( nn.Linear(channels, channels // ratio), nn.ReLU(), nn.Linear(channels // ratio, channels) ) self.spatial nn.Conv2d(2, 1, kernel, paddingkernel // 2) def forward(self, x): b, c, _, _ x.size() avg self.mlp(self.avg_pool(x).view(b, c)) max_ self.mlp(self.max_pool(x).view(b, c)) attn torch.sigmoid(avg max_).view(b, c, 1, 1) x x * attn sp torch.cat([x.mean(1, keepdimTrue), x.max(1, keepdimTrue)[0]], dim1) sp torch.sigmoid(self.spatial(sp)) return x * sp逻辑说明通道注意力先全局池化再过两层 MLP把通道重要性算出来空间注意力在通道维度上做平均和最大拼成两通道再卷积。参数上ratio16是原论文默认kernel7也是默认不要随意改改了要重新调。插入位置建议在每个 stage 的最后一个 Bottleneck 之后不要每个都插否则显存和耗时都上去。4.2 用部件标注做辅助监督CUB 的part_locs.txt给了 15 个部件坐标可以生成部件热图作为辅助监督。做法是把部件坐标转成高斯热图用一个轻量分支预测热图和主分类损失加权求和。这样模型会被迫关注判别区域而不是背景。def make_gaussian_heatmap(h, w, cx, cy, sigma8): # 生成单部件高斯热图 yy, xx torch.meshgrid(torch.arange(h), torch.arange(w)) heat torch.exp(-((xx - cx) ** 2 (yy - cy) ** 2) / (2 * sigma ** 2)) return heat # 辅助损失权重建议 0.3主损失权重 1.0 loss cls_loss 0.3 * part_loss参数说明sigma8控制热图范围太大就糊成一片太小就退化成点监督。辅助损失权重从 0.1 到 0.5 试0.3 通常最稳。注意部件坐标是原图坐标要先按 resize 和 crop 的变换矩阵映射到特征图尺度这一步容易错建议可视化几张热图确认。4.3 损失函数改造中心损失与对比学习交叉熵只要求类间可分不要求类内紧凑。细粒度任务加中心损失能让同类特征聚拢。中心损失实现简单给每个类维护一个中心向量损失是特征到对应中心的距离平方。class CenterLoss(nn.Module): def __init__(self, num_classes, feat_dim): super().__init__() self.centers nn.Parameter(torch.randn(num_classes, feat_dim)) def forward(self, features, labels): centers self.centers[labels] loss ((features - centers) ** 2).sum(dim1).mean() return loss # 总损失 交叉熵 0.005 * 中心损失参数说明中心损失的权重不能大0.005 到 0.01 之间大了会破坏分类边界。中心向量用nn.Parameter注册优化器要单独给它一个学习率通常 0.5 或 0.1。如果不想维护两套优化器用对比学习如 SupCon替代也行但训练时间会翻倍大作业时间紧就选中心损失。5. 避坑与排查CUB-200-2011 训练中最容易翻车的五件事5.1 准确率卡在 1% 不动现象训练几个 epochloss 不降准确率接近随机。原因标签映射错位class_id从 1 开始直接当 0 索引用导致所有标签偏移一位。解决读标签时统一减 1或者用LabelEncoder重新编码训练前打印几个 batch 的标签和图像路径核对。5.2 验证集准确率远高于测试集现象自己切了验证集准确率 90%官方测试集只有 70%。原因没有用官方train_test_split.txt自己随机切分导致同张图的不同姿态分到了两边数据泄漏。解决严格按官方划分验证集从训练集里再切 10%不要动测试集。5.3 显存溢出但 batch size 已经很小现象batch size 降到 8 还是 OOM。原因CUB 图像 resize 到 256 后如果忘了在 DataLoader 里设pin_memory和num_workers数据加载慢GPU 利用率低但显存被中间特征占满。解决检查模型是否在eval模式下还保留了梯度用torch.no_grad()包住验证另外把num_workers设成 4 到 8pin_memoryTrue。5.4 数据增强过强导致掉点现象加了 RandAugment 后准确率反而降了 3 个点。原因细粒度分类依赖颜色和纹理过强的颜色扰动和旋转破坏了判别特征。解决把 RandAugment 的 magnitude 从 9 降到 5去掉 RandomRotation保留水平翻转和轻微 ColorJitter。5.5 注意力模块加了没效果现象插了 CBAM准确率没变甚至降了。原因插入位置不对或者学习率没重新调。注意力模块刚插入时随机初始化会干扰预训练特征。解决把注意力模块的初始学习率设成主干的 10 倍先冻结主干训 5 个 epoch 再解冻插入位置选在每个 stage 末尾不要插在第一个卷积后。6. 冲 95 分的进阶技巧部件裁剪推理与模型集成6.1 部件裁剪推理把注意力变成硬裁剪训练时用热图监督是软注意力推理时可以用部件坐标做硬裁剪把鸟的头部、身体、尾巴分别裁出来各跑一次模型再融合 logits。这个技巧在 CUB 上能再涨 2 到 3 个点而且实现不复杂。def part_crop_inference(model, img, part_coords, crop_size96): # part_coords: 15 个部件坐标列表 logits_list [] for (cx, cy) in part_coords: x1, y1 max(0, cx - crop_size // 2), max(0, cy - crop_size // 2) crop img[:, :, y1:y1 crop_size, x1:x1 crop_size] crop torch.nn.functional.interpolate(crop, size(224, 224)) logits_list.append(model(crop)) # 全局图 部件图 logits 平均 global_logits model(img) return (global_logits torch.stack(logits_list).mean(0)) / 2参数说明crop_size96是经验值太小丢上下文太大退化成全局。融合方式用平均即可加权平均需要调权重大作业里平均足够。注意部件坐标要按原图到输入的变换映射否则裁出来是背景。6.2 模型集成ResNet 加 ViT 的性价比单模型到 90% 左右后集成是最后的涨点手段。ResNet-50 和 ViT-B/16 的预测相关性低集成效果最好。做法是各自训到收敛推理时 softmax 后平均。如果显存不够用 ResNet-50 和 ResNet-101 集成也能涨 1 个点。方案单模型准确率集成后训练成本ResNet-50 CBAM82%—低ViT-B/1688%—高两者集成—91%高ResNet-50 部件裁剪85%—中全部叠加—93%高表格里的数字是常见区间具体看训练细节。大作业如果时间只够跑一个模型优先把部件裁剪推理做扎实比换主干划算。6.3 一个我踩过的坑别在最后一天换主干我做过一次大作业基线 ResNet-50 跑到 80%觉得不够高最后三天换成 ViT结果预训练权重加载出错学习率没调好最终只跑到 76%还不如基线。血泪经验是主干在前期定好后期只加模块和推理技巧。换主干意味着重新调参时间成本远超收益。如果非要换至少留一周。验证方法上我习惯每加一个模块就跑三次不同随机种子取平均单次结果波动可能有 1 个点别被一次数字骗了。最后交报告时把消融表、混淆矩阵、部件热图可视化都放上评分老师看的就是你的分析过程不是单纯一个准确率数字。希望帮到你。本文还有配套的精品资源点击获取