尧图网页设计 
简介这是一套面向计算机、人工智能、自动化等专业学生与教师的Python垃圾分类系统毕业设计完整源码包附带部署指南适合作为期末课程设计、大作业或毕设参考也便于基础较好的学习者在此基础上二次修改与功能扩展。资源共126个文件压缩包约66.06MB涵盖20个Python脚本、13个Jupyter Notebook、12个Vue前端组件、18张运行截图及json、html、sqlite3数据库等配置与数据文件另含onnx模型、Dockerfile与yaml部署配置前后端与深度学习模块结构完整。项目经调试测试可正常运行答辩评审分达98分参考价值较高。目前已有104人学习下载。读者可获得可运行的垃圾分类识别系统源码、模型文件、数据库与部署说明并借助截图与文档快速理解目录结构与模块划分为毕设选题、答辩演示与后续优化提供直接参考。1. 从一份 98 分毕设拆起这套 Python 垃圾分类系统到底能跑出什么如果你正在为计算机、人工智能或自动化方向的毕业设计发愁大概率刷到过「基于 Python 的垃圾分类系统」这个题目。它火不是没道理数据集公开、模型成熟、界面好做答辩时还能现场演示评委一看就知道你动手了。但真正让人翻车的地方从来不是模型本身而是拿到一份源码之后——环境装不上、权重加载失败、前端页面白屏、答辩老师问一句「你这模型准确率怎么来的」就卡壳。这份资源就是冲着这些痛点来的一套经过调试、能直接跑起来的 Python 垃圾分类系统源码外加一份部署指南配套还有参考报告和课程实践模板。它适合三类人想快速搭出可演示系统的毕设党、想拿现成工程练手 Python 与深度学习的新手、以及需要课程大作业素材的老师或从业者。下面我不讲空话直接按「这套东西是什么 → 怎么把它跑起来 → 哪里最容易翻车 → 怎么改出高分」的顺序拆给你看。2. 源码结构与技术栈先看清这套 Python 垃圾分类系统由什么组成拿到一个压缩包最忌讳的就是双击main.py然后祈祷它能跑。先花十分钟把目录结构和依赖关系摸清楚后面能省下好几个小时的排错时间。这套垃圾分类系统的工程组织是典型的「模型推理 Web 展示」两层结构理解了这个分层你就知道每一块该在哪里改。2.1 从文件清单反推工程分层从资源里的文件分布能看出几个关键信号.browserslistrc、semantic.css、semantic.min.css说明前端用的是 Semantic UI 框架不是随便糊的静态页Dockerfile说明作者考虑过容器化部署这对答辩时「换台电脑能不能跑」这个问题是加分项.editorconfig和.gitignore说明代码经过了版本管理不是一次性拼凑的。参考报告和课程实践模板则是答辩文档的底子。常见的目录分层大致是这样project/ ├── app.py # Web 入口Flask 或 FastAPI ├── model/ # 模型定义与权重文件 │ ├── net.py # 网络结构 │ └── best.pth # 训练好的权重 ├── static/ # 前端静态资源 │ ├── css/ │ └── js/ ├── templates/ # HTML 模板 ├── utils/ # 预处理、推理封装 ├── requirements.txt # 依赖清单 └── Dockerfile # 容器构建脚本这个分层不是摆设。model/负责「识别是什么垃圾」app.py负责「把识别结果传给页面」static/和templates/负责「让人看到」。你改模型精度只动model/改交互只动前端互不干扰。2.2 依赖清单与 Python 版本选择requirements.txt是这套源码能不能跑起来的第一道关卡。深度学习项目最怕的就是版本冲突尤其是 PyTorch 和 torchvision 的版本必须匹配否则加载权重时会报RuntimeError: Error(s) in loading state_dict。我一般会先确认三件事检查项命令期望结果Python 版本python --version3.8 ~ 3.10 之间pip 版本pip --version不低于 21.0显卡驱动nvidia-smi有输出则可用 GPUPython 版本不建议用 3.11 以上很多老版本的 PyTorch 轮子没有对应构建装到一半会卡在编译。如果requirements.txt里写的是torch1.13.1那就老老实实装这个版本别自作主张升到最新。# 创建独立虚拟环境避免污染全局 python -m venv venv # 激活环境Windows venv\Scripts\activate # 激活环境Linux / macOS source venv/bin/activate # 按清单安装依赖 pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple这里加-i指定国内镜像源是血泪经验默认源在晚高峰下载几百兆的 torch 能让你等到怀疑人生。装完之后用pip list核对一下 torch、torchvision、flask、pillow 这几个核心包是否都在版本号是否和清单一致。2.3 模型推理链路从一张图片到分类结果这套系统的核心推理链路其实不复杂但每一步都有坑。典型流程是用户上传图片 → 后端保存临时文件 → 预处理缩放、归一化、转 Tensor→ 送入模型 → 取最大概率类别 → 返回前端展示。