简介：这是一份基于迁移学习残差网络的食物图像分类项目，使用Python编写，适合作为大学课程设计或期末大作业，已获导师指导并通过高分评价，项目完整确保可以运行。压缩包内共有两千个文件，包含一千九百八十三张食物图片作为数据集，另有十二个Python源码文件以及配置文件、说明文档等，整体大小约两百三十三兆，目录结构清晰便于查找。项目覆盖了图像分类的完整流程，从数据预处理、模型构建到训练评估均有对应脚本，无需修改即可直接运行，能帮助学习者快速掌握迁移学习实战方法。附带的文档详细介绍了项目背景、使用方式与实验结论，方便答辩展示。目前已有156人学习下载，既可作为深度学习课程设计的高分参考，也能作为图像分类任务的基础研究项目。

1. 迁移学习做食物分类：先想明白这个97分项目好在哪

解压这份“python项目源码-实现迁移学习ResNet网络的食物图像分类”课程设计以后，我建议你先别急着双击train.py，而是把技术路线在脑子里过一遍。这个项目不是让你白手起家搭网络，而是用迁移学习把ResNet预训练权重搬到自己的食物数据集上微调。食物图像分类有几个特点：类别多、每类样本少，烤面包和法棍这种“同门兄弟”容易混，所以在有限数据下，随机初始化的ResNet很难稳定，迁移学习正好对症。这份资源自带源码、图片样本和文档说明，适合期末大作业、课程设计以及第一次接触ResNet的开发者，环境搭好后可以完整复现训练。后面会从选型逻辑、代码结构、参数配置，讲到显存、权重下载和类别映射这几个实际坑，让你下载后少走弯路。

2. 迁移学习与 ResNet 选型：两个决定成败的配置决策

2.1 为什么食物分类场景优先选迁移学习

先看数据现实。课程设计里的食物数据集，一般来自 Food-101 的子集或自采爬取，训练集几百到两三千张不等，分配到十几个类别后，每个类可能只有几十上百张。这个规模对 ResNet 这种深网络意味着什么？如果从随机初始化开始训练，模型要先从零学习边缘、纹理、形状这些底层特征，数据量根本不够它“吃饱”，结果就是训练集准确率能涨到 90% 以上，验证集却停在一个低点，这是典型的过拟合。

迁移学习解决的正是这个问题：ImageNet 上的预训练权重，相当于让模型在 1400 万张图里先看过了“世界长什么样”，它已经把边缘、纹理、部件级的特征固化在卷积核里，你要做的只是在它头顶换一个适合你类别数量的分类头，然后用食物数据把最后几层微调一遍。这样做的收敛速度明显更快，达到同样精度需要的数据量也少一个量级。在学术语境里，这种做法属于归纳式迁移学习，区别于直推式迁移和域适应，课程设计绝大部分就是归纳式微调，不需要往复杂方向上想。

怎么快速判断这个项目到底该用“特征提取”还是“微调”？我一般先做一次小实验：把最后一层之外的参数全部冻结，只训练分类头，跑 5 个 epoch 看验证集 Top-1。如果准确率能到 70% 以上，说明预训练特征对当前食物数据集足够好用；如果卡在 50% 以下且 loss 下不去，说明数据分布和 ImageNet 差异较大，需要把后面几个 block 也解冻做微调。这个“先冻结试跑再解冻”的操作，就是我们在下一个小节里要展开的策略选择。

2.2 为什么骨干网络用 ResNet50

ResNet 本身解决的是深层网络的退化问题。论文里的核心改动是引入残差块，也就是在卷积层旁边加一条恒等映射（skip connection），让梯度在反向传播时多一条“高速通道”。这条通道带来的直接收益是：网络可以安心加深到 50 层、101 层而不出现梯度消失，训练过程也比 VGG 那种直筒结构稳定得多。对食物图像分类来说，通常不需要像 ImageNet 分类那样动用 152 层，ResNet50 是一个很均衡的落点。

