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智能垃圾分类系统毕业设计源码基于深度学习卷积神经网络实现可用于课程设计、大作业或毕设参考。项目代码经过调试测试答辩评审分达98分适合小白学习与进阶基础较好者也可在此基础上修改扩展功能。资源包共216个文件约17.29MB涵盖Python训练脚本、checkpoint与data权重文件、Java与xml配置、gradle构建文件、png与jpg图像素材及md说明文档等完整呈现了从模型训练到应用部署的工程结构。目前已有182人学习下载。读者可获得一套可运行的垃圾分类识别方案理解MobileNetV2等卷积网络在图像分类中的落地方式并参考其目录组织与权重加载逻辑快速搭建自己的实验环境。1. 从一份 98 分毕设拆起这套 CNN 垃圾分类源码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选题发愁又恰好抽到了「智能垃圾分类」这类偏视觉识别的题目那这套基于卷积神经网络的 Python 源码值得你花时间拆一遍。它不是那种只丢一个train.py就跑路的半成品而是把 MobileNetV2 迁移学习、预训练权重、多环境构建脚本都打包齐了的完整工程。答辩能拿到 98 分说明它在功能闭环、代码规范和文档说明上都过了评审老师的眼。适合谁一是想快速搭出一个能演示、能写论文的毕设底座的同学二是已经学过 CNN 原理、想找一个真实项目练手数据增强和模型微调的进阶者。下面我按「资源是什么 → 怎么跑起来 → 坑在哪 → 怎么改出自己东西」的顺序把这份源码拆开给你看。2. 拆包先看结构MobileNetV2 迁移学习与预训练权重怎么落位拿到压缩包别急着pip install先把目录结构和权重文件认全。这份资源的核心技术栈是 TensorFlow/Keras 系的 MobileNetV2配合.ckpt格式的预训练权重做迁移学习。很多同学一上来就报NotFoundError: Restoring from checkpoint failed根因就是没搞清resMobileNetV2.ckpt和pretrain_weights.ckpt这两个文件谁是谁。2.1 目录里的关键文件与各自职责解压后你会看到几类东西混在一起我按功能给你分个类免得你误删文件/目录类型作用resMobileNetV2.ckpt.data-00000-of-00001权重数据你自己训练后保存的模型权重推理和继续训练都靠它pretrain_weights.ckpt.data-00000-of-00001预训练权重ImageNet 上训好的骨干权重迁移学习的起点gradlew.bat/mvnw.cmd构建脚本Java 系构建工具的包装脚本通常是配套 Web 端或打包用的.gitattributes/.gitignore版本控制配置控制哪些文件进 Git权重文件一般被 ignore 掉这里有个反直觉的点.ckpt文件不是单个文件TensorFlow 的 checkpoint 是「索引 数据分片」的组合。你看到的.data-00000-of-00001只是数据分片真正恢复时还需要同名的.index和checkpoint文本文件来告诉程序「最新的是哪个」。如果解压后只剩一个.data文件恢复必然失败。2.2 迁移学习为什么选 MobileNetV2 而不是自己堆卷积垃圾分类这个任务类别通常就四到六类可回收、厨余、有害、其他数据量对个人毕设来说往往只有几千张。你要是从零训一个 ResNet50先不说显卡扛不扛得住光过拟合就能让验证集准确率卡在 60% 上不去。MobileNetV2 的优势在于深度可分离卷积把参数量和计算量压得很低在 CPU 上也能跑推理同时 ImageNet 预训练权重已经学到了边缘、纹理这些通用特征你只需要替换顶部分类头、冻结骨干、微调最后几层就行。常见做法是加载pretrain_weights.ckpt作为初始化把include_top设为 False接一个 GlobalAveragePooling2D再接一个 Dropout 和全连接分类层。这样训练时只有新加的层参数在更新收敛快小数据集也不容易崩。2.3 把权重正确加载进模型的代码骨架下面这段是我按这份资源的权重命名习惯整理的加载逻辑你对照自己的train.py或predict.py改路径即可import tensorflow as tf from tensorflow.keras import layers, models from tensorflow.keras.applications import MobileNetV2 # 1. 构建骨干网络不加载内置权重因为我们要用资源里的 ckpt base_model MobileNetV2( input_shape(224, 224, 3), include_topFalse, weightsNone # 关键置 None避免和本地 ckpt 冲突 ) # 2. 冻结骨干只训练分类头 base_model.trainable False # 3. 拼接分类头类别数按你的数据集改这里假设 6 类 model models.Sequential([ base_model, layers.GlobalAveragePooling2D(), layers.Dropout(0.3), layers.Dense(6, activationsoftmax) ]) # 4. 