import torch from torchvision import transforms from PIL import Image # 预处理管道参数必须和训练时一致 transform transforms.Compose([ transforms.Resize((224, 224)), # 尺寸对齐训练输入 transforms.ToTensor(), # 转 Tensor 并归一化到 [0,1] transforms.Normalize( # 均值方差对齐 ImageNet mean[0.485, 0.456, 0.406], std[0.229, 0.224, 0.225] ) ]) def predict(image_path, model, class_names): img Image.open(image_path).convert(RGB) # 强制三通道 tensor transform(img).unsqueeze(0) # 增加 batch 维度 model.eval() # 切换到推理模式 with torch.no_grad(): # 关闭梯度计算 output model(tensor) prob torch.softmax(output, dim1) idx torch.argmax(prob, dim1).item() return class_names[idx], prob[0][idx].item()这段代码里有三个参数最容易出问题。第一是Resize((224, 224))如果你的模型训练时用的是 299 或 320这里必须跟着改否则精度会莫名其妙掉一截。第二是Normalize的均值和方差必须和训练脚本里用的完全一致用 ImageNet 的默认值是最常见的做法但如果作者训练时用了自定义值你照抄 ImageNet 就会偏。第三是model.eval()和torch.no_grad()少了这两个推理速度慢不说BatchNorm 层的行为也会不对结果就是同一张图每次预测都不一样——这种玄学问题排查起来最费劲。3. 部署实操把垃圾分类系统在本地和容器里跑起来源码看懂了接下来就是让它真正跑起来。这一章分两条路走一条是本地直接跑适合调试和改代码一条是 Docker 部署适合答辩时换机器演示。两条路都走通你才算真正掌握了这套东西。3.1 本地启动Flask 入口与端口配置大多数这类毕设项目的 Web 入口是 Flask启动方式通常是在app.py末尾有app.run()。但直接python app.py跑之前先确认两件事模型权重文件路径对不对以及端口有没有被占用。from flask import Flask, render_template, request import os app Flask(__name__) # 权重路径建议用绝对路径拼接避免工作目录不同导致找不到 BASE_DIR os.path.dirname(os.path.abspath(__file__)) WEIGHT_PATH os.path.join(BASE_DIR, model, best.pth) app.route(/, methods[GET]) def index(): return render_template(index.html) app.route(/predict, methods[POST]) def predict_api(): file request.files.get(image) if not file: return {error: no file}, 400 save_path os.path.join(BASE_DIR, static, upload.jpg) file.save(save_path) label, score predict(save_path, model, class_names) return {label: label, score: round(score, 4)} if __name__ __main__: # host 设为 0.0.0.0 方便局域网内其他设备访问 app.run(host0.0.0.0, port5000, debugTrue)host0.0.0.0这个参数值得说一下。默认的127.0.0.1只能本机访问答辩时如果你想用手机或另一台电脑演示就必须改成0.0.0.0然后通过本机局域网 IP 加端口访问。debugTrue在开发阶段很有用改代码自动重载但正式演示前记得关掉否则报错页面会把堆栈信息暴露出来不太好看。启动命令就是一行python app.py看到Running on http://0.0.0.0:5000就说明服务起来了。浏览器打开http://127.0.0.1:5000上传一张矿泉水瓶的图片如果返回「可回收物」并且置信度在 0.9 以上说明整条链路是通的。3.2 Docker 部署一次构建到处演示答辩现场最怕的就是「在我电脑上好好的」。Docker 的价值就在这里把 Python 版本、依赖、模型权重全部打包进镜像换任何一台装了 Docker 的机器一条命令就能起来。