简介本资源面向深度学习入门者与图像分类实践者提供一套基于PyTorch的MobileNet微生物分类识别代码可用于病毒、真菌、藻类、细菌等类别的图像识别任务。压缩包共9个文件包含3个Python脚本、4张示例图片、1份说明文档和1份环境依赖文本整体约228KB体积轻巧便于快速部署。代码按数据准备、模型训练与界面展示分模块组织每个脚本均配有逐行中文注释零基础读者也能理解网络搭建、数据加载与训练流程。资源不含数据集图片需自行按类别建立文件夹并放入对应图片目录内附有提示图辅助定位。说明文档进一步梳理了环境配置与运行逻辑requirement.txt则列出所需依赖方便复现。目前已有151人学习适合希望掌握MobileNet迁移学习与微生物图像分类完整流程的读者参考。1. 微生物图像分类落地从 MobileNet 到 PyTorch 训练全链路拆解实验室里做微生物识别最头疼的往往不是算法本身而是从零搭一套能跑通的分类流程。这份资源给的是一个基于 PyTorch 的 MobileNet 图像分类工程专门针对微生物场景做了适配覆盖病毒、真菌、藻类、细菌四类常见微生物。它不含数据集图片但把训练、推理、界面三个环节的代码全部配了逐行中文注释还附带一份说明文档。适合谁刚接触深度学习图像分类、想拿一个完整小工程练手的人也适合需要快速搭一套微生物识别原型、不想在环境配置和代码结构上反复踩坑的从业者。整个工程只有三个 py 文件结构极简但该有的环节一个不少。2. 工程结构与数据准备三个 py 文件怎么串起来拿到压缩包解压后根目录下能看到 01生成txt.py、02CNN训练数据集.py、03pyqt界面.py 三个核心脚本外加 requirement.txt 和说明文档.docx。数据集文件夹里按类别分子目录每个子目录下放了一张提示图告诉你图片该往哪儿塞。这个设计很直白你不需要改代码里的类别列表直接按文件夹名组织数据就行。2.1 三个脚本的分工与调用顺序01生成txt.py 负责扫描数据集目录把每张图片的路径和对应标签写成一个 txt 索引文件。02CNN训练数据集.py 读取这个 txt构建 PyTorch 的 Dataset 和 DataLoader然后加载 MobileNet 预训练权重做迁移学习。03pyqt界面.py 是一个基于 PyQt 的推理界面加载训练好的权重文件选一张图就能出分类结果。调用顺序不能乱先生成索引再训练最后跑界面。如果你跳过第一步直接跑训练脚本会因为找不到索引文件报错。常见做法是每次增删图片后重新跑一遍 01保证索引和实际文件同步。# 建议在 anaconda 环境中执行先安装依赖 pip install -r requirement.txt # 第一步生成数据索引 txt python 01生成txt.py # 第二步训练模型 python 02CNN训练数据集.py # 第三步启动 PyQt 推理界面 python 03pyqt界面.py这里有个细节requirement.txt 里锁定了 torch、torchvision、PyQt5、Pillow 等包的版本范围。如果你用 pip 直接装可能会拉到最新版导致 API 不兼容。我一般会先建一个干净的 conda 环境指定 python 3.7 或 3.8再按 requirement.txt 装。PyTorch 推荐 1.7.1 或 1.8.1这两个版本在 Windows 和 Linux 上对 MobileNet 的支持都比较稳。2.2 数据集目录规范与索引生成逻辑数据集文件夹的结构直接决定标签映射。假设你的目录长这样dataset/ ├── 病毒/ │ └── 提示图.jpg ├── 真菌/ │ └── 提示图.jpg ├── 藻类/ │ └── 提示图.jpg └── 细菌/ └── 提示图.jpg01生成txt.py 会遍历 dataset 下的每个子目录把子目录名当作类别名把目录内所有图片的路径和类别索引写进一个 txt 文件。类别索引按文件夹名的字母序或创建顺序分配具体取决于脚本里的排序逻辑。你可以在脚本开头找到类别列表的定义位置如果想固定顺序手动写死一个列表更稳妥。# 01生成txt.py 核心逻辑示意非原文件仅说明流程 import os data_root ./dataset classes sorted(os.listdir(data_root)) # 按字母序排类别 with open(data_index.txt, w, encodingutf-8) as f: for idx, cls in enumerate(classes): cls_dir os.path.join(data_root, cls) for img_name in os.listdir(cls_dir): if img_name.lower().endswith((.jpg, .png, .jpeg)): img_path os.path.join(cls_dir, img_name) f.write(f{img_path}\t{idx}\n)这段逻辑的关键点类别顺序由 sorted 决定如果你后续增删了类别文件夹索引里的标签编号会变训练脚本里的类别数也要同步改。我一般会在训练脚本里加一行打印类别列表确认编号和文件夹对得上。另外提示图本身也会被写进索引训练前最好把提示图移走或者加个文件名过滤否则它会当成正常样本参与训练拉低精度。注意每个类别至少准备 50 到 100 张图太少的话 MobileNet 的迁移学习也救不回来。图片格式统一成 jpg 或 png尺寸不用提前裁剪训练脚本里的 transform 会做 resize。