从预训练 ckpt 恢复权重 # 注意ckpt 前缀要和实际文件名去掉 .data-xxx 后的部分一致 ckpt_path ./pretrain_weights.ckpt model.load_weights(ckpt_path) # 若报 shape 不匹配见 2.4 的排查 model.compile( optimizertf.keras.optimizers.Adam(1e-4), losscategorical_crossentropy, metrics[accuracy] )逻辑说明weightsNone是必须的否则 Keras 会去下载 ImageNet 权重和你本地的 ckpt 打架。base_model.trainable False冻结骨干保证迁移学习只动分类头。load_weights的路径参数不要带.data-00000-of-00001后缀TensorFlow 会自动去找同前缀的索引文件。参数说明input_shape要和你的图片预处理尺寸一致MobileNetV2 标准输入是 224×224。Dense(6)里的 6 换成你数据集的实际类别数类别数错了会在加载分类头权重时报维度不匹配。学习率1e-4是微调常用值如果你后面解冻了部分骨干层建议再降到1e-5。2.4 权重加载失败的三种典型报错与定位第一种Restoring from checkpoint failed. This is most likely due to a Variable name or other graph key that is missing。这通常是因为你加载的 ckpt 是完整模型保存的而你的网络结构只对应了骨干部分。解决办法是确认 ckpt 保存时的变量命名前缀用tf.train.list_variables(ckpt_path)打印出所有变量名再决定是整体加载还是逐层匹配。第二种Shapes (x) and (y) are incompatible。分类头维度对不上多半是你数据集类别数和 ckpt 里保存的不一致。要么改Dense的输出维度要么只加载骨干部分、分类头重新初始化。第三种路径里带了.data-00000-of-00001。这是最常见的低级错误load_weights只认前缀不认分片后缀。把路径改成./pretrain_weights.ckpt即可。3. 从零跑通训练到推理数据管道、训练循环与预测脚本结构认全了接下来是让它真正跑起来。这一章我按「数据怎么进 → 模型怎么训 → 结果怎么出」的顺序把每个环节的可执行步骤和参数含义讲透。你照着走一遍基本能复现出一个可演示的垃圾分类模型。3.1 数据目录组织与 ImageDataGenerator 参数怎么设这份资源默认用的是 Keras 的ImageDataGenerator做数据增强和批量加载。你的数据集目录要按类别分子文件夹结构如下dataset/ ├── train/ │ ├── recyclable/ │ ├── kitchen/ │ ├── hazardous/ │ └── other/ └── val/ ├── recyclable/ ├── kitchen/ ├── hazardous/ └── other/训练集和验证集分开比例常见是 8:2 或 7:3。目录名就是类别名flow_from_directory会自动按文件夹名生成标签。from tensorflow.keras.preprocessing.image import ImageDataGenerator train_datagen ImageDataGenerator( rescale1./255, # 像素归一化到 0-1 rotation_range20, # 随机旋转 ±20 度 width_shift_range0.1, # 水平平移 10% height_shift_range0.1, # 垂直平移 10% horizontal_flipTrue, # 水平翻转 zoom_range0.1, # 随机缩放 fill_modenearest # 变换后空白填充方式 ) val_datagen ImageDataGenerator(rescale1./255) # 验证集只归一化不增强 train_generator train_datagen.flow_from_directory( dataset/train, target_size(224, 224), batch_size32, class_modecategorical ) val_generator val_datagen.flow_from_directory( dataset/val, target_size(224, 224), batch_size32, class_modecategorical )逻辑说明训练集做增强是为了让模型见过更多「变形」的垃圾图片提升泛化。验证集绝对不能增强否则你评估的就不是真实分布了。class_modecategorical对应 one-hot 标签和categorical_crossentropy损失函数配套。