和 VGG16 相比，ResNet50 参数量处在相近量级但计算量更小，训练和推理都快不少；和 EfficientNet 相比，虽然 EfficientNet 同等精度下更省参数，但对预训练权重的获取和数据增强的配合更挑剔，在课程设计这种“求稳”的场景里，ResNet50 的预训练权重最容易拿到、资料最多、踩坑也最少。还有一个隐性优势：ResNet 的 layer3、layer4 输出通常被当作粗粒度特征和细粒度特征的来源，如果你后续想加入注意力机制或特征金字塔，对输出做拼接，ResNet 的分层结构改起来很顺手，这也是很多改进版食物分类论文选它做骨干的原因。

食物这个场景里，细粒度特征格外关键。食物的类别界限往往不在“有没有轮子”这种大结构差异上，而在表面纹理、局部配料这些细小区别上，比如披萨和馅饼，远看都是圆形带馅的面食，只有注意到底部饼皮和边缘褶皱才能分开。所以用 ResNet50 拿多尺度输出比直接用单层向量更有潜力，这一条可以作为你往文档说明里写的“改进方向”，显得不是照抄代码。

2.3 特征提取与微调：冻结策略与代码落点

现在落实到代码。常见做法是使用 torchvision 的预训练 ResNet50，替换全连接层。

import torchvision.models as models # 加载在ImageNet上预训练好的ResNet50 model = models.resnet50(weights=models.ResNet50_Weights.IMAGENET1K_V2) in_features = model.fc.in_features # 把原1000类分类头替换成自己的类别数 model.fc = torch.nn.Linear(in_features, num_classes)

这里有两个细节容易忽略：第一，一定要先取model.fc.in_features，因为 ResNet50 最后的全连接层输入是 2048 维，不同系列 backbone 这个数值不一样，硬编码 2048 虽然 ResNet50 没错，但换模型就要改，不如用代码取；第二，IMAGENET1K_V2是 torchvision 较新版本推荐的权重枚举，比字符串pretrained=True更明确，能避免版本废弃警告。

冻结策略怎么选，我整理成了下面这张对照表，按类别样本量对号入座：

后段微调是我在这个项目里最常用的中间档，既能保留 ImageNet 的低中层级特征，又能让高层语义适配食物数据。

# 先全部冻结，再按需解冻后段 for name, param in model.named_parameters(): if 'layer3' not in name and 'layer4' not in name and 'fc' not in name: param.requires_grad = False # 优化器只接收 requires_grad=True 的参数，避免白算冻结层的梯度 trainable_params = [p for p in model.parameters() if p.requires_grad] optimizer = torch.optim.AdamW(trainable_params, lr=1e-4)

这段代码是整套迁移学习流程的“分水岭”。requires_grad控制的是反向传播时要不要计算梯度，而不是前向传播要不要跑——所以冻结层依然会参与计算，只是权重不再更新。这也解释了一个常见疑问：为什么冻结了大部分层，显存占用并没有显著下降，因为中间层的特征图仍然要存在内存里供反向传播使用。

3. 把项目跑起来：目录结构、环境安装与数据准备

3.1 解压后先看项目结构：确认每一份文件干什么用

课程设计项目下载后最容易翻车的地方，不是代码写错，而是不知道哪份文件是入口、哪份是文档、数据放在哪个目录。解压后我建议先按下面的清单对一遍，把文件名和用途对应上。

这个项目自带的数据目录里是常见的 jpg 图片样本，像 17052.jpg、img_151.jpg、17443.jpg 这类文件名直接铺在类别子目录下，没有额外的标注文件。如果你自己换数据集，也要保持这种“文件夹名即标签”的布局，因为后面加载用的ImageFolder只认这种结构。

一个小建议：把data/train和data/val两个目录打开，各抽一个类别对比看看。训练集和验证集的类别子目录命名必须一字不差，大小写也要一致。很多同学在这个环节偷懒，结果训练时类别数对不上，运行时报错让人摸不着头脑。

