簡(jiǎn)介這份資源是面向高校學(xué)生與深度學(xué)習(xí)入門(mén)者的常見(jiàn)農(nóng)作物病蟲(chóng)害識(shí)別系統(tǒng)完整項(xiàng)目包對(duì)應(yīng)高分畢業(yè)設(shè)計(jì)涵蓋從數(shù)據(jù)收集、視覺(jué)顯著性處理到卷積神經(jīng)網(wǎng)絡(luò)云訓(xùn)練的完整鏈路并涉及Inception-V3、MobileNet-V2等經(jīng)典模型適合需要完成課程設(shè)計(jì)、畢業(yè)設(shè)計(jì)或想系統(tǒng)實(shí)踐圖像分類(lèi)的讀者。壓縮包共281個(gè)文件約522.63MB包含14個(gè)Python源碼、8個(gè)Vue與7個(gè)JavaScript前端文件、34張png圖表、107個(gè)txt說(shuō)明及多份pdf、docx論文與技術(shù)路線(xiàn)圖文檔源碼、教程與論文配套齊全。目前已有2898人學(xué)習(xí)下載。讀者可據(jù)此獲得一套經(jīng)導(dǎo)師指導(dǎo)并通過(guò)的完整方案包括數(shù)據(jù)處理流程、模型訓(xùn)練代碼、前端展示界面與論文寫(xiě)作參考便于快速?gòu)?fù)現(xiàn)實(shí)驗(yàn)、理解網(wǎng)絡(luò)結(jié)構(gòu)與超參數(shù)設(shè)置并在此基礎(chǔ)上完成二次開(kāi)發(fā)或撰寫(xiě)自己的畢業(yè)設(shè)計(jì)。1. 從一份能跑通的病蟲(chóng)害識(shí)別源碼說(shuō)起去年幫一個(gè)學(xué)弟看他的畢業(yè)設(shè)計(jì)打開(kāi)壓縮包我就愣住了三個(gè)版本的代碼混在一起requirements.txt 里寫(xiě)著一堆互相沖突的版本號(hào)README 只有一行“運(yùn)行 main.py”。他跟我說(shuō)網(wǎng)上找的“深度學(xué)習(xí)病蟲(chóng)害識(shí)別”資源十個(gè)里有八個(gè)跑不起來(lái)剩下兩個(gè)跑起來(lái)準(zhǔn)確率只有 40%。這不是個(gè)例。農(nóng)作物病蟲(chóng)害識(shí)別這個(gè)方向因?yàn)閿?shù)據(jù)集相對(duì)規(guī)整、模型結(jié)構(gòu)成熟成了畢業(yè)設(shè)計(jì)的熱門(mén)選題但真正能跑通、能改、能寫(xiě)進(jìn)論文的完整資源并不多。這份基于深度學(xué)習(xí)的常見(jiàn)農(nóng)作物病蟲(chóng)害識(shí)別系統(tǒng)包含源碼、教程和論文參考覆蓋了從數(shù)據(jù)預(yù)處理到模型訓(xùn)練再到界面演示的完整鏈路適合正在做相關(guān)畢業(yè)設(shè)計(jì)、課程設(shè)計(jì)或者想快速搭一個(gè)圖像分類(lèi)原型的開(kāi)發(fā)者。它解決的核心問(wèn)題是讓你不用從零攢數(shù)據(jù)集、調(diào)網(wǎng)絡(luò)結(jié)構(gòu)、寫(xiě)界面直接在一個(gè)可復(fù)現(xiàn)的基線(xiàn)上做二次開(kāi)發(fā)。2. 先搞清楚識(shí)別系統(tǒng)的技術(shù)底座CNN 怎么把葉片照片變成病蟲(chóng)害標(biāo)簽?zāi)玫揭环萆疃葘W(xué)習(xí)項(xiàng)目最怕的就是把它當(dāng)黑匣子跑一遍就完事。病蟲(chóng)害識(shí)別本質(zhì)上是一個(gè)細(xì)粒度圖像分類(lèi)問(wèn)題——不同病害在葉片上的表現(xiàn)差異可能只是幾個(gè)斑點(diǎn)的大小和顏色這對(duì)模型的特征提取能力要求比普通貓狗分類(lèi)高得多。這份資源用的是卷積神經(jīng)網(wǎng)絡(luò)路線(xiàn)常見(jiàn)做法是 ResNet 或 MobileNet 做骨干配合數(shù)據(jù)增強(qiáng)和遷移學(xué)習(xí)。下面把關(guān)鍵環(huán)節(jié)拆開(kāi)講。2.1 數(shù)據(jù)集結(jié)構(gòu)與類(lèi)別不平衡的處理邏輯病蟲(chóng)害數(shù)據(jù)集通常按“作物-病害”兩級(jí)目錄組織比如data/train/玉米-銹病/、data/train/玉米-健康/。這份資源的目錄結(jié)構(gòu)大概率也是這個(gè)套路因?yàn)?PyTorch 的ImageFolder和 TensorFlow 的image_dataset_from_directory都默認(rèn)這種格式。但真實(shí)場(chǎng)景里有個(gè)繞不開(kāi)的問(wèn)題健康樣本往往比病害樣本多某些罕見(jiàn)病害可能只有幾十張圖。直接訓(xùn)練會(huì)導(dǎo)致模型偏向多數(shù)類(lèi)在驗(yàn)證集上看著準(zhǔn)確率不錯(cuò)實(shí)際對(duì)少數(shù)類(lèi)幾乎沒(méi)識(shí)別能力。