参数说明rotation_range别开太大垃圾图片旋转 180 度可能语义就变了20 到 30 度比较稳。batch_size看显存8G 显存跑 224×224 的 MobileNetV232 一般没问题爆了就降到 16。target_size必须和模型输入一致不一致会在第一层报维度错误。3.2 训练循环、回调与模型保存的正确姿势训练不是model.fit一跑就完事回调函数配不好你可能会在最好的 epoch 之后继续训到过拟合最后保存下来的是个退化模型。from tensorflow.keras.callbacks import ModelCheckpoint, EarlyStopping, ReduceLROnPlateau callbacks [ ModelCheckpoint( resMobileNetV2.ckpt, # 和资源里的权重命名保持一致 monitorval_accuracy, save_best_onlyTrue, # 只保存验证集最好的那次 save_weights_onlyTrue, # 只存权重不存整个模型 verbose1 ), EarlyStopping( monitorval_loss, patience8, # 连续 8 轮不降就停 restore_best_weightsTrue ), ReduceLROnPlateau( monitorval_loss, factor0.5, # 学习率减半 patience4, min_lr1e-7 ) ] history model.fit( train_generator, epochs50, validation_dataval_generator, callbackscallbacks )逻辑说明ModelCheckpoint的save_best_onlyTrue是关键它保证你最终拿到的是验证集表现最好的权重而不是最后一轮的。EarlyStopping的restore_best_weightsTrue会在训练结束后把模型回滚到最佳状态省得你手动再加载一次。ReduceLROnPlateau在验证损失停滞时降学习率帮助模型跳出局部最优。参数说明patience8是经验值数据集小可以设 5大数据集可以设 10 到 15。save_weights_onlyTrue对应资源里的.ckpt格式如果你设成 False保存出来的是.h5或 SavedModel 目录和现有权重文件不兼容。epochs50是上限实际会被 EarlyStopping 提前终止。3.3 单张图片推理脚本与置信度输出训练完答辩现场老师大概率会让你当场演示识别。你需要一个干净的推理脚本输入图片路径输出类别和置信度。import numpy as np from tensorflow.keras.preprocessing import image # 类别名要和训练时文件夹名顺序一致 class_names [recyclable, kitchen, hazardous, other] def predict(img_path): img image.load_img(img_path, target_size(224, 224)) x image.img_to_array(img) / 255.0 x np.expand_dims(x, axis0) # 增加 batch 维度 preds model.predict(x) idx np.argmax(preds[0]) confidence preds[0][idx] print(f预测类别: {class_names[idx]}, 置信度: {confidence:.4f}) return class_names[idx], confidence predict(test.jpg)逻辑说明load_img的target_size必须和训练一致img_to_array把 PIL 图片转成 numpy 数组除以 255 做归一化expand_dims补上 batch 维度因为model.predict期望输入是(batch, h, w, c)。argmax取概率最大的索引对应类别名。参数说明class_names的顺序必须和flow_from_directory生成的class_indices一致否则类别会错位。你可以在训练脚本里打印train_generator.class_indices来确认顺序。置信度低于 0.6 的时候实际演示中建议提示「不确定」避免尴尬。4. 避坑与排查权重、环境、路径这三类翻车最多这一章是我拆这类毕设项目时踩过的血泪经验合集。很多问题不是代码逻辑错而是环境和文件管理上的玄学。下面五条按「现象 → 原因 → 解决」写你遇到报错先来这里对号入座。4.1 现象ModuleNotFoundError: No module named tensorflow原因Python 环境没装 TensorFlow或者装到了另一个解释器里。毕设项目常见于你系统里有多个 Python 版本pip和python指向的不是同一个。解决先python -c import sys; print(sys.executable)确认当前解释器路径再用python -m pip install tensorflow装到同一个环境。