FROM python:3.9-slim WORKDIR /app # 先拷依赖清单再装利用 Docker 层缓存加速重复构建 COPY requirements.txt . RUN pip install --no-cache-dir -r requirements.txt \ -i https://pypi.tuna.tsinghua.edu.cn/simple # 再拷源码和权重 COPY . . EXPOSE 5000 CMD [python, app.py]构建和运行# 构建镜像注意最后有个点表示当前目录 docker build -t garbage-classify:latest . # 运行容器把宿主机 5000 映射到容器 5000 docker run -d -p 5000:5000 --name gc-app garbage-classify:latest--no-cache-dir是为了减小镜像体积-d是后台运行。如果构建时报错找不到包八成是requirements.txt里某个包名拼错了或者版本号不存在这时候把RUN pip install那行单独拿出来在本地跑一遍报错信息会更清楚。容器起来之后用docker logs gc-app看日志确认没有异常再访问。3.3 前端资源与 Semantic UI 的加载顺序前端这块很多人会忽略但答辩演示时页面样式崩了是很尴尬的。Semantic UI 的 CSS 加载有顺序要求semantic.min.css必须在自定义样式之前引入否则你的覆盖样式会被框架默认样式压掉。!-- 先加载框架样式 -- link relstylesheet href/static/css/semantic.min.css !-- 再加载自定义覆盖 -- link relstylesheet href/static/css/semantic.css.browserslistrc这个文件决定了 CSS 自动加前缀的目标浏览器范围。如果演示用的浏览器比较老而.browserslistrc里只写了现代浏览器某些 flex 布局可能会错位。常见做法是保留默认配置用 Chrome 或 Edge 最新版演示基本不会出问题。上传图片的预览、结果卡片的动画这些交互效果如果用的是 Semantic UI 自带的组件记得对应的 JS 文件也要引入只引 CSS 不引 JS 是新手最容易犯的错。4. 避坑与排查垃圾分类系统跑不起来时先查这几处这一章是我踩过的坑里挑出来最有代表性的几条。每一条都按「现象 → 原因 → 解决」写你遇到问题时可以直接对号入座。4.1 权重加载报错state_dict 键名不匹配现象启动时抛出RuntimeError: Error(s) in loading state_dict for Net: Missing key(s) in state_dict或者Unexpected key(s)。原因模型定义和权重文件不是同一套。常见情况是作者训练时用了nn.DataParallel包了一层保存的权重键名前面多了module.前缀而你加载时用的是单卡模型。解决加载时做一次键名清洗。state_dict torch.load(WEIGHT_PATH, map_locationcpu) # 去掉 DataParallel 带来的 module. 前缀 new_state_dict {k.replace(module., ): v for k, v in state_dict.items()} model.load_state_dict(new_state_dict)map_locationcpu也很关键如果你在没显卡的机器上加载 GPU 保存的权重不加这个参数会直接报错。4.2 上传图片后预测结果全是同一类现象不管传什么图片返回的类别都一样置信度还很高。原因预处理管道和训练时不一致最常见的是归一化参数用错或者图片没有转成 RGB 三通道比如 PNG 带透明通道是 RGBA。解决在Image.open()后面强制.convert(RGB)然后逐项核对Resize尺寸、Normalize的均值和方差是否和训练脚本一致。如果训练脚本找不到了就去看参考报告里有没有写预处理参数。4.3 端口被占用导致启动失败现象OSError: [Errno 98] Address already in use。原因5000 端口被其他程序占了或者上一次的进程没退干净。解决换端口或者杀掉占用进程。# Linux / macOS 查看占用 lsof -i :5000 # 杀掉对应 PID kill -9 PIDWindows 下用netstat -ano | findstr :5000找到 PID再在任务管理器里结束。或者干脆把app.run的端口改成 5001、8080省事。4.4 Docker 构建时 pip 安装超时现象RUN pip install卡住不动最后报ReadTimeoutError。原因容器内默认走的是国外源网络不稳定。解决在 Dockerfile 里显式指定国内镜像源就是前面 3.2 节里写的-i https://pypi.tuna.tsinghua.edu.cn/simple。如果还是慢可以在构建前配置 Docker 的 DNS或者用--build-arg传入代理地址注意这里指的是 pip 的 index 地址不是其他东西。4.5 答辩时被问「准确率怎么来的」答不上来现象演示很顺利但老师一问模型评估指标就卡住。原因只跑了推理没做过验证集评估不知道准确率、精确率、召回率具体是多少。