简介本资源为常规茶叶叶片病害图像分类数据集面向从事农业图像识别、深度学习入门与CNN分类实践的学生及研究人员可用于训练和评估茶叶病害自动识别模型。数据集已标注共划分5个类别包括褐枯病、灰枯萎病、红点病等具体类别信息可查看包内json文件数据按训练集、验证集、测试集分别存放每类图片归入对应目录便于直接加载训练。压缩包共2000个文件以1998张jpg图像为主另含1个py脚本与1个json标注文件整体约21.68MB其中show脚本可用于数据集可视化预览。目前已有104人学习下载。读者可借助该数据集快速搭建分类实验流程结合配套的CNN分类网络改进系列内容完成数据加载、模型训练与效果对比适合作为课程设计、论文实验或算法验证的基础数据。1. 茶叶叶片病害分类数据集4,000 张标注图能跑出什么名堂手里有一份约 4,000 张的常规茶叶叶片病害图像分类数据集已标注标签覆盖常见叶部病害类别。这个量级放在图像分类任务里不算大但足够把一条完整的训练链路跑通从数据清洗、类别平衡、增强策略到选一个 backbone、调通训练脚本、看混淆矩阵定位问题。它适合两类人一类是想入门图像分类但不想从零标注的开发者另一类是手里有类似农业图像数据、想验证方案可行性的工程师。4,000 张的规模决定了它不适合直接冲 SOTA但非常适合做 baseline 验证、消融实验和部署前的可行性测试。下面按「数据怎么用 → 模型怎么选 → 训练怎么跑 → 坑在哪」的顺序拆开讲。2. 先搞清楚这 4,000 张茶叶叶片图能怎么用2.1 数据集的典型构成与类别分布常规茶叶叶片病害图像分类数据集通常按文件夹组织每个子文件夹对应一个类别。常见类别包括茶饼病、茶炭疽病、茶白星病、茶轮斑病、健康叶片等。约 4,000 张的体量如果分 5 到 6 类平均每类 600 到 800 张但实际分布往往不均匀——健康叶片和常见病害样本多稀有病害可能只有一两百张。拿到数据后第一件事不是直接训练而是统计类别分布。用下面这段脚本快速摸清家底import os from collections import Counter from pathlib import Path data_root Path(tea_leaf_dataset) # 替换为实际路径 class_counts Counter() for cls_dir in sorted(data_root.iterdir()): if cls_dir.is_dir(): imgs [f for f in cls_dir.iterdir() if f.suffix.lower() in (.jpg, .jpeg, .png, .bmp)] class_counts[cls_dir.name] len(imgs) total sum(class_counts.values()) print(f总图片数: {total}) for cls, cnt in class_counts.most_common(): print(f{cls}: {cnt} 张 ({cnt/total*100:.1f}%)) # 计算不平衡比 max_c, min_c max(class_counts.values()), min(class_counts.values()) print(f最大/最小类别比: {max_c/min_c:.1f})这段代码遍历数据集根目录下的每个类别文件夹统计图片数量并计算占比。关键参数是data_root指向解压后的数据集根目录。输出里的「最大/最小类别比」很重要如果超过 5:1训练时就需要做类别加权或重采样否则模型会偏向多数类。常见做法是用WeightedRandomSampler给少数类更高采样概率或者在 loss 里传class_weights。2.2 图像质量筛查别让脏数据毁掉训练农业图像数据集的一个通病是采集环境不可控光照过曝、叶片重叠、背景杂乱、甚至混入非茶叶图片。4,000 张里如果有 5% 到 10% 的脏数据验证集指标会明显虚高或抖动。我一般会做三步筛查第一步检查图片尺寸分布。用 PIL 批量读取宽高找出异常值from PIL import Image from pathlib import Path import numpy as np sizes [] for img_path in Path(tea_leaf_dataset).rglob(*.jpg): with Image.open(img_path) as im: sizes.append(im.size) ws, hs zip(*sizes) print(f宽度: min{min(ws)}, max{max(ws)}, mean{np.mean(ws):.0f}) print(f高度: min{min(hs)}, max{max(hs)}, mean{np.mean(hs):.0f}) # 找出极端尺寸 for p, (w, h) in zip(Path(tea_leaf_dataset).rglob(*.jpg), sizes): if w 100 or h 100: print(f过小: {p} ({w}x{h}))宽度或高度低于 100 像素的图片基本没有训练价值直接剔除。尺寸差异过大时统一 resize 到 224×224 或 256×256 是标准操作但要注意长宽比失真问题——茶叶叶片接近椭圆形强行拉伸会改变形状特征。更稳妥的做法是短边 resize 后中心裁剪或者 padding 到正方形再缩放。第二步肉眼抽查。从每个类别随机抽 20 张拼成网格图快速过一遍。这一步没有脚本能替代因为「叶片是否完整」「病害特征是否清晰」需要人判断。第三步检查是否有重复图片。用感知哈希pHash去重import imagehash from PIL import Image from pathlib import Path from collections import defaultdict hashes defaultdict(list) for img_path in Path(tea_leaf_dataset).rglob(*.jpg): with Image.open(img_path) as im: h str(imagehash.phash(im)) hashes[h].append(str(img_path)) duplicates {k: v for k, v in hashes.items() if len(v) 1} print(f发现 {len(duplicates)} 组重复图片) for k, v in list(duplicates.items())[:5]: print(f哈希 {k}: {v})pHash 对轻微缩放和压缩不敏感适合找近似重复。