3. MobileNet 迁移学习训练参数怎么设、日志怎么看02CNN训练数据集.py 是整个工程的核心。它做了几件事定义 Dataset 类读取索引文件、定义 transform 做数据增强、加载 MobileNet 预训练模型、替换最后一层全连接、设置损失函数和优化器、跑训练循环并保存权重。代码里每一行都有中文注释但注释不会告诉你参数为什么这么设下面把关键位置拆开说。3.1 MobileNet 选型理由与最后一层替换为什么用 MobileNet 而不是 ResNet 或 VGG微生物图像分类通常数据量不大几千张图算多的。MobileNet 的深度可分离卷积参数量小在小数据集上过拟合风险低训练速度也快。CPU 上跑也能接受有块入门级显卡就更顺。torchvision 里自带 mobilenet_v2 的预训练权重加载后把 classifier 的最后一层换成你自己的类别数就行。import torch import torch.nn as nn from torchvision import models # 加载预训练 MobileNetV2 model models.mobilenet_v2(pretrainedTrue) # 替换分类头num_classes 改成你的类别数 num_classes 4 # 病毒、真菌、藻类、细菌 model.classifier[1] nn.Linear(model.last_channel, num_classes) # 冻结特征提取层只训练分类头可选 for param in model.features.parameters(): param.requires_grad False model model.to(device)冻结特征层是常见做法尤其当你数据量少的时候。但如果你有几千张以上的图解冻后面几层做微调效果会更好。代码里默认可能是全部参数都训练你可以根据注释找到冻结逻辑的位置按需打开。替换 classifier[1] 时注意MobileNetV2 的 last_channel 是 1280别写错。3.2 训练循环关键参数与日志解读训练脚本里一般会定义 batch_size、learning_rate、epochs 这几个超参。batch_size 设 16 或 32 都行看你显存。learning_rate 用 0.001 起步优化器选 Adam 或 SGD。Adam 收敛快SGD 调好了泛化更好新手用 Adam 省心。# 训练循环核心片段示意 criterion nn.CrossEntropyLoss() optimizer torch.optim.Adam(model.parameters(), lr0.001) for epoch in range(num_epochs): model.train() running_loss 0.0 for imgs, labels in train_loader: imgs, labels imgs.to(device), labels.to(device) optimizer.zero_grad() outputs model(imgs) loss criterion(outputs, labels) loss.backward() optimizer.step() running_loss loss.item() print(fEpoch {epoch1}, Loss: {running_loss/len(train_loader):.4f})日志里重点看 loss 下降趋势。如果 loss 震荡不降先查学习率是不是太大再查数据标签有没有错。如果训练 loss 降但验证 loss 升那是过拟合加数据增强或者冻结更多层。代码里可能没有单独的验证集划分我建议你手动从训练集里切 20% 出来做验证否则你根本不知道模型有没有过拟合。保存权重时用 torch.save(model.state_dict(), mobilenet_microbe.pth)后面 PyQt 界面加载的就是这个文件。提示训练前确认 device 是 cuda 还是 cpu。如果 torch.cuda.is_available() 返回 False检查显卡驱动和 PyTorch 版本是否匹配。CPU 训练也能跑就是慢把 epochs 设小一点先验证流程通不通。4. PyQt 推理界面与常见报错排查03pyqt界面.py 把训练好的模型包装成一个桌面应用。打开界面选一张微生物图片点识别输出类别和置信度。这个脚本对新手来说最容易出问题因为它涉及 Qt 事件循环、图片预处理、模型加载三个环节的配合。4.1 界面加载模型与图片预处理一致性PyQt 界面里加载模型的方式必须和训练时一致。训练时用了 transforms.Normalize 做归一化推理时也要做同样的归一化否则预测结果会偏。常见做法是把训练脚本里的 transform 定义复制一份到界面脚本里确保 resize 尺寸、归一化参数完全一致。