解决自己补一个评估脚本在验证集上跑一遍把混淆矩阵和各类指标算出来。参考报告里通常有这部分内容但你要能自己讲清楚。常见做法是划分 8:2 的训练验证集用sklearn.metrics.classification_report输出每个类别的指标。from sklearn.metrics import classification_report # y_true 真实标签y_pred 预测标签 print(classification_report(y_true, y_pred, target_namesclass_names))这份报告打印出来贴在答辩 PPT 里比空口说「准确率很高」有说服力得多。5. 从能跑到高分改模型、换数据集与答辩演示的进阶技巧把系统跑起来只是及格线想拿到 98 分那个档次还得在「能跑」的基础上做出自己的东西。这一章讲三个进阶方向每个都对应答辩时的加分点。5.1 替换主干网络提升精度源码里默认用的多半是 ResNet18 或 MobileNetV2 这类轻量网络优点是快缺点是精度上限有限。如果你的答辩重点是「模型改进」可以把主干换成 ResNet50 或 EfficientNet-B0。import torchvision.models as models import torch.nn as nn def build_model(num_classes4, backboneresnet50): if backbone resnet50: model models.resnet50(pretrainedTrue) # 替换最后的全连接层输出类别数对齐你的数据集 model.fc nn.Linear(model.fc.in_features, num_classes) elif backbone efficientnet_b0: model models.efficientnet_b0(pretrainedTrue) model.classifier[1] nn.Linear( model.classifier[1].in_features, num_classes ) return modelpretrainedTrue表示加载 ImageNet 预训练权重这在数据量不大时能显著提升收敛速度和最终精度。num_classes要和你数据集的类别数一致垃圾分类通常是 4 类可回收、厨余、有害、其他但有些数据集分得更细改成对应数字即可。换主干之后记得重新训练不能直接套用原来的权重。5.2 数据增强与类别不平衡处理垃圾分类数据集普遍存在类别不平衡问题——「其他垃圾」的样本量往往远多于「有害垃圾」。直接训练会导致模型偏向多数类少数类召回率很低。常见做法是在训练时加入数据增强和加权损失from torchvision import transforms train_transform transforms.Compose([ transforms.RandomResizedCrop(224), # 随机裁剪缩放 transforms.RandomHorizontalFlip(), # 随机水平翻转 transforms.ColorJitter(0.2, 0.2, 0.2), # 颜色抖动 transforms.ToTensor(), transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225]) ]) # 类别权重样本少的类别给大权重 class_weights torch.tensor([1.0, 2.0, 3.0, 1.0]) criterion nn.CrossEntropyLoss(weightclass_weights)RandomResizedCrop和RandomHorizontalFlip是最基础也最有效的增强手段。ColorJitter对垃圾分类这种颜色敏感的任務要慎用抖动幅度太大会把「绿色厨余」和「蓝色可回收」的颜色特征搞乱建议参数控制在 0.2 以内。class_weights的具体数值要根据你数据集的类别分布来定样本越少权重越大但也不要悬殊太大否则训练不稳定。5.3 答辩演示的脚本化与容错答辩现场网络可能不通、摄像头可能不好使所以演示流程一定要脚本化、可离线。我的习惯是提前准备一个本地图片文件夹里面放好每类垃圾各三五张典型图片演示时直接上传本地文件不依赖网络请求。另外在app.py里加一层全局异常捕获避免演示时因为一张异常图片导致整个服务崩溃app.errorhandler(Exception) def handle_error(e): # 记录日志但不暴露堆栈给前端 app.logger.error(fUnexpected error: {e}) return {error: internal error}, 500这样即使遇到没见过的图片格式页面也只会提示错误不会白屏。答辩前把 Docker 镜像提前构建好、docker save导出成 tar 文件拷到 U 盘现场docker load再docker run全程不需要网络。从那以后我每次帮人准备答辩演示都强制走一遍「断网 换机 U 盘导入」的流程确认没问题才放心。希望这套拆解能帮你把这份垃圾分类系统真正用起来而不是让它躺在硬盘里吃灰。本文还有配套的精品资源点击获取 Python垃圾分类系统毕设实战：从源码部署到答辩高分全攻略