常見(jiàn)做法是在 DataLoader 里加WeightedRandomSampler給每個(gè)類(lèi)別按樣本數(shù)反比賦權(quán)重。代碼大概長(zhǎng)這樣import os from torch.utils.data import WeightedRandomSampler from torchvision import datasets # 加載訓(xùn)練集ImageFolder 自動(dòng)按目錄名映射標(biāo)簽 train_dataset datasets.ImageFolder(rootdata/train, transformtrain_transform) # 統(tǒng)計(jì)每個(gè)類(lèi)別的樣本數(shù) class_counts [0] * len(train_dataset.classes) for _, label in train_dataset.samples: class_counts[label] 1 # 按樣本數(shù)反比計(jì)算權(quán)重樣本越少權(quán)重越高 class_weights [1.0 / c for c in class_counts] sample_weights [class_weights[label] for _, label in train_dataset.samples] # 用 WeightedRandomSampler 替換默認(rèn)的隨機(jī)采樣 sampler WeightedRandomSampler( weightssample_weights, num_sampleslen(sample_weights), replacementTrue # 允許重復(fù)采樣少數(shù)類(lèi) )這段代碼的邏輯是先遍歷train_dataset.samples拿到每張圖的標(biāo)簽統(tǒng)計(jì)出每個(gè)類(lèi)別的總數(shù)然后對(duì)每個(gè)類(lèi)別取倒數(shù)作為權(quán)重樣本越少權(quán)重越大最后用WeightedRandomSampler讓 DataLoader 在每次 epoch 中按權(quán)重采樣少數(shù)類(lèi)會(huì)被更頻繁地抽到。參數(shù)replacementTrue表示有放回采樣這是必須的否則少數(shù)類(lèi)樣本抽完就沒(méi)了。num_samples一般設(shè)成和訓(xùn)練集總數(shù)一致保證每個(gè) epoch 看到的圖片數(shù)量和正常訓(xùn)練差不多。注意如果驗(yàn)證集也做同樣的采樣評(píng)估結(jié)果會(huì)失真。驗(yàn)證集必須用原始分布才能反映模型在真實(shí)場(chǎng)景下的表現(xiàn)。2.2 遷移學(xué)習(xí)與凍結(jié)層的選擇從零訓(xùn)練一個(gè) ResNet 在幾千張圖上很容易過(guò)擬合所以這份資源大概率用了預(yù)訓(xùn)練權(quán)重。關(guān)鍵決策是凍結(jié)多少層。常見(jiàn)做法是只替換最后的全連接層然后分階段解凍先凍結(jié)骨干只訓(xùn)練分類(lèi)頭等 loss 穩(wěn)定后再解凍最后幾個(gè) block 做微調(diào)。代碼結(jié)構(gòu)如下import torchvision.models as models import torch.nn as nn # 加載預(yù)訓(xùn)練 ResNet18weights 參數(shù)指定使用 ImageNet 預(yù)訓(xùn)練權(quán)重 model models.resnet18(weightsmodels.ResNet18_Weights.IMAGENET1K_V1) # 凍結(jié)骨干網(wǎng)絡(luò)的所有參數(shù) for param in model.parameters(): param.requires_grad False # 替換最后的全連接層輸出維度改為病蟲(chóng)害類(lèi)別數(shù) num_classes len(train_dataset.classes) model.fc nn.Linear(model.fc.in_features, num_classes) # 此時(shí)只有 model.fc 的參數(shù)需要訓(xùn)練 optimizer torch.optim.Adam(model.fc.parameters(), lr1e-3)第一階段的lr可以設(shè)大一點(diǎn)比如1e-3因?yàn)橹挥?xùn)練分類(lèi)頭收斂快。等驗(yàn)證集準(zhǔn)確率不再上升后解凍model.layer4把學(xué)習(xí)率降到1e-4繼續(xù)訓(xùn)練。這個(gè)策略比一上來(lái)就全網(wǎng)絡(luò)微調(diào)更穩(wěn)血淚經(jīng)驗(yàn)是小數(shù)據(jù)集上直接全量微調(diào)前幾個(gè) epoch 驗(yàn)證集準(zhǔn)確率會(huì)劇烈震蕩甚至比只訓(xùn)練分類(lèi)頭還差。