阈值方面完全相同的哈希值就是重复图直接保留一张即可。如果重复组很多说明采集时可能有连拍或视频抽帧需要警惕训练集和验证集之间的泄漏。2.3 划分训练集、验证集、测试集的比例与策略4,000 张的规模推荐按 7:1.5:1.5 划分即训练集约 2,800 张、验证集 600 张、测试集 600 张。如果类别不平衡必须做分层抽样stratified split保证每个子集的类别比例一致。用 scikit-learn 的train_test_split配合stratify参数import shutil from sklearn.model_selection import train_test_split from pathlib import Path data_root Path(tea_leaf_dataset) output_root Path(tea_split) all_files, all_labels [], [] for cls_dir in sorted(data_root.iterdir()): if cls_dir.is_dir(): for f in cls_dir.iterdir(): if f.suffix.lower() in (.jpg, .jpeg, .png): all_files.append(f) all_labels.append(cls_dir.name) # 先分训练集和临时集 train_f, temp_f, train_l, temp_l train_test_split( all_files, all_labels, test_size0.3, stratifyall_labels, random_state42) # 临时集再分验证和测试 val_f, test_f, val_l, test_l train_test_split( temp_f, temp_l, test_size0.5, stratifytemp_l, random_state42) for split_name, files, labels in [(train, train_f, train_l), (val, val_f, val_l), (test, test_f, test_l)]: for f, l in zip(files, labels): dst output_root / split_name / l dst.mkdir(parentsTrue, exist_okTrue) shutil.copy2(f, dst / f.name) print(f训练集: {len(train_f)}, 验证集: {len(val_f)}, 测试集: {len(test_f)})stratify参数确保每个子集的类别分布与原始数据一致random_state固定后结果可复现。划分完成后训练集用于梯度更新验证集用于调超参和早停测试集只在最后评估一次。常见错误是反复用测试集调参导致指标虚高——测试集一旦用过就不再「干净」了。3. 选哪个图像分类模型从 ResNet 到 Transformer 的落地取舍3.1 小数据集上 backbone 的选型逻辑4,000 张图在深度学习里属于小样本范畴。模型越大过拟合风险越高。我的经验是优先选参数量在 5M 到 25M 之间的 backbone配合强增强和正则化。具体推荐模型参数量输入尺寸适合场景注意事项ResNet-1811.7M224快速 baseline需要预训练权重ResNet-5025.6M224精度优先过拟合风险中等EfficientNet-B05.3M224部署友好对增强敏感MobileNetV3-Small2.5M224边缘设备精度上限较低ViT-B/1686M224数据充足时4,000 张不够需强增强Swin-Tiny28M224折中方案训练时间较长Transformer 类模型ViT、Swin在 ImageNet 上表现优异但 4,000 张图直接从头训练基本会翻车。如果要用必须加载大规模预训练权重并且冻结前几层。我一般先用 ResNet-18 跑一个 baseline确认数据 pipeline 没问题后再换 EfficientNet-B0 或 Swin-Tiny 对比。3.2 用 timm 加载预训练模型的最小示例timm库统一了各种 backbone 的加载接口切换模型只需改一个字符串import timm import torch import torch.nn as nn # 查看 timm 支持的模型列表部分 # model_list timm.list_models(pretrainedTrue) # print([m for m in model_list if resnet in m][:10]) def build_model(model_nameresnet18, num_classes6, pretrainedTrue): model timm.create_model( model_name, pretrainedpretrained, num_classesnum_classes, drop_rate0.3, # 分类头 dropout drop_path_rate0.1, # stochastic depth对 Transformer 更有效 ) return model device torch.device(cuda if torch.cuda.is_available() else cpu) model build_model(resnet18, num_classes6).to(device) # 统计参数量 total_params sum(p.numel() for p in model.parameters()) trainable_params sum(p.numel() for p in model.parameters() if p.requires_grad) print(f总参数: {total_params/1e6:.1f}M, 可训练: {trainable_params/1e6:.1f}M)timm.create_model的pretrainedTrue会从网络下载 ImageNet 预训练权重。