简介这是一套面向计算机、人工智能、自动化等专业学生与教师的Python垃圾分类系统毕业设计完整源码包附带部署指南适合作为期末课程设计、大作业或毕设参考也便于基础较好的学习者在此基础上二次修改与功能扩展。资源共126个文件压缩包约66.06MB涵盖20个Python脚本、13个Jupyter Notebook、12个Vue前端组件、18张运行截图及json、html、sqlite3数据库等配置与数据文件另含onnx模型、Dockerfile与yaml部署配置前后端与深度学习模块结构完整。项目经调试测试可正常运行答辩评审分达98分参考价值较高。目前已有104人学习下载。读者可获得可运行的垃圾分类识别系统源码、模型文件、数据库与部署说明并借助截图与文档快速理解目录结构与模块划分为毕设选题、答辩演示与后续优化提供直接参考。1. 从一份 98 分毕设拆起这套 Python 垃圾分类系统到底能跑出什么如果你正在为计算机、人工智能或自动化方向的毕业设计发愁大概率刷到过「基于 Python 的垃圾分类系统」这个题目。它火不是没道理数据集公开、模型成熟、界面好做答辩时还能现场演示评委一看就知道你动手了。但真正让人翻车的地方从来不是模型本身而是拿到一份源码之后——环境装不上、权重加载失败、前端页面白屏、答辩老师问一句「你这模型准确率怎么来的」就卡壳。这份资源就是冲着这些痛点来的一套经过调试、能直接跑起来的 Python 垃圾分类系统源码外加一份部署指南配套还有参考报告和课程实践模板。它适合三类人想快速搭出可演示系统的毕设党、想拿现成工程练手 Python 与深度学习的新手、以及需要课程大作业素材的老师或从业者。下面我不讲空话直接按「这套东西是什么 → 怎么把它跑起来 → 哪里最容易翻车 → 怎么改出高分」的顺序拆给你看。2. 源码结构与技术栈先看清这套 Python 垃圾分类系统由什么组成拿到一个压缩包最忌讳的就是双击main.py然后祈祷它能跑。先花十分钟把目录结构和依赖关系摸清楚后面能省下好几个小时的排错时间。这套垃圾分类系统的工程组织是典型的「模型推理 Web 展示」两层结构理解了这个分层你就知道每一块该在哪里改。2.1 从文件清单反推工程分层从资源里的文件分布能看出几个关键信号.browserslistrc、semantic.css、semantic.min.css说明前端用的是 Semantic UI 框架不是随便糊的静态页Dockerfile说明作者考虑过容器化部署这对答辩时「换台电脑能不能跑」这个问题是加分项.editorconfig和.gitignore说明代码经过了版本管理不是一次性拼凑的。参考报告和课程实践模板则是答辩文档的底子。常见的目录分层大致是这样project/ ├── app.py # Web 入口Flask 或 FastAPI ├── model/ # 模型定义与权重文件 │ ├── net.py # 网络结构 │ └── best.pth # 训练好的权重 ├── static/ # 前端静态资源 │ ├── css/ │ └── js/ ├── templates/ # HTML 模板 ├── utils/ # 预处理、推理封装 ├── requirements.txt # 依赖清单 └── Dockerfile # 容器构建脚本这个分层不是摆设。model/负责「识别是什么垃圾」app.py负责「把识别结果传给页面」static/和templates/负责「让人看到」。你改模型精度只动model/改交互只动前端互不干扰。2.2 依赖清单与 Python 版本选择requirements.txt是这套源码能不能跑起来的第一道关卡。深度学习项目最怕的就是版本冲突尤其是 PyTorch 和 torchvision 的版本必须匹配否则加载权重时会报RuntimeError: Error(s) in loading state_dict。我一般会先确认三件事检查项命令期望结果Python 版本python --version3.8 ~ 3.10 之间pip 版本pip --version不低于 21.0显卡驱动nvidia-smi有输出则可用 GPUPython 版本不建议用 3.11 以上很多老版本的 PyTorch 轮子没有对应构建装到一半会卡在编译。如果requirements.txt里写的是torch1.13.1那就老老实实装这个版本别自作主张升到最新。# 创建独立虚拟环境避免污染全局 python -m venv venv # 激活环境Windows venv\Scripts\activate # 激活环境Linux / macOS source venv/bin/activate # 按清单安装依赖 pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple这里加-i指定国内镜像源是血泪经验默认源在晚高峰下载几百兆的 torch 能让你等到怀疑人生。装完之后用pip list核对一下 torch、torchvision、flask、pillow 这几个核心包是否都在版本号是否和清单一致。2.3 模型推理链路从一张图片到分类结果这套系统的核心推理链路其实不复杂但每一步都有坑。典型流程是用户上传图片 → 后端保存临时文件 → 预处理缩放、归一化、转 Tensor→ 送入模型 → 取最大概率类别 → 返回前端展示。