2.3 訓(xùn)練循環(huán)里的關(guān)鍵參數(shù)與日志監(jiān)控訓(xùn)練腳本里最容易被忽視的是日志。很多人跑完只看最后一行準(zhǔn)確率中間 loss 怎么變的完全不知道。建議在訓(xùn)練循環(huán)里每個(gè) epoch 記錄 train_loss、val_loss、val_acc畫(huà)成曲線(xiàn)一眼就能看出過(guò)擬合還是欠擬合。核心代碼片段for epoch in range(num_epochs): model.train() running_loss 0.0 for images, labels in train_loader: images, labels images.to(device), labels.to(device) optimizer.zero_grad() outputs model(images) loss criterion(outputs, labels) loss.backward() optimizer.step() running_loss loss.item() * images.size(0) # 驗(yàn)證階段 model.eval() val_correct 0 val_total 0 with torch.no_grad(): for images, labels in val_loader: images, labels images.to(device), labels.to(device) outputs model(images) _, predicted torch.max(outputs, 1) val_total labels.size(0) val_correct (predicted labels).sum().item() train_loss running_loss / len(train_dataset) val_acc val_correct / val_total print(fEpoch {epoch1}/{num_epochs} | Loss: {train_loss:.4f} | Val Acc: {val_acc:.4f})criterion一般用CrossEntropyLoss如果類(lèi)別不平衡嚴(yán)重可以加weight參數(shù)傳入類(lèi)別權(quán)重。optimizer.zero_grad()的位置必須在反向傳播之前這是 PyTorch 的固定套路但新手經(jīng)常寫(xiě)成loss.backward()之后才清零導(dǎo)致梯度累積loss 曲線(xiàn)像心電圖。3. 把源碼跑起來(lái)環(huán)境配置、數(shù)據(jù)準(zhǔn)備與訓(xùn)練啟動(dòng)理論清楚了接下來(lái)是動(dòng)手環(huán)節(jié)。這份資源能不能在你的機(jī)器上跑通取決于三個(gè)東西Python 環(huán)境、數(shù)據(jù)集路徑、以及有沒(méi)有 GPU。下面按順序走一遍。3.1 環(huán)境依賴(lài)的版本對(duì)齊深度學(xué)習(xí)項(xiàng)目最玄學(xué)的地方就是版本兼容。PyTorch、CUDA、torchvision 三者版本必須匹配否則 import 就報(bào)錯(cuò)。常見(jiàn)做法是先用conda建一個(gè)干凈環(huán)境然后按官方對(duì)應(yīng)關(guān)系裝。假設(shè)資源里用的是 PyTorch 1.12 CUDA 11.3命令如下# 創(chuàng)建虛擬環(huán)境指定 Python 版本 conda create -n pest_recognition python3.8 -y conda activate pest_recognition # 安裝 PyTorch 和 torchvision注意 cudatoolkit 版本要和驅(qū)動(dòng)匹配 conda install pytorch1.12.1 torchvision0.13.1 cudatoolkit11.3 -c pytorch -y # 安裝其他依賴(lài) pip install opencv-python pillow matplotlib scikit-learn tqdm如果你沒(méi)有 GPU把cudatoolkit去掉裝 CPU 版本的 PyTorch 也能跑只是訓(xùn)練慢。驗(yàn)證安裝是否成功import torch print(torch.__version__) print(torch.cuda.is_available()) # 有 GPU 返回 Truetorch.cuda.is_available()返回 False 的話(huà)檢查顯卡驅(qū)動(dòng)版本是否支持當(dāng)前 CUDA。常見(jiàn)坑是驅(qū)動(dòng)太舊裝完 CUDA 11.3 但驅(qū)動(dòng)只支持到 11.1這時(shí)候要么升級(jí)驅(qū)動(dòng)要么降 CUDA 版本。