建议用 conda 建独立环境conda create -n garbage python3.8然后激活再装。TensorFlow 2.x 对 Python 3.9 以上支持有版本差异3.8 是最稳的。4.2 现象Restoring from checkpoint failed且提示变量名缺失原因ckpt 保存时的变量命名和你当前模型结构不匹配。常见于你改了网络层名或者加载的是完整模型 ckpt 但只想要骨干部分。解决用tf.train.list_variables(pretrain_weights.ckpt)打印所有变量名和你的model.summary()逐层对照。如果只是骨干部分匹配就单独构建骨干加载再拼分类头。如果变量名有前缀差异可以用tf.train.Checkpoint的read方法做部分恢复。4.3 现象训练准确率一直卡在 25% 左右不降原因四分类任务随机猜就是 25%说明模型根本没学到东西。常见根因是标签没对上或者归一化没做或者学习率太大导致梯度爆炸。解决先检查train_generator.class_indices和你的class_names是否一致。再确认rescale1./255有没有加漏了归一化会让输入值在 0-255 之间梯度直接炸。最后把学习率降到1e-4甚至1e-5试一轮。如果还不行打印几张图片的标签和像素值肉眼确认数据管道没接错。4.4 现象验证集准确率远高于训练集准确率原因这听起来反直觉但常见于验证集太小且分布和训练集差异大或者 Dropout 在验证时没关闭导致评估波动。另一个可能是训练集的增强太猛模型在训练时见到的都是「难样本」。解决先扩大验证集比例到 3:7 甚至 4:6看指标是否回归正常。再检查Dropout层Keras 在evaluate和predict时会自动关闭 Dropout一般不用手动处理。如果增强参数确实过猛把rotation_range和zoom_range调小一半再训。4.5 现象gradlew.bat或mvnw.cmd双击闪退原因这两个是 Java 构建工具的包装脚本需要系统有 JDK 环境且要在命令行里运行而不是双击。闪退是因为脚本执行完就关窗口了你看不到报错。解决打开 CMD 或 PowerShellcd到脚本所在目录执行gradlew.bat build或mvnw.cmd package。如果提示JAVA_HOME未设置先装 JDK 8 或 11配好环境变量。这部分通常是配套 Web 演示端用的如果你只跑 Python 模型可以暂时忽略。5. 改出自己东西换数据集、调骨干、加 Web 演示的进阶手法把默认模型跑通只是第一步毕设要拿高分你得让评审看到「你自己的东西」。这一章讲三个可落地的改造方向每个都给你具体操作和验证方法。5.1 换数据集后类别数变了怎么改假设你把类别从 4 类扩到 6 类需要动三个地方。第一Dense层的输出维度改成 6。第二class_names列表同步改成 6 个。第三如果你要加载旧的resMobileNetV2.ckpt继续训练分类头维度不匹配会报错这时候要么只加载骨干权重、分类头重新初始化要么干脆从头训分类头。# 只加载骨干跳过分类头 base_model MobileNetV2(input_shape(224,224,3), include_topFalse, weightsNone) base_model.load_weights(pretrain_weights.ckpt) # 骨干权重能对上 model models.Sequential([ base_model, layers.GlobalAveragePooling2D(), layers.Dropout(0.3), layers.Dense(6, activationsoftmax) # 新类别数 ])验证方法训几个 epoch 后看val_accuracy是否稳定上升如果卡在 1/6 附近说明分类头没学动检查学习率和数据标签。5.2 解冻部分骨干层做微调冻结全部骨干训完分类头后可以解冻最后几个卷积块做微调通常能再涨 2 到 5 个百分点。MobileNetV2 在 Keras 里有 155 层左右我一般解冻最后 30 到 40 层。base_model.trainable True for layer in base_model.layers[:-40]: layer.trainable False # 微调时学习率要降否则会破坏预训练权重 model.compile( optimizertf.keras.optimizers.Adam(1e-5), losscategorical_crossentropy, metrics[accuracy] )参数说明1e-5是微调的安全学习率再大容易把 ImageNet 学到的特征冲掉。解冻层数不是越多越好小数据集解冻太多照样过拟合。验证方法微调后val_accuracy应该比只训分类头时高如果反而降了说明学习率太大或解冻太多。5.3 加一个 Flask 推理接口做现场演示答辩现场如果能让老师用手机拍张照、网页上直接出结果印象分会高很多。用 Flask 包一层推理接口前端一个上传按钮就行。