3.2 环境安装：Python、PyTorch 与预训练权重缓存

依赖清单通常是这样的：

torch>=1.10 torchvision>=0.11 numpy matplotlib pillow scikit-learn tensorboard

安装命令在命令行里执行：

pip install -r requirements.txt

Python 版本建议 3.8 以上，PyTorch 1.10 到 2.x 的版本都能跑通这个项目。注意torchvision要和torch版本配套，不能随意装最新版，否则可能出现算子不匹配。装完后用一段脚本来确认基础环境：

import torch print(torch.__version__) print(torch.cuda.is_available())

cuda.is_available()返回True表示显卡可用。如果这里显示False，可能是 PyTorch 装成了 CPU 版，也可能是驱动版本过旧。这个项目在 CPU 上也能训练，只是速度会慢 5～10 倍，训练轮次和batch_size都要相应下调，这个后面参数章节会细说。

权重缓存这里先留个心眼：第一次运行models.resnet50(weights=...)时，torchvision 会自动联网下载预训练权重到~/.cache/torch/hub/checkpoints/。这一步在你手动跑通之前最好先验证一次，下载成功后再开始正式训练。我的习惯是先去这个缓存目录确认文件存在，否则训练启动到一半卡在下载进度条上，很影响心情。

3.3 数据加载：从 ImageFolder 到类别映射的完整流程

数据加载这一块，项目里最可能用到的方案是torchvision.datasets.ImageFolder，它按目录结构批量读取图片，并自动生成类别索引。常规写法如下：

from torchvision import datasets, transforms from torch.utils.data import DataLoader # 训练集增强 train_transform = transforms.Compose([ transforms.RandomResizedCrop(224, scale=(0.6, 1.0)), transforms.RandomHorizontalFlip(), transforms.ToTensor(), transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]) ]) # 验证集不做随机增强，只用固定缩放 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]) ]) train_dataset = datasets.ImageFolder(root='data/train', transform=train_transform) val_dataset = datasets.ImageFolder(root='data/val', transform=val_transform) train_loader = DataLoader(train_dataset, batch_size=32, shuffle=True, num_workers=2) val_loader = DataLoader(val_dataset, batch_size=32, shuffle=False, num_workers=2)

这段代码里有三个点值得展开。第一，Normalize的 mean 和 std 必须使用 ImageNet 的统计量[0.485, 0.456, 0.406]，因为 ResNet50 预训练权重是在这个归一化约定下训出来的，换掉数值相当于把输入分布改了，预训练特征就没法对齐。第二，验证集不做随机裁剪，只做Resize(256)加CenterCrop(224)，这是为了每次验证结果可复现，不会被随机增强干扰。第三，训练集shuffle=True，验证集shuffle=False，前者保证每个 batch 的类别分布尽量随机，后者保证验证指标稳定可对比。

这里还要提前说一个重要机制：ImageFolder的类别顺序是按目录名字母排序的，不是按你创建文件夹的顺序。也就是说，如果你把“汉堡”文件夹建在前面，但它的字母序在“披萨”后面，索引就会被排在后面。训练结束后保存预测结果时，一定要用train_dataset.classes来对应类别名，不要自己手写一份列表。

我每次跑完训练还会顺手打印一下每个类别的样本数：

from collections import Counter counts = Counter([label for _, label in train_dataset.samples]) print(counts)

这一行输出对后面判断样本不均衡很有用。如果有的类别只有 30 张、有的类别有 300 张，验证曲线会出现明显的波动，这就是第 5 章要讲的坑之一。

4. 参数调优实战：lr、batch_size 与数据增强在食物数据上的配置

4.1 学习率与优化器：微调阶段的两个第一顺位参数

食物图像分类用迁移学习，最优先调的不是网络结构，而是学习率和优化器的组合。我把这个项目在不同策略下的推荐配置整理成了一张速查表。

核心代码块长这样：

import torch from torch.optim.lr_scheduler import CosineAnnealingLR optimizer = torch.optim.AdamW( model.parameters(), lr=1e-4, # 微调阶段典型初始值 weight_decay=1e-4 # 对食物小数据集有明显抑制作用 ) scheduler = CosineAnnealingLR( optimizer, T_max=30, # 与训练总轮数保持一致 eta_min=1e-6 # 末轮学习率的下限 )