drop_rate控制分类头前的 dropout 概率小数据集建议设 0.2 到 0.5。drop_path_rate是 stochastic depth对 ResNet 效果有限但对 Swin Transformer 这类结构能明显抑制过拟合。num_classes必须与数据集类别数一致否则最后的全连接层维度对不上。如果显存有限可以冻结 backbone 的前几个 stage只训练后面的层和分类头# 冻结前两个 stage以 ResNet 为例 for name, param in model.named_parameters(): if layer1 in name or layer2 in name or conv1 in name: param.requires_grad False # 验证可训练参数变化 trainable sum(p.numel() for p in model.parameters() if p.requires_grad) print(f冻结后可训练参数: {trainable/1e6:.1f}M)冻结策略适合数据量极小少于 1,000 张或算力紧张的场景。4,000 张的规模我建议先全量微调如果验证集 loss 震荡再考虑冻结。3.3 数据增强小数据集的生命线4,000 张图要撑起一个泛化能力可用的模型增强策略必须到位。基础增强包括随机裁剪、水平翻转、颜色抖动进阶增强可以用 Mixup、CutMix、RandAugment。用torchvision.transforms组合from torchvision import transforms train_transform transforms.Compose([ transforms.RandomResizedCrop(224, scale(0.6, 1.0)), # 随机裁剪缩放 transforms.RandomHorizontalFlip(p0.5), transforms.RandomVerticalFlip(p0.2), # 叶片方向不固定 transforms.ColorJitter(brightness0.3, contrast0.3, saturation0.3, hue0.05), transforms.RandomRotation(degrees30), # 小角度旋转 transforms.ToTensor(), transforms.Normalize(mean[0.485, 0.456, 0.406], std[0.229, 0.224, 0.225]), transforms.RandomErasing(p0.25, scale(0.02, 0.15)), # 随机遮挡 ]) val_transform transforms.Compose([ transforms.Resize(256), transforms.CenterCrop(224), transforms.ToTensor(), transforms.Normalize(mean[0.485, 0.456, 0.406], std[0.229, 0.224, 0.225]), ])RandomResizedCrop的scale(0.6, 1.0)表示随机裁剪原图 60% 到 100% 的区域模拟不同拍摄距离。RandomVerticalFlip概率设低一些0.2因为叶片正反面特征不同过度翻转可能引入噪声。ColorJitter的hue控制在 0.05 以内避免颜色失真导致病害特征被破坏。RandomErasing模拟叶片遮挡提升模型对局部缺失的鲁棒性。验证集只用 resize 和中心裁剪不做随机增强。注意归一化的 mean 和 std 必须与预训练模型一致。用 ImageNet 预训练权重时就用车 ImageNet 的统计值如果换其他预训练源需要对应调整。4. 训练脚本怎么写从 DataLoader 到早停的完整链路4.1 构建 Dataset 和 DataLoader用torchvision.datasets.ImageFolder可以直接读取按文件夹组织的分类数据from torch.utils.data import DataLoader from torchvision.datasets import ImageFolder train_dataset ImageFolder(tea_split/train, transformtrain_transform) val_dataset ImageFolder(tea_split/val, transformval_transform) test_dataset ImageFolder(tea_split/test, transformval_transform) train_loader DataLoader(train_dataset, batch_size32, shuffleTrue, num_workers4, pin_memoryTrue) val_loader DataLoader(val_dataset, batch_size32, shuffleFalse, num_workers4, pin_memoryTrue) test_loader DataLoader(test_dataset, batch_size32, shuffleFalse, num_workers4, pin_memoryTrue) print(f类别映射: {train_dataset.class_to_idx}) print(f训练批次数: {len(train_loader)})ImageFolder要求每个类别一个子文件夹文件夹名即类别名。batch_size32是 4,000 张规模下的稳妥选择显存不够就降到 16 或 8。