from flask import Flask, request, jsonify import numpy as np from tensorflow.keras.preprocessing import image import io app Flask(__name__) app.route(/predict, methods[POST]) def predict_api(): file request.files[image] img image.load_img(io.BytesIO(file.read()), target_size(224,224)) x image.img_to_array(img) / 255.0 x np.expand_dims(x, axis0) preds model.predict(x) idx np.argmax(preds[0]) return jsonify({ class: class_names[idx], confidence: float(preds[0][idx]) }) if __name__ __main__: app.run(host0.0.0.0, port5000)逻辑说明request.files拿上传的图片文件io.BytesIO把文件流转成 PIL 能读的对象后面和单张推理一样。返回 JSON 方便前端展示。host0.0.0.0让局域网内其他设备也能访问答辩时用手机连同一个 WiFi 就能演示。验证方法本地跑起来后用 Postman 或 curl 发一张图看返回的类别和置信度是否合理。如果返回 500看 Flask 控制台的报错栈多半是图片格式或尺寸问题。5.4 一个我每次改模型都强制走的验证习惯从那以后我每次动完网络结构或权重加载逻辑都强制走一遍「三图验证」拿训练集里的一张、验证集里的一张、网上随便找的一张真实垃圾照片分别跑推理看三张的置信度是否都在合理区间。训练集那张应该接近 1.0验证集那张 0.8 以上网上那张如果低于 0.5 说明泛化还不够得回去补数据或加增强。这个习惯帮我提前发现过好几次「权重加载了但没生效」的静默错误——模型看着在跑其实用的是随机初始化。希望这套拆解能帮你把毕设稳稳落地少走几个我当年踩过的弯路。本文还有配套的精品资源点击获取 基于MobileNetV2迁移学习的CNN垃圾分类毕设源码实战解析
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智能垃圾分类系统毕业设计源码基于深度学习卷积神经网络实现可用于课程设计、大作业或毕设参考。项目代码经过调试测试答辩评审分达98分适合小白学习与进阶基础较好者也可在此基础上修改扩展功能。资源包共216个文件约17.29MB涵盖Python训练脚本、checkpoint与data权重文件、Java与xml配置、gradle构建文件、png与jpg图像素材及md说明文档等完整呈现了从模型训练到应用部署的工程结构。目前已有182人学习下载。读者可获得一套可运行的垃圾分类识别方案理解MobileNetV2等卷积网络在图像分类中的落地方式并参考其目录组织与权重加载逻辑快速搭建自己的实验环境。1. 从一份 98 分毕设拆起这套 CNN 垃圾分类源码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选题发愁又恰好抽到了「智能垃圾分类」这类偏视觉识别的题目那这套基于卷积神经网络的 Python 源码值得你花时间拆一遍。它不是那种只丢一个train.py就跑路的半成品而是把 MobileNetV2 迁移学习、预训练权重、多环境构建脚本都打包齐了的完整工程。答辩能拿到 98 分说明它在功能闭环、代码规范和文档说明上都过了评审老师的眼。适合谁一是想快速搭出一个能演示、能写论文的毕设底座的同学二是已经学过 CNN 原理、想找一个真实项目练手数据增强和模型微调的进阶者。下面我按「资源是什么 → 怎么跑起来 → 坑在哪 → 怎么改出自己东西」的顺序把这份源码拆开给你看。2. 拆包先看结构MobileNetV2 迁移学习与预训练权重怎么落位拿到压缩包别急着pip install先把目录结构和权重文件认全。这份资源的核心技术栈是 TensorFlow/Keras 系的 MobileNetV2配合.ckpt格式的预训练权重做迁移学习。很多同学一上来就报NotFoundError: Restoring from checkpoint failed根因就是没搞清resMobileNetV2.ckpt和pretrain_weights.ckpt这两个文件谁是谁。2.1 目录里的关键文件与各自职责解压后你会看到几类东西混在一起我按功能给你分个类免得你误删文件/目录类型作用resMobileNetV2.ckpt.data-00000-of-00001权重数据你自己训练后保存的模型权重推理和继续训练都靠它pretrain_weights.ckpt.data-00000-of-00001预训练权重ImageNet 上训好的骨干权重迁移学习的起点gradlew.bat/mvnw.cmd构建脚本Java 系构建工具的包装脚本通常是配套 Web 端或打包用的.gitattributes/.gitignore版本控制配置控制哪些文件进 Git权重文件一般被 ignore 掉这里有个反直觉的点.ckpt文件不是单个文件TensorFlow 的 checkpoint 是「索引 数据分片」的组合。