from torchvision import transforms from PIL import Image # 推理预处理必须和训练时一致 infer_transform transforms.Compose([ transforms.Resize((224, 224)), transforms.ToTensor(), transforms.Normalize(mean[0.485, 0.456, 0.406], std[0.229, 0.224, 0.225]) ]) img Image.open(img_path).convert(RGB) img_tensor infer_transform(img).unsqueeze(0).to(device) model.eval() with torch.no_grad(): output model(img_tensor) pred torch.argmax(output, dim1).item()注意 unsqueeze(0) 那一步把单张图的维度从 [C,H,W] 变成 [1,C,H,W]因为模型要求 batch 维度。忘了这一步会报维度不匹配。另外 model.eval() 和 torch.no_grad() 都要加上否则推理时还会计算梯度浪费显存。4.2 避坑五条血泪排查记录现象一运行 01生成txt.py 报 FileNotFoundError找不到 dataset 目录。原因脚本里的 data_root 路径写的是相对路径而你的工作目录不在压缩包根目录。 解决cd 到解压后的根目录再执行或者把 data_root 改成绝对路径。现象二训练时 loss 一直是 nan。原因学习率太大或者输入图片没有归一化像素值在 0-255 范围直接喂给模型。 解决确认 transform 里有 ToTensor 和 Normalize学习率降到 0.0001 再试。现象三PyQt 界面启动报 No module named PyQt5。原因requirement.txt 里的 PyQt5 没装上或者装到了另一个 python 环境。 解决确认当前激活的 conda 环境重新 pip install PyQt5。Windows 上如果报 DLL 缺失装一下 VC_redist。现象四推理结果永远输出同一个类别。原因模型权重没加载成功或者类别索引和训练时不一致。 解决检查 torch.load 的路径对不对打印模型输出的 raw logits 看看是不是全零。类别列表要和训练时完全一致。现象五训练完准确率很高但界面里识别新图片全错。原因训练时的验证集和测试图片分布差异大或者预处理不一致。 解决把界面里用的测试图拿回训练脚本里跑一遍对比预处理后的 tensor 是否一致。常见的是 resize 尺寸不同训练用 224界面用了 256。5. 进阶技巧用混淆矩阵验证模型真实水平训练日志里的 loss 和准确率只能告诉你模型在训练集上的表现真正要判断它能不能用得看混淆矩阵。我一般会在训练脚本跑完后单独写一段评估代码加载保存的权重在验证集上跑一遍用 sklearn 的 confusion_matrix 输出每个类别的误判情况。from sklearn.metrics import confusion_matrix, classification_report import seaborn as sns import matplotlib.pyplot as plt model.load_state_dict(torch.load(mobilenet_microbe.pth)) model.eval() all_preds, all_labels [], [] with torch.no_grad(): for imgs, labels in val_loader: imgs imgs.to(device) outputs model(imgs) preds torch.argmax(outputs, dim1).cpu().numpy() all_preds.extend(preds) all_labels.extend(labels.numpy()) cm confusion_matrix(all_labels, all_preds) print(classification_report(all_labels, all_preds, target_namesclasses)) sns.heatmap(cm, annotTrue, fmtd, xticklabelsclasses, yticklabelsclasses) plt.xlabel(Predicted) plt.ylabel(True) plt.show()这段代码跑完你能清楚看到哪个类别容易被误判。比如藻类和真菌在低分辨率下形态接近混淆矩阵里就会体现出来。针对误判多的类别可以单独补数据或者调整数据增强策略比如对藻类图片加更多的旋转和颜色抖动。另一个实用技巧是导出 ONNX 模型方便后续部署到其他推理引擎。PyTorch 自带 torch.onnx.export几行代码就能转。转完之后用 onnxruntime 加载推理速度通常比原生 PyTorch 快一些尤其是在 CPU 上。dummy_input torch.randn(1, 3, 224, 224).to(device) torch.onnx.export(model, dummy_input, mobilenet_microbe.onnx, input_names[input], output_names[output], dynamic_axes{input: {0: batch}, output: {0: batch}})导出时 dynamic_axes 那行让 batch 维度可变这样你后面可以一次推理多张图。转完记得用 onnxruntime 跑一张测试图对比 PyTorch 的输出是否一致数值误差在 1e-4 以内算正常。从那以后我每次训练完都会强制跑一遍混淆矩阵和 ONNX 导出验证不看到这两个结果就不敢把模型往界面里塞。希望帮到你。本文还有配套的精品资源点击获取