num_workers设为 CPU 核心数的 1/4 到 1/2太多反而会拖慢数据加载。pin_memoryTrue在 GPU 训练时能加速数据传输。如果类别不平衡用WeightedRandomSampler替代shuffleTruefrom torch.utils.data import WeightedRandomSampler import numpy as np targets [label for _, label in train_dataset.samples] class_counts np.bincount(targets) class_weights 1.0 / class_counts sample_weights class_weights[targets] sampler WeightedRandomSampler( weightssample_weights, num_sampleslen(sample_weights), replacementTrue ) train_loader DataLoader(train_dataset, batch_size32, samplersampler, num_workers4, pin_memoryTrue)class_weights是类别频率的倒数少数类权重更高。WeightedRandomSampler每个 epoch 按权重有放回地采样使每个 batch 的类别分布更均衡。replacementTrue表示允许重复采样同一样本。4.2 训练循环与关键超参设置训练循环包含前向传播、loss 计算、反向传播、参数更新四个步骤。加上验证和早停import torch.optim as optim from torch.optim.lr_scheduler import CosineAnnealingLR import time def train_one_epoch(model, loader, criterion, optimizer, device): model.train() running_loss, correct, total 0.0, 0, 0 for imgs, labels in 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() * imgs.size(0) _, preds outputs.max(1) correct (preds labels).sum().item() total labels.size(0) return running_loss / total, correct / total torch.no_grad() def evaluate(model, loader, criterion, device): model.eval() running_loss, correct, total 0.0, 0, 0 for imgs, labels in loader: imgs, labels imgs.to(device), labels.to(device) outputs model(imgs) loss criterion(outputs, labels) running_loss loss.item() * imgs.size(0) _, preds outputs.max(1) correct (preds labels).sum().item() total labels.size(0) return running_loss / total, correct / total # 超参设置 num_epochs 50 lr 1e-3 weight_decay 1e-4 patience 10 # 早停耐心值 criterion nn.CrossEntropyLoss() optimizer optim.AdamW(model.parameters(), lrlr, weight_decayweight_decay) scheduler CosineAnnealingLR(optimizer, T_maxnum_epochs, eta_min1e-6) best_val_acc 0.0 wait 0 for epoch in range(num_epochs): t0 time.time() train_loss, train_acc train_one_epoch(model, train_loader, criterion, optimizer, device) val_loss, val_acc evaluate(model, val_loader, criterion, device) scheduler.step() print(fEpoch {epoch1}/{num_epochs} | ftrain_loss{train_loss:.4f} train_acc{train_acc:.4f} | fval_loss{val_loss:.4f} val_acc{val_acc:.4f} | flr{scheduler.get_last_lr()[0]:.2e} | {time.time()-t0:.1f}s) if val_acc best_val_acc: best_val_acc val_acc torch.save(model.state_dict(), best_model.pth) wait 0 else: wait 1 if wait patience: print(f早停于 epoch {epoch1}最佳验证准确率: {best_val_acc:.4f}) breakAdamW的weight_decay1e-4是 Transformer 和 CNN 的常用值比 SGD 更容易调。CosineAnnealingLR让学习率从1e-3余弦衰减到1e-6避免训练后期震荡。patience10表示验证准确率连续 10 个 epoch 不提升就停止。best_model.pth保存验证集上表现最好的权重而不是最后一个 epoch 的权重。4.3 学习率与 batch size 的联动调整学习率和 batch size 不是独立的。经验公式是batch size 翻倍学习率也翻倍线性缩放规则。