为什么选 AdamW 而不是传统 SGD？诚实说，SGD 加动量在 ImageNet 这类大数据集上泛化表现确实好，但课程设计场景下 AdamW 的调试成本低得多，它对学习率不那么敏感，而且内置的权重衰减对几百到几千张的食物数据能有效压住过拟合。weight_decay=1e-4是一个经验值，太大会让模型欠拟合，太小又起不到正则作用。

学习率的设置逻辑要区分场景：特征提取阶段，fc 层是随机初始化的，可以给稍大的 lr 让它快速收敛；后段微调阶段，解冻的 layer3、layer4 承接了预训练特征，lr 必须降下来，否则会把已经学好的高层特征“冲坏”。全量微调更敏感，一般从 1e-4 起步，如果 loss 前几个 epoch 出现反弹，直接降到 3e-5 重新跑。

4.2 batch_size、输入分辨率与 BN 层的联动关系

batch_size的选择不能只看显存，还和 ResNet 里的 BatchNorm 层有直接关系。ResNet 每一层卷积后面都跟着 BN，它统计的是一个 batch 内的均值和方差来归一化特征。如果batch_size太小，比如只有 2 或 4，BN 统计量会剧烈抖动，训练 loss 看起来在下降，验证集准确率却像心电图一样上下乱窜。

显存紧张时的常见取舍顺序是：先降 batch_size 到 16，不行再到 8，保底 4。但低于 8 时建议配合梯度累积，用多个小 batch 累积梯度后再更新一次参数，等效于一个更大的 batch：

accumulation_steps = 4 # 等效batch_size = 单卡batch_size * 4 for i, (images, labels) in enumerate(train_loader): outputs = model(images) loss = criterion(outputs, labels) / accumulation_steps loss.backward() if (i + 1) % accumulation_steps == 0: optimizer.step() optimizer.zero_grad()

参数accumulation_steps的含义是把多少个 batch 的梯度累积后再做一次参数更新。这里有个容易算错的地方：loss 一定要除以accumulation_steps，否则等效 batch 变大后梯度绝对值也会变大，相当于隐式放大了学习率，训练行为会和预期差很多。

输入分辨率方面，ResNet 默认是 224×224。如果显存还有富余，可以尝试把输入放大到 256 或 288，食物细节会有一定提升，但训练时间也线性增加。我的建议是课程设计用默认 224 就够了，把调分辨率的时间花在数据增强上更划算。

4.3 数据增强参数：食物图像要慎用“重口味”增强

数据增强对食物分类是把双刃剑。用得太轻，模型容易过拟合；用得太重，会把食物原本的颜色和质感信息破坏掉。我列了这份食物场景特有的参数参考表：

train_transform = transforms.Compose([ transforms.RandomResizedCrop(224, scale=(0.6, 1.0)), transforms.RandomHorizontalFlip(p=0.5), transforms.RandomRotation(degrees=15), transforms.ColorJitter(brightness=0.2, contrast=0.2, saturation=0.2), transforms.ToTensor(), transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]) ])

RandomResizedCrop里scale=(0.6, 1.0)的意思是裁剪区域占原图面积的 60% 到 100%，下限设太高会让模型只看食物局部而失去整体判断，设太低又会裁掉关键部位。食物和普通物体不同，一道菜的整体摆盘和餐具通常也是识别线索，所以我把下限压到 0.6 而不是 ImageNet 常用的 0.08。

ColorJitter这里特别强调一点：hue参数保持为 0，不要调。食物颜色对分类非常关键，烤鸡的焦褐色、蔬菜的翠绿色都是强判别特征，色调偏移会直接把这些信息毁掉。亮度、对比度、饱和度小幅扰动就够了，幅度控制在 0.2 以内。

5. 避坑与排查：食物图像分类训练中的 5 个实际踩坑记录

5.1 坑 1：loss 稳定下降但验证集准确率纹丝不动

现象：训练到第 5 个 epoch，训练 loss 从 2.3 降到 0.9，但验证集 Top-1 准确率一直卡在 0.2 左右，像是模型在“瞎猜”。

原因：最常见的是训练集和验证集的类别映射不一致。ImageFolder按文件夹名字母序生成索引，如果你在训练时用了一套数据集，验证时换了另一套目录结构，两边的class_to_idx顺序对不上，验证标签就是错的。另一种可能是验证集 transform 里用了随机增强，导致每次验证结果波动很大且均值偏低。