3.2 數(shù)據(jù)集劃分與路徑配置資源里一般會(huì)附帶數(shù)據(jù)集或者給出下載方式。拿到數(shù)據(jù)后按train/val/test劃分比例常見(jiàn)是 7:2:1 或 8:1:1。如果原始數(shù)據(jù)沒(méi)有劃分用腳本切import os import shutil import random def split_dataset(src_dir, dst_dir, split_ratio(0.7, 0.2, 0.1)): 按比例劃分?jǐn)?shù)據(jù)集保持類(lèi)別目錄結(jié)構(gòu) classes os.listdir(src_dir) for cls in classes: cls_path os.path.join(src_dir, cls) images os.listdir(cls_path) random.shuffle(images) n_train int(len(images) * split_ratio[0]) n_val int(len(images) * split_ratio[1]) for i, img in enumerate(images): if i n_train: subset train elif i n_train n_val: subset val else: subset test # 創(chuàng)建目標(biāo)目錄并復(fù)制圖片 dst_path os.path.join(dst_dir, subset, cls) os.makedirs(dst_path, exist_okTrue) shutil.copy(os.path.join(cls_path, img), os.path.join(dst_path, img)) split_dataset(raw_data, data)split_ratio三個(gè)數(shù)分別對(duì)應(yīng)訓(xùn)練、驗(yàn)證、測(cè)試的比例加起來(lái)必須等于 1。random.shuffle保證每個(gè)類(lèi)別的圖片被隨機(jī)分配避免按文件名順序切導(dǎo)致某個(gè)子集全是同一批拍攝的圖片。劃分完之后訓(xùn)練腳本里的data/train、data/val路徑就能直接用了。3.3 啟動(dòng)訓(xùn)練與斷點(diǎn)續(xù)訓(xùn)配置好路徑后直接運(yùn)行訓(xùn)練腳本python train.py --data_dir data --epochs 50 --batch_size 32 --lr 1e-3 --gpu 0參數(shù)說(shuō)明--epochs是總訓(xùn)練輪數(shù)小數(shù)據(jù)集一般 30 到 50 輪就夠--batch_size受顯存限制8G 顯存跑 ResNet18 可以設(shè) 32跑 ResNet50 建議降到 16--lr初始學(xué)習(xí)率配合余弦退火調(diào)度器效果更好。如果訓(xùn)練中斷了資源里如果有--resume參數(shù)可以加載上次保存的 checkpoint 繼續(xù)python train.py --resume checkpoints/model_epoch_30.pth斷點(diǎn)續(xù)訓(xùn)的關(guān)鍵是 checkpoint 里要保存 optimizer 的 state_dict否則優(yōu)化器動(dòng)量信息丟失loss 會(huì)突然跳一下。常見(jiàn)做法是每個(gè) epoch 存一次文件名帶 epoch 數(shù)方便回滾。4. 避坑與排查那些讓準(zhǔn)確率卡在 60% 的細(xì)節(jié)跑通不等于跑好。下面這幾條是實(shí)際調(diào)試中最常翻車(chē)的地方每條按現(xiàn)象、原因、解決來(lái)寫(xiě)。4.1 驗(yàn)證集準(zhǔn)確率遠(yuǎn)高于測(cè)試集現(xiàn)象訓(xùn)練時(shí)驗(yàn)證集準(zhǔn)確率 95%換測(cè)試集一跑只有 70%。原因通常是數(shù)據(jù)泄漏——同一張葉片的多角度照片被分到了訓(xùn)練集和驗(yàn)證集模型記住了背景而不是病害特征。解決劃分?jǐn)?shù)據(jù)集時(shí)按“拍攝批次”或“原始圖片 ID”分組確保同一株植物的照片只出現(xiàn)在一個(gè)子集里。如果數(shù)據(jù)沒(méi)有批次信息至少用ImageFolder之前先做一次文件級(jí)去重。4.2 Loss 不下降且輸出全為同一類(lèi)現(xiàn)象訓(xùn)練幾個(gè) epoch 后 loss 幾乎不變預(yù)測(cè)結(jié)果全是樣本最多的那個(gè)類(lèi)別。原因可能是學(xué)習(xí)率太大導(dǎo)致梯度爆炸或者數(shù)據(jù)標(biāo)簽沒(méi)對(duì)上。解決先把學(xué)習(xí)率降到1e-4試一輪然后檢查ImageFolder的class_to_idx映射確認(rèn)標(biāo)簽和目錄名一致。