4,000 张图、batch_size32 时lr1e-3是合理起点。如果显存不够降到 batch_size16学习率应降到 5e-4 左右。如果换用 SGD学习率要设到 0.01 到 0.1 量级并配合 momentum0.9。另一个常被忽略的参数是 warmup。前几个 epoch 用极小的学习率线性增加到设定值能避免预训练权重被大梯度破坏from torch.optim.lr_scheduler import LinearLR, SequentialLR warmup_epochs 3 warmup_scheduler LinearLR(optimizer, start_factor0.01, total_iterswarmup_epochs) cosine_scheduler CosineAnnealingLR(optimizer, T_maxnum_epochs - warmup_epochs, eta_min1e-6) scheduler SequentialLR(optimizer, schedulers[warmup_scheduler, cosine_scheduler], milestones[warmup_epochs])start_factor0.01表示从设定学习率的 1% 开始total_iters3表示 3 个 epoch 后达到设定值。之后切换到余弦退火。这套组合在微调预训练模型时几乎不会出错。5. 避坑与排查4,000 张茶叶叶片图训练中的血泪经验5.1 验证集准确率远高于测试集现象训练时验证集准确率 95%测试集只有 78%。原因最常见的是数据泄漏——训练集和验证集/测试集里有重复或近似重复的图片。茶叶叶片采集时可能连拍同一片叶子出现在多个子集里。另一个原因是验证集被反复用于调参模型间接「见过」验证集。解决用 pHash 去重后再划分数据集确保同一片叶子的不同角度只出现在一个子集里。划分时用GroupShuffleSplit按采集批次分组。测试集只在最终评估时用一次中间调参只看验证集。5.2 模型只预测多数类现象训练 loss 下降但准确率卡在多数类占比附近混淆矩阵显示少数类全被预测成多数类。原因类别不平衡 交叉熵 loss 没有加权。模型发现把所有样本预测为多数类就能获得较低的 loss于是「躺平」。解决用WeightedRandomSampler或给CrossEntropyLoss传weight参数。weight 设为类别频率的倒数归一化后传入class_weights torch.tensor([1.0/c for c in class_counts], dtypetorch.float32) class_weights class_weights / class_weights.sum() * len(class_counts) criterion nn.CrossEntropyLoss(weightclass_weights.to(device))同时观察少数类的 recall而不是只看整体 accuracy。5.3 训练 loss 震荡不收敛现象loss 曲线剧烈抖动验证准确率忽高忽低。原因学习率太大、batch size 太小、或者数据增强过猛。RandomResizedCrop的 scale 下限设到 0.3 时裁剪出的区域可能只剩背景模型学不到有效特征。解决先把学习率降一个数量级试试。增强参数逐步加不要一次性全开。RandomResizedCrop的 scale 下限建议不低于 0.5。如果用了 Mixup 或 CutMix先关掉确认 baseline 能收敛再加。5.4 显存溢出OOM现象训练几个 batch 后报CUDA out of memory。原因batch size 太大、模型参数量太大、或者没有释放中间变量。解决降 batch size 是最直接的。如果不想降可以用梯度累积模拟大 batchaccum_steps 4 # 等效 batch_size 32 * 4 128 optimizer.zero_grad() for i, (imgs, labels) in enumerate(train_loader): imgs, labels imgs.to(device), labels.to(device) outputs model(imgs) loss criterion(outputs, labels) / accum_steps loss.backward() if (i 1) % accum_steps 0: optimizer.step() optimizer.zero_grad()另外验证阶段用torch.no_grad()装饰器避免计算图占用显存。5.5 推理时预处理不一致现象训练时验证准确率正常部署推理时结果完全不对。原因推理时的预处理与训练时的验证预处理不一致。常见错误包括忘了归一化、用了不同的 mean/std、resize 方式不同、通道顺序搞反BGR vs RGB。解决把验证集的 transform 单独保存推理时严格复用。用 OpenCV 读图默认是 BGR需要转成 RGB 再送入模型。归一化的 mean/std 必须与训练时完全一致。写一个preprocess_image函数训练和推理共用def preprocess_image(img_path, transform): from PIL import Image img Image.open(img_path).convert(RGB) return transform(img).unsqueeze(0) # 增加 batch 维度推理时用val_transform不要用train_transform。6. 把 4,000 张图的价值榨干进阶技巧与验证方法6.1 用交叉验证替代单次划分4,000 张图做单次 7:1.5:1.5 划分验证集只有 600 张指标波动可能达到 ±3%。更稳妥的做法是 5 折交叉验证把数据分成 5 份每次用 4 份训练、1 份验证取 5 次结果的平均值。这样能更准确地评估模型性能也能发现某些折上表现异常差的情况——那通常意味着数据分布有问题。