解决：训练开始前先打印train_dataset.class_to_idx和val_dataset.class_to_idx，确认两个字典完全一致。我习惯把映射关系存成 json 文件，后面推理阶段也用它，保证全流程用的是同一套索引。

import json with open('class_names.json', 'w') as f: json.dump(train_dataset.class_to_idx, f, indent=2)

这个文件就是“后悔药”。推理阶段直接从 json 读索引，既不会搞混顺序，也方便别人理解你的数据约定。

5.2 坑 2：预训练权重下载失败，训练卡在启动阶段

现象：运行训练脚本后，控制台停在Downloading: ...的进度条，数字长时间不动，最后抛超时或FileNotFoundError。

原因：torchvision 的预训练权重托管在境外服务器，国内网络环境下下载不稳定是常态，不是代码逻辑的问题。第二次运行时如果缓存没写完整，还会反复触发同样的问题。

解决：手动把权重文件拿下来，放到~/.cache/torch/hub/checkpoints/目录，训练脚本检测到缓存文件存在就不会再联网。具体做法是：浏览器或其他下载工具先下载resnet50-0676ba61.pth，然后放进缓存目录。torchvision 加载时按文件名加哈希匹配，文件名必须保持原样。如果团队协作，可以把权重放到项目weights/目录下，用torch.load加state_dict手动加载，不走自动下载逻辑。

state = torch.load('weights/resnet50-0676ba61.pth') model = models.resnet50(weights=None) model.load_state_dict(state)

这里weights=None表示不加载内置预训练权重，而是从本地文件手动注入。这样做的额外好处是训练脚本完全离线可跑，答辩演示时不会因为网络问题尴尬。

5.3 坑 3：显存不足，一启动训练就 OOM 崩溃

现象：RuntimeError: CUDA out of memory，训练刚进入第一个 batch 就崩了。

原因：最常见的是batch_size设得太大，或者输入分辨率被人为调高。注意一个误区：冻结层并不会减少显存占用，因为前向传播的特征图仍然要计算和存储，只是不存梯度而已。

解决：先把batch_size降到 16 试跑，不行再降 8。如果必须用大 batch，就用 4.2 小节里的梯度累积方案。还可以检查一下 DataLoader 的num_workers，设置过大会复制多份数据到内存，也会推高显存压力。另外 PyTorch 提供了显存清理手段，在验证阶段临时释放占用：

with torch.no_grad(): model.eval() for images, labels in val_loader: ...

torch.no_grad()关闭了自动求导，验证时不会为中间特征保存梯度，显存占用能降一半以上。这行代码写不写，对 OOM 的临界状态影响很大。我见过好几个项目训练正常、一进验证就崩，原因就是验证循环忘了包这层。

5.4 坑 4：验证集准确率大幅震荡，训练曲线像锯齿

现象：验证集准确率相邻两个 epoch 可以相差 8 到 10 个百分点，训练 loss 曲线每轮都上下跳，完全看不出收敛趋势。

原因：最常见是初始学习率偏大。迁移学习模型在微调阶段对 lr 极其敏感，预训练特征已经在一个很平滑的损失谷里，lr 太大就会在谷壁来回弹跳，验证集表现自然不稳定。另一个可能性是batch_size太小，BN 统计量在训练和验证之间存在显著差异。

解决：先把 lr 从 1e-4 降到 1e-5 跑 10 个 epoch，如果曲线稳定再逐步回升。同时检查调度器，CosineAnnealingLR在训练中段就会把 lr 降下来，比 StepLR 的阶梯式下降更平滑，更适配微调场景。还有一个容易被忽略的点：验证频率建议固定为每个 epoch 结束跑一次完整验证，不要用训练过程中的某几个 batch 去算准确率，那样只会得到高方差噪声。