import torch from torchvision import transforms from PIL import Image # 预处理管道参数必须和训练时一致 transform transforms.Compose([ transforms.Resize((224, 224)), # 尺寸对齐训练输入 transforms.ToTensor(), # 转 Tensor 并归一化到 [0,1] transforms.Normalize( # 均值方差对齐 ImageNet mean[0.485, 0.456, 0.406], std[0.229, 0.224, 0.225] ) ]) def predict(image_path, model, class_names): img Image.open(image_path).convert(RGB) # 强制三通道 tensor transform(img).unsqueeze(0) # 增加 batch 维度 model.eval() # 切换到推理模式 with torch.no_grad(): # 关闭梯度计算 output model(tensor) prob torch.softmax(output, dim1) idx torch.argmax(prob, dim1).item() return class_names[idx], prob[0][idx].item()这段代码里有三个参数最容易出问题。第一是Resize((224, 224))如果你的模型训练时用的是 299 或 320这里必须跟着改否则精度会莫名其妙掉一截。第二是Normalize的均值和方差必须和训练脚本里用的完全一致用 ImageNet 的默认值是最常见的做法但如果作者训练时用了自定义值你照抄 ImageNet 就会偏。第三是model.eval()和torch.no_grad()少了这两个推理速度慢不说BatchNorm 层的行为也会不对结果就是同一张图每次预测都不一样——这种玄学问题排查起来最费劲。3. 部署实操把垃圾分类系统在本地和容器里跑起来源码看懂了接下来就是让它真正跑起来。这一章分两条路走一条是本地直接跑适合调试和改代码一条是 Docker 部署适合答辩时换机器演示。两条路都走通你才算真正掌握了这套东西。3.1 本地启动Flask 入口与端口配置大多数这类毕设项目的 Web 入口是 Flask启动方式通常是在app.py末尾有app.run()。但直接python app.py跑之前先确认两件事模型权重文件路径对不对以及端口有没有被占用。from flask import Flask, render_template, request import os app Flask(__name__) # 权重路径建议用绝对路径拼接避免工作目录不同导致找不到 BASE_DIR os.path.dirname(os.path.abspath(__file__)) WEIGHT_PATH os.path.join(BASE_DIR, model, best.pth) app.route(/, methods[GET]) def index(): return render_template(index.html) app.route(/predict, methods[POST]) def predict_api(): file request.files.get(image) if not file: return {error: no file}, 400 save_path os.path.join(BASE_DIR, static, upload.jpg) file.save(save_path) label, score predict(save_path, model, class_names) return {label: label, score: round(score, 4)} if __name__ __main__: # host 设为 0.0.0.0 方便局域网内其他设备访问 app.run(host0.0.0.0, port5000, debugTrue)host0.0.0.0这个参数值得说一下。默认的127.0.0.1只能本机访问答辩时如果你想用手机或另一台电脑演示就必须改成0.0.0.0然后通过本机局域网 IP 加端口访问。debugTrue在开发阶段很有用改代码自动重载但正式演示前记得关掉否则报错页面会把堆栈信息暴露出来不太好看。启动命令就是一行python app.py看到Running on http://0.0.0.0:5000就说明服务起来了。浏览器打开http://127.0.0.1:5000上传一张矿泉水瓶的图片如果返回「可回收物」并且置信度在 0.9 以上说明整条链路是通的。3.2 Docker 部署一次构建到处演示答辩现场最怕的就是「在我电脑上好好的」。Docker 的价值就在这里把 Python 版本、依赖、模型权重全部打包进镜像换任何一台装了 Docker 的机器一条命令就能起来。