常見(jiàn)坑是目錄名里有中文或空格ImageFolder按字典序排序后標(biāo)簽順序和你以為的不一樣。4.3 GPU 顯存溢出但 batch_size 已經(jīng)很小現(xiàn)象CUDA out of memory但 batch_size 已經(jīng)降到 8 了。原因可能是圖片分辨率太高比如原始圖片是 4000x3000直接 resize 到 224 之前先被加載成了張量。解決在 Dataset 的__getitem__里用 PIL 打開(kāi)圖片后立即 resize不要先轉(zhuǎn)成 numpy 數(shù)組再處理。另外檢查是否有殘留的 tensor 沒(méi)釋放在驗(yàn)證循環(huán)里加torch.cuda.empty_cache()。4.4 數(shù)據(jù)增強(qiáng)把病害特征增沒(méi)了現(xiàn)象加了隨機(jī)裁剪和顏色抖動(dòng)后驗(yàn)證集準(zhǔn)確率反而下降。原因病蟲(chóng)害識(shí)別的關(guān)鍵特征就是病斑的顏色和形狀過(guò)度顏色抖動(dòng)會(huì)讓模型學(xué)不到有效特征。解決把ColorJitter的強(qiáng)度調(diào)低或者只用隨機(jī)水平翻轉(zhuǎn)和輕微旋轉(zhuǎn)。常見(jiàn)做法是訓(xùn)練集用RandomResizedCropRandomHorizontalFlip驗(yàn)證集只做ResizeCenterCrop不要加任何隨機(jī)變換。4.5 保存的模型加載后預(yù)測(cè)結(jié)果亂跳現(xiàn)象訓(xùn)練完保存模型重新加載做推理同一張圖兩次預(yù)測(cè)結(jié)果不一樣。原因保存時(shí)沒(méi)設(shè)model.eval()Dropout 和 BatchNorm 還在訓(xùn)練模式。解決推理前必須調(diào)model.eval()并且用with torch.no_grad():包住前向傳播。另外保存 checkpoint 時(shí)推薦保存state_dict而不是整個(gè)模型對(duì)象避免 pickle 反序列化時(shí)的版本兼容問(wèn)題。5. 從能跑到好用模型導(dǎo)出、界面集成與論文圖表生成把模型訓(xùn)練到 90% 準(zhǔn)確率只是第一步畢業(yè)設(shè)計(jì)還得有演示界面和論文素材。這一章講兩個(gè)進(jìn)階操作把 PyTorch 模型導(dǎo)出成 ONNX 方便部署以及用 Grad-CAM 生成熱力圖放進(jìn)論文。5.1 導(dǎo)出 ONNX 并驗(yàn)證推理一致性O(shè)NNX 的好處是跨框架部署比如用 OpenCV 的 DNN 模塊直接加載不依賴(lài) PyTorch 環(huán)境。導(dǎo)出代碼如下import torch import torch.onnx # 加載訓(xùn)練好的模型 model models.resnet18(weightsNone) model.fc nn.Linear(model.fc.in_features, num_classes) model.load_state_dict(torch.load(checkpoints/best_model.pth)) model.eval() # 構(gòu)造一個(gè)示例輸入batch_size13 通道224x224 dummy_input torch.randn(1, 3, 224, 224) # 導(dǎo)出 ONNX 模型 torch.onnx.export( model, dummy_input, pest_recognition.onnx, input_names[input], output_names[output], dynamic_axes{input: {0: batch_size}, output: {0: batch_size}}, opset_version11 )dynamic_axes參數(shù)讓導(dǎo)出的模型支持動(dòng)態(tài) batch_size推理時(shí)可以一次傳多張圖。opset_version11是兼容性比較好的版本太低不支持某些算子太高有些推理引擎不認(rèn)。導(dǎo)出后用onnxruntime驗(yàn)證一下輸出是否和 PyTorch 一致import onnxruntime as ort import numpy as np sess ort.InferenceSession(pest_recognition.onnx) input_name sess.get_inputs()[0].name # 用同樣的 dummy_input 做推理 onnx_output sess.run(None, {input_name: dummy_input.numpy()}) # 對(duì)比 PyTorch 輸出 with torch.no_grad(): torch_output model(dummy_input).numpy() print(np.allclose(onnx_output[0], torch_output, atol1e-4))atol1e-4是允許的數(shù)值誤差浮點(diǎn)運(yùn)算在不同框架下會(huì)有微小差異只要在 1e-4 以?xún)?nèi)就算一致。