你看到的.data-00000-of-00001只是数据分片真正恢复时还需要同名的.index和checkpoint文本文件来告诉程序「最新的是哪个」。如果解压后只剩一个.data文件恢复必然失败。2.2 迁移学习为什么选 MobileNetV2 而不是自己堆卷积垃圾分类这个任务类别通常就四到六类可回收、厨余、有害、其他数据量对个人毕设来说往往只有几千张。你要是从零训一个 ResNet50先不说显卡扛不扛得住光过拟合就能让验证集准确率卡在 60% 上不去。MobileNetV2 的优势在于深度可分离卷积把参数量和计算量压得很低在 CPU 上也能跑推理同时 ImageNet 预训练权重已经学到了边缘、纹理这些通用特征你只需要替换顶部分类头、冻结骨干、微调最后几层就行。常见做法是加载pretrain_weights.ckpt作为初始化把include_top设为 False接一个 GlobalAveragePooling2D再接一个 Dropout 和全连接分类层。这样训练时只有新加的层参数在更新收敛快小数据集也不容易崩。2.3 把权重正确加载进模型的代码骨架下面这段是我按这份资源的权重命名习惯整理的加载逻辑你对照自己的train.py或predict.py改路径即可import tensorflow as tf from tensorflow.keras import layers, models from tensorflow.keras.applications import MobileNetV2 # 1. 构建骨干网络不加载内置权重因为我们要用资源里的 ckpt base_model MobileNetV2( input_shape(224, 224, 3), include_topFalse, weightsNone # 关键置 None避免和本地 ckpt 冲突 ) # 2. 冻结骨干只训练分类头 base_model.trainable False # 3. 拼接分类头类别数按你的数据集改这里假设 6 类 model models.Sequential([ base_model, layers.GlobalAveragePooling2D(), layers.Dropout(0.3), layers.Dense(6, activationsoftmax) ]) # 4. 从预训练 ckpt 恢复权重 # 注意ckpt 前缀要和实际文件名去掉 .data-xxx 后的部分一致 ckpt_path ./pretrain_weights.ckpt model.load_weights(ckpt_path) # 若报 shape 不匹配见 2.4 的排查 model.compile( optimizertf.keras.optimizers.Adam(1e-4), losscategorical_crossentropy, metrics[accuracy] )逻辑说明weightsNone是必须的否则 Keras 会去下载 ImageNet 权重和你本地的 ckpt 打架。base_model.trainable False冻结骨干保证迁移学习只动分类头。load_weights的路径参数不要带.data-00000-of-00001后缀TensorFlow 会自动去找同前缀的索引文件。参数说明input_shape要和你的图片预处理尺寸一致MobileNetV2 标准输入是 224×224。Dense(6)里的 6 换成你数据集的实际类别数类别数错了会在加载分类头权重时报维度不匹配。学习率1e-4是微调常用值如果你后面解冻了部分骨干层建议再降到1e-5。2.4 权重加载失败的三种典型报错与定位第一种Restoring from checkpoint failed. This is most likely due to a Variable name or other graph key that is missing。这通常是因为你加载的 ckpt 是完整模型保存的而你的网络结构只对应了骨干部分。解决办法是确认 ckpt 保存时的变量命名前缀用tf.train.list_variables(ckpt_path)打印出所有变量名再决定是整体加载还是逐层匹配。第二种Shapes (x) and (y) are incompatible。分类头维度对不上多半是你数据集类别数和 ckpt 里保存的不一致。要么改Dense的输出维度要么只加载骨干部分、分类头重新初始化。第三种路径里带了.data-00000-of-00001。这是最常见的低级错误load_weights只认前缀不认分片后缀。把路径改成./pretrain_weights.ckpt即可。3. 从零跑通训练到推理数据管道、训练循环与预测脚本结构认全了接下来是让它真正跑起来。这一章我按「数据怎么进 → 模型怎么训 → 结果怎么出」的顺序把每个环节的可执行步骤和参数含义讲透。你照着走一遍基本能复现出一个可演示的垃圾分类模型。3.1 数据目录组织与 ImageDataGenerator 参数怎么设这份资源默认用的是 Keras 的ImageDataGenerator做数据增强和批量加载。