FROM python:3.9-slim WORKDIR /app # 先拷依赖清单再装利用 Docker 层缓存加速重复构建 COPY requirements.txt . RUN pip install --no-cache-dir -r requirements.txt \ -i https://pypi.tuna.tsinghua.edu.cn/simple # 再拷源码和权重 COPY . . EXPOSE 5000 CMD [python, app.py]构建和运行# 构建镜像注意最后有个点表示当前目录 docker build -t garbage-classify:latest . # 运行容器把宿主机 5000 映射到容器 5000 docker run -d -p 5000:5000 --name gc-app garbage-classify:latest--no-cache-dir是为了减小镜像体积-d是后台运行。如果构建时报错找不到包八成是requirements.txt里某个包名拼错了或者版本号不存在这时候把RUN pip install那行单独拿出来在本地跑一遍报错信息会更清楚。容器起来之后用docker logs gc-app看日志确认没有异常再访问。3.3 前端资源与 Semantic UI 的加载顺序前端这块很多人会忽略但答辩演示时页面样式崩了是很尴尬的。Semantic UI 的 CSS 加载有顺序要求semantic.min.css必须在自定义样式之前引入否则你的覆盖样式会被框架默认样式压掉。!-- 先加载框架样式 -- link relstylesheet href/static/css/semantic.min.css !-- 再加载自定义覆盖 -- link relstylesheet href/static/css/semantic.css.browserslistrc这个文件决定了 CSS 自动加前缀的目标浏览器范围。如果演示用的浏览器比较老而.browserslistrc里只写了现代浏览器某些 flex 布局可能会错位。常见做法是保留默认配置用 Chrome 或 Edge 最新版演示基本不会出问题。上传图片的预览、结果卡片的动画这些交互效果如果用的是 Semantic UI 自带的组件记得对应的 JS 文件也要引入只引 CSS 不引 JS 是新手最容易犯的错。4. 避坑与排查垃圾分类系统跑不起来时先查这几处这一章是我踩过的坑里挑出来最有代表性的几条。每一条都按「现象 → 原因 → 解决」写你遇到问题时可以直接对号入座。4.1 权重加载报错state_dict 键名不匹配现象启动时抛出RuntimeError: Error(s) in loading state_dict for Net: Missing key(s) in state_dict或者Unexpected key(s)。原因模型定义和权重文件不是同一套。常见情况是作者训练时用了nn.DataParallel包了一层保存的权重键名前面多了module.前缀而你加载时用的是单卡模型。解决加载时做一次键名清洗。state_dict torch.load(WEIGHT_PATH, map_locationcpu) # 去掉 DataParallel 带来的 module. 前缀 new_state_dict {k.replace(module., ): v for k, v in state_dict.items()} model.load_state_dict(new_state_dict)map_locationcpu也很关键如果你在没显卡的机器上加载 GPU 保存的权重不加这个参数会直接报错。4.2 上传图片后预测结果全是同一类现象不管传什么图片返回的类别都一样置信度还很高。原因预处理管道和训练时不一致最常见的是归一化参数用错或者图片没有转成 RGB 三通道比如 PNG 带透明通道是 RGBA。解决在Image.open()后面强制.convert(RGB)然后逐项核对Resize尺寸、Normalize的均值和方差是否和训练脚本一致。如果训练脚本找不到了就去看参考报告里有没有写预处理参数。4.3 端口被占用导致启动失败现象OSError: [Errno 98] Address already in use。原因5000 端口被其他程序占了或者上一次的进程没退干净。解决换端口或者杀掉占用进程。# Linux / macOS 查看占用 lsof -i :5000 # 杀掉对应 PID kill -9 PIDWindows 下用netstat -ano | findstr :5000找到 PID再在任务管理器里结束。或者干脆把app.run的端口改成 5001、8080省事。4.4 Docker 构建时 pip 安装超时现象RUN pip install卡住不动最后报ReadTimeoutError。原因容器内默认走的是国外源网络不稳定。解决在 Dockerfile 里显式指定国内镜像源就是前面 3.2 节里写的-i https://pypi.tuna.tsinghua.edu.cn/simple。如果还是慢可以在构建前配置 Docker 的 DNS或者用--build-arg传入代理地址注意这里指的是 pip 的 index 地址不是其他东西。4.5 答辩时被问「准确率怎么来的」答不上来现象演示很顺利但老师一问模型评估指标就卡住。