如果差得遠(yuǎn)檢查導(dǎo)出時(shí)是否漏了model.eval()。5.2 用 Grad-CAM 生成熱力圖放進(jìn)論文論文里如果只有準(zhǔn)確率表格會(huì)顯得單薄加幾張熱力圖能直觀(guān)說(shuō)明模型關(guān)注的是病斑區(qū)域而不是背景。Grad-CAM 的實(shí)現(xiàn)不復(fù)雜核心是拿到目標(biāo)層的梯度并做全局平均池化。這里給一個(gè)精簡(jiǎn)版import cv2 import numpy as np import torch import torch.nn.functional as F class GradCAM: def __init__(self, model, target_layer): self.model model self.target_layer target_layer self.gradients None self.activations None # 注冊(cè)鉤子前向傳播時(shí)保存特征圖反向傳播時(shí)保存梯度 target_layer.register_forward_hook(self.save_activation) target_layer.register_full_backward_hook(self.save_gradient) def save_activation(self, module, input, output): self.activations output.detach() def save_gradient(self, module, grad_input, grad_output): self.gradients grad_output[0].detach() def generate(self, input_tensor, class_idxNone): self.model.eval() output self.model(input_tensor) if class_idx is None: class_idx output.argmax(dim1).item() # 反向傳播求目標(biāo)類(lèi)別的梯度 self.model.zero_grad() output[0, class_idx].backward() # 梯度做全局平均池化得到權(quán)重 weights self.gradients.mean(dim(2, 3), keepdimTrue) # 特征圖加權(quán)求和 cam (weights * self.activations).sum(dim1, keepdimTrue) cam F.relu(cam) # 歸一化到 0-1 cam cam - cam.min() cam cam / (cam.max() 1e-8) return cam.squeeze().cpu().numpy() # 使用示例target_layer 一般選 model.layer4 的最后一個(gè) block grad_cam GradCAM(model, model.layer4[-1]) heatmap grad_cam.generate(input_tensor) # 把熱力圖疊加到原圖上 img cv2.imread(test_leaf.jpg) img cv2.resize(img, (224, 224)) heatmap cv2.resize(heatmap, (224, 224)) heatmap np.uint8(255 * heatmap) heatmap cv2.applyColorMap(heatmap, cv2.COLORMAP_JET) overlay cv2.addWeighted(img, 0.6, heatmap, 0.4, 0) cv2.imwrite(gradcam_result.jpg, overlay)target_layer選model.layer4[-1]是因?yàn)檫@一層感受野足夠大能覆蓋整個(gè)葉片區(qū)域同時(shí)保留了空間信息。register_full_backward_hook在 PyTorch 1.8 之后替代了舊的register_backward_hook行為更穩(wěn)定。生成的熱力圖紅色區(qū)域就是模型判斷為病害的關(guān)鍵區(qū)域如果紅色集中在葉片邊緣而不是病斑上說(shuō)明模型可能學(xué)到了錯(cuò)誤的特征需要回頭檢查數(shù)據(jù)增強(qiáng)或重新標(biāo)注。從那以后我每次拿到一個(gè)新的分類(lèi)項(xiàng)目都會(huì)先跑一遍 Grad-CAM 看模型到底在“看”哪里再?zèng)Q定要不要調(diào)數(shù)據(jù)增強(qiáng)策略。這個(gè)習(xí)慣幫我省了很多盲目調(diào)參的時(shí)間。希望這份資源能幫你把畢業(yè)設(shè)計(jì)順利推下去少走幾個(gè)我踩過(guò)的坑。本文還有配套的精品資源點(diǎn)擊獲取