你的数据集目录要按类别分子文件夹结构如下dataset/ ├── train/ │ ├── recyclable/ │ ├── kitchen/ │ ├── hazardous/ │ └── other/ └── val/ ├── recyclable/ ├── kitchen/ ├── hazardous/ └── other/训练集和验证集分开比例常见是 8:2 或 7:3。目录名就是类别名flow_from_directory会自动按文件夹名生成标签。from tensorflow.keras.preprocessing.image import ImageDataGenerator train_datagen ImageDataGenerator( rescale1./255, # 像素归一化到 0-1 rotation_range20, # 随机旋转 ±20 度 width_shift_range0.1, # 水平平移 10% height_shift_range0.1, # 垂直平移 10% horizontal_flipTrue, # 水平翻转 zoom_range0.1, # 随机缩放 fill_modenearest # 变换后空白填充方式 ) val_datagen ImageDataGenerator(rescale1./255) # 验证集只归一化不增强 train_generator train_datagen.flow_from_directory( dataset/train, target_size(224, 224), batch_size32, class_modecategorical ) val_generator val_datagen.flow_from_directory( dataset/val, target_size(224, 224), batch_size32, class_modecategorical )逻辑说明训练集做增强是为了让模型见过更多「变形」的垃圾图片提升泛化。验证集绝对不能增强否则你评估的就不是真实分布了。class_modecategorical对应 one-hot 标签和categorical_crossentropy损失函数配套。参数说明rotation_range别开太大垃圾图片旋转 180 度可能语义就变了20 到 30 度比较稳。batch_size看显存8G 显存跑 224×224 的 MobileNetV232 一般没问题爆了就降到 16。target_size必须和模型输入一致不一致会在第一层报维度错误。3.2 训练循环、回调与模型保存的正确姿势训练不是model.fit一跑就完事回调函数配不好你可能会在最好的 epoch 之后继续训到过拟合最后保存下来的是个退化模型。from tensorflow.keras.callbacks import ModelCheckpoint, EarlyStopping, ReduceLROnPlateau callbacks [ ModelCheckpoint( resMobileNetV2.ckpt, # 和资源里的权重命名保持一致 monitorval_accuracy, save_best_onlyTrue, # 只保存验证集最好的那次 save_weights_onlyTrue, # 只存权重不存整个模型 verbose1 ), EarlyStopping( monitorval_loss, patience8, # 连续 8 轮不降就停 restore_best_weightsTrue ), ReduceLROnPlateau( monitorval_loss, factor0.5, # 学习率减半 patience4, min_lr1e-7 ) ] history model.fit( train_generator, epochs50, validation_dataval_generator, callbackscallbacks )逻辑说明ModelCheckpoint的save_best_onlyTrue是关键它保证你最终拿到的是验证集表现最好的权重而不是最后一轮的。EarlyStopping的restore_best_weightsTrue会在训练结束后把模型回滚到最佳状态省得你手动再加载一次。ReduceLROnPlateau在验证损失停滞时降学习率帮助模型跳出局部最优。参数说明patience8是经验值数据集小可以设 5大数据集可以设 10 到 15。save_weights_onlyTrue对应资源里的.ckpt格式如果你设成 False保存出来的是.h5或 SavedModel 目录和现有权重文件不兼容。epochs50是上限实际会被 EarlyStopping 提前终止。3.3 单张图片推理脚本与置信度输出训练完答辩现场老师大概率会让你当场演示识别。你需要一个干净的推理脚本输入图片路径输出类别和置信度。