from sklearn.model_selection import StratifiedKFold skf StratifiedKFold(n_splits5, shuffleTrue, random_state42) for fold, (train_idx, val_idx) in enumerate(skf.split(all_files, all_labels)): print(fFold {fold1}: train{len(train_idx)}, val{len(val_idx)}) # 按索引构建 Dataset 和 DataLoader训练后记录 val_acc5 折交叉验证的训练时间是单次的 5 倍但换来的是更可靠的结论。如果算力有限至少做 3 折。6.2 用混淆矩阵和 t-SNE 定位模型弱点准确率只是一个数字混淆矩阵能告诉你模型在哪些类别上犯错from sklearn.metrics import confusion_matrix, classification_report import seaborn as sns import matplotlib.pyplot as plt model.eval() all_preds, all_labels [], [] with torch.no_grad(): for imgs, labels in test_loader: imgs imgs.to(device) outputs model(imgs) _, preds outputs.max(1) all_preds.extend(preds.cpu().numpy()) all_labels.extend(labels.numpy()) cm confusion_matrix(all_labels, all_preds) print(classification_report(all_labels, all_preds, target_namestest_dataset.classes)) sns.heatmap(cm, annotTrue, fmtd, cmapBlues, xticklabelstest_dataset.classes, yticklabelstest_dataset.classes) plt.xlabel(预测) plt.ylabel(真实) plt.tight_layout() plt.savefig(confusion_matrix.png, dpi150)如果某两个类别互相混淆严重说明它们的视觉特征太接近。解决办法包括增加这两类的区分性样本、用更细粒度的标注比如标注病斑位置、或者换用更强的 backbone。t-SNE 可视化特征空间也能直观看到类别是否可分from sklearn.manifold import TSNE features [] model.eval() with torch.no_grad(): for imgs, _ in test_loader: imgs imgs.to(device) feat model.forward_features(imgs) # timm 模型支持 features.append(feat.cpu().numpy()) features np.concatenate(features, axis0) tsne TSNE(n_components2, perplexity30, random_state42) embeddings tsne.fit_transform(features.reshape(features.shape[0], -1)) plt.scatter(embeddings[:, 0], embeddings[:, 1], call_labels, cmaptab10, s5) plt.colorbar() plt.savefig(tsne.png, dpi150)forward_features返回分类头之前的特征向量。t-SNE 降维后如果同类样本聚成一团、不同类分开说明模型学到了有区分度的特征如果混在一起说明 backbone 需要换或增强策略需要调整。6.3 模型导出与推理速度测试训练完成后导出为 ONNX 格式可以在多种推理引擎上运行dummy_input torch.randn(1, 3, 224, 224).to(device) torch.onnx.export( model, dummy_input, tea_leaf_model.onnx, input_names[input], output_names[output], dynamic_axes{input: {0: batch}, output: {0: batch}}, opset_version11 ) print(ONNX 模型已导出)dynamic_axes允许变长 batch 输入。opset_version11兼容性较好。导出后用onnxruntime测推理速度import onnxruntime as ort import numpy as np sess ort.InferenceSession(tea_leaf_model.onnx) dummy np.random.randn(1, 3, 224, 224).astype(np.float32) for _ in range(10): # 预热 sess.run(None, {input: dummy}) import time t0 time.time() for _ in range(100): sess.run(None, {input: dummy}) print(f平均推理耗时: {(time.time()-t0)/100*1000:.1f}ms)CPU 上 ResNet-18 的推理耗时通常在 20 到 50ms 之间EfficientNet-B0 在 15 到 30ms。如果部署到边缘设备MobileNetV3 能压到 10ms 以内。这些数据决定了方案能不能落地到实时检测场景。我自己的习惯是每次拿到新数据集先跑一遍 ResNet-18 baseline记录准确率和混淆矩阵然后再决定要不要上更大的模型。4,000 张茶叶叶片图ResNet-18 配合强增强通常能到 90% 以上的验证准确率如果低于 85%问题多半在数据质量或划分方式上而不是模型不够大。希望帮到你。本文还有配套的精品资源点击获取