5.5 坑 5：预测结果永远指向同一个类别

现象：模型训练完，随便拿哪张测试图片推理，输出概率最高的永远是同一个类别，比如所有图片都是“面包”。

原因：通常是训练集类别样本严重不均衡，某类图片数量占绝对优势，模型学到“无脑预测多数类”的捷径。少数类在交叉熵里贡献的梯度太小，根本翻转不了多数类的先验概率。另一个次要原因是全连接层的 bias 初始化偏向样本多的一侧。

解决：在CrossEntropyLoss里按类别样本数反比设置权重，或者给 DataLoader 换用WeightedRandomSampler，让每个 batch 里少样本类也有出场机会。

from torch.utils.data.sampler import WeightedRandomSampler labels = [label for _, label in train_dataset.samples] class_counts = torch.bincount(torch.tensor(labels)) weights = 1.0 / class_counts.float() sample_weights = torch.tensor([weights[label] for label in labels]) sampler = WeightedRandomSampler( sample_weights, num_samples=len(sample_weights), replacement=True ) train_loader = DataLoader( train_dataset, batch_size=32, sampler=sampler, num_workers=2 )

sample_weights的含义是：每个样本被抽中的概率权重等于其类别样本数的倒数。少样本类别的样本会被重复抽中，多数类样本相对少出现，从而让训练过程的类别分布更均衡。注意设置了sampler之后，DataLoader 的shuffle参数必须保持False，两者重复会导致运行时报错。

6. 进阶：把课程设计变成可演示系统的最后两步

6.1 用混淆矩阵和 classification_report 验证模型短板

课程设计文档里如果只放一条准确率曲线，答辩老师大概率会觉得“这项目没做透”。一个低成本高说服力的做法是跑一次完整验证，输出混淆矩阵和分类报告，看看模型到底在哪些食物类别上犯混。

from sklearn.metrics import classification_report, confusion_matrix val_labels, pred_labels = [], [] for images, labels in val_loader: images = images.to(device) outputs = model(images) _, preds = torch.max(outputs, 1) val_labels.extend(labels.numpy()) pred_labels.extend(preds.cpu().numpy()) print(classification_report(val_labels, pred_labels, target_names=val_dataset.classes, digits=3)) cm = confusion_matrix(val_labels, pred_labels) print(cm)

classification_report会同时给出每个类别的 precision、recall 和 f1-score，比全局准确率更能暴露问题。比如“烤面包”和“法棍”这两个类如果 f1 只有 0.6，说明它们确实容易混——这就是你文档里可以深入写的“细粒度分类难点”，而不是笼统说“模型效果不错”。

6.2 用单图推理脚本提升演示说服力

答辩现场最怕的是临时跑测试代码，控制台报错找不到文件。我建议把推理封装成一个独立的脚本，输入任意本地图片路径，输出预测类别和置信度，演示时一个命令出结果。

def predict_single_image(model, image_path, transform, device): from PIL import Image model.eval() img = Image.open(image_path).convert('RGB') img_tensor = transform(img).unsqueeze(0).to(device) with torch.no_grad(): logits = model(img_tensor) probs = torch.softmax(logits, dim=1) conf, idx = torch.max(probs, 1) return val_dataset.classes[idx.item()], conf.item() # 使用示例 class_name, conf = predict_single_image(model, 'data/val/17052.jpg', val_transform, device) print(f'预测类别：{class_name}，置信度：{conf:.4f}')

convert('RGB')这一行很关键，它保证灰度图或带透明通道的 PNG 都被统一转成三通道 RGB，否则维度对不上会直接抛错。torch.softmax把 logits 转成了概率分布，这里取max而不是直接argmax，是为了顺带拿到置信度，方便在演示时展示“模型不仅判对了，而且很有把握”。

从那次以后，我每次把课程设计项目移交出去，都会在根目录留下class_names.json和一张完整的混淆矩阵图，然后随机挑三张验证集图片做单图推理，确认输出和图片内容一致才敢说“跑通了”。这个动作帮我避掉过太多次演示现场的尴尬，也让我养成了先看数据再谈模型的习惯。希望帮到你。

本文还有配套的精品资源，点击获取