原因只跑了推理没做过验证集评估不知道准确率、精确率、召回率具体是多少。解决自己补一个评估脚本在验证集上跑一遍把混淆矩阵和各类指标算出来。参考报告里通常有这部分内容但你要能自己讲清楚。常见做法是划分 8:2 的训练验证集用sklearn.metrics.classification_report输出每个类别的指标。from sklearn.metrics import classification_report # y_true 真实标签y_pred 预测标签 print(classification_report(y_true, y_pred, target_namesclass_names))这份报告打印出来贴在答辩 PPT 里比空口说「准确率很高」有说服力得多。5. 从能跑到高分改模型、换数据集与答辩演示的进阶技巧把系统跑起来只是及格线想拿到 98 分那个档次还得在「能跑」的基础上做出自己的东西。这一章讲三个进阶方向每个都对应答辩时的加分点。5.1 替换主干网络提升精度源码里默认用的多半是 ResNet18 或 MobileNetV2 这类轻量网络优点是快缺点是精度上限有限。如果你的答辩重点是「模型改进」可以把主干换成 ResNet50 或 EfficientNet-B0。import torchvision.models as models import torch.nn as nn def build_model(num_classes4, backboneresnet50): if backbone resnet50: model models.resnet50(pretrainedTrue) # 替换最后的全连接层输出类别数对齐你的数据集 model.fc nn.Linear(model.fc.in_features, num_classes) elif backbone efficientnet_b0: model models.efficientnet_b0(pretrainedTrue) model.classifier[1] nn.Linear( model.classifier[1].in_features, num_classes ) return modelpretrainedTrue表示加载 ImageNet 预训练权重这在数据量不大时能显著提升收敛速度和最终精度。num_classes要和你数据集的类别数一致垃圾分类通常是 4 类可回收、厨余、有害、其他但有些数据集分得更细改成对应数字即可。换主干之后记得重新训练不能直接套用原来的权重。5.2 数据增强与类别不平衡处理垃圾分类数据集普遍存在类别不平衡问题——「其他垃圾」的样本量往往远多于「有害垃圾」。直接训练会导致模型偏向多数类少数类召回率很低。常见做法是在训练时加入数据增强和加权损失from torchvision import transforms train_transform transforms.Compose([ transforms.RandomResizedCrop(224), # 随机裁剪缩放 transforms.RandomHorizontalFlip(), # 随机水平翻转 transforms.ColorJitter(0.2, 0.2, 0.2), # 颜色抖动 transforms.ToTensor(), transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225]) ]) # 类别权重样本少的类别给大权重 class_weights torch.tensor([1.0, 2.0, 3.0, 1.0]) criterion nn.CrossEntropyLoss(weightclass_weights)RandomResizedCrop和RandomHorizontalFlip是最基础也最有效的增强手段。ColorJitter对垃圾分类这种颜色敏感的任務要慎用抖动幅度太大会把「绿色厨余」和「蓝色可回收」的颜色特征搞乱建议参数控制在 0.2 以内。class_weights的具体数值要根据你数据集的类别分布来定样本越少权重越大但也不要悬殊太大否则训练不稳定。5.3 答辩演示的脚本化与容错答辩现场网络可能不通、摄像头可能不好使所以演示流程一定要脚本化、可离线。我的习惯是提前准备一个本地图片文件夹里面放好每类垃圾各三五张典型图片演示时直接上传本地文件不依赖网络请求。另外在app.py里加一层全局异常捕获避免演示时因为一张异常图片导致整个服务崩溃app.errorhandler(Exception) def handle_error(e): # 记录日志但不暴露堆栈给前端 app.logger.error(fUnexpected error: {e}) return {error: internal error}, 500这样即使遇到没见过的图片格式页面也只会提示错误不会白屏。答辩前把 Docker 镜像提前构建好、docker save导出成 tar 文件拷到 U 盘现场docker load再docker run全程不需要网络。从那以后我每次帮人准备答辩演示都强制走一遍「断网 换机 U 盘导入」的流程确认没问题才放心。希望这套拆解能帮你把这份垃圾分类系统真正用起来而不是让它躺在硬盘里吃灰。本文还有配套的精品资源点击获取