import numpy as np from tensorflow.keras.preprocessing import image # 类别名要和训练时文件夹名顺序一致 class_names [recyclable, kitchen, hazardous, other] def predict(img_path): img image.load_img(img_path, target_size(224, 224)) x image.img_to_array(img) / 255.0 x np.expand_dims(x, axis0) # 增加 batch 维度 preds model.predict(x) idx np.argmax(preds[0]) confidence preds[0][idx] print(f预测类别: {class_names[idx]}, 置信度: {confidence:.4f}) return class_names[idx], confidence predict(test.jpg)逻辑说明load_img的target_size必须和训练一致img_to_array把 PIL 图片转成 numpy 数组除以 255 做归一化expand_dims补上 batch 维度因为model.predict期望输入是(batch, h, w, c)。argmax取概率最大的索引对应类别名。参数说明class_names的顺序必须和flow_from_directory生成的class_indices一致否则类别会错位。你可以在训练脚本里打印train_generator.class_indices来确认顺序。置信度低于 0.6 的时候实际演示中建议提示「不确定」避免尴尬。4. 避坑与排查权重、环境、路径这三类翻车最多这一章是我拆这类毕设项目时踩过的血泪经验合集。很多问题不是代码逻辑错而是环境和文件管理上的玄学。下面五条按「现象 → 原因 → 解决」写你遇到报错先来这里对号入座。4.1 现象ModuleNotFoundError: No module named tensorflow原因Python 环境没装 TensorFlow或者装到了另一个解释器里。毕设项目常见于你系统里有多个 Python 版本pip和python指向的不是同一个。解决先python -c import sys; print(sys.executable)确认当前解释器路径再用python -m pip install tensorflow装到同一个环境。建议用 conda 建独立环境conda create -n garbage python3.8然后激活再装。TensorFlow 2.x 对 Python 3.9 以上支持有版本差异3.8 是最稳的。4.2 现象Restoring from checkpoint failed且提示变量名缺失原因ckpt 保存时的变量命名和你当前模型结构不匹配。常见于你改了网络层名或者加载的是完整模型 ckpt 但只想要骨干部分。解决用tf.train.list_variables(pretrain_weights.ckpt)打印所有变量名和你的model.summary()逐层对照。如果只是骨干部分匹配就单独构建骨干加载再拼分类头。如果变量名有前缀差异可以用tf.train.Checkpoint的read方法做部分恢复。4.3 现象训练准确率一直卡在 25% 左右不降原因四分类任务随机猜就是 25%说明模型根本没学到东西。常见根因是标签没对上或者归一化没做或者学习率太大导致梯度爆炸。解决先检查train_generator.class_indices和你的class_names是否一致。再确认rescale1./255有没有加漏了归一化会让输入值在 0-255 之间梯度直接炸。最后把学习率降到1e-4甚至1e-5试一轮。如果还不行打印几张图片的标签和像素值肉眼确认数据管道没接错。4.4 现象验证集准确率远高于训练集准确率原因这听起来反直觉但常见于验证集太小且分布和训练集差异大或者 Dropout 在验证时没关闭导致评估波动。另一个可能是训练集的增强太猛模型在训练时见到的都是「难样本」。解决先扩大验证集比例到 3:7 甚至 4:6看指标是否回归正常。再检查Dropout层Keras 在evaluate和predict时会自动关闭 Dropout一般不用手动处理。如果增强参数确实过猛把rotation_range和zoom_range调小一半再训。4.5 现象gradlew.bat或mvnw.cmd双击闪退原因这两个是 Java 构建工具的包装脚本需要系统有 JDK 环境且要在命令行里运行而不是双击。闪退是因为脚本执行完就关窗口了你看不到报错。解决打开 CMD 或 PowerShellcd到脚本所在目录执行gradlew.bat build或mvnw.cmd package。如果提示JAVA_HOME未设置先装 JDK 8 或 11配好环境变量。这部分通常是配套 Web 演示端用的如果你只跑 Python 模型可以暂时忽略。5. 改出自己东西换数据集、调骨干、加 Web 演示的进阶手法把默认模型跑通只是第一步毕设要拿高分你得让评审看到「你自己的东西」。这一章讲三个可落地的改造方向每个都给你具体操作和验证方法。5.1 换数据集后类别数变了怎么改假设你把类别从 4 类扩到 6 类需要动三个地方。第一Dense层的输出维度改成 6。第二class_names列表同步改成 6 个。第三如果你要加载旧的resMobileNetV2.ckpt继续训练分类头维度不匹配会报错这时候要么只加载骨干权重、分类头重新初始化要么干脆从头训分类头。# 只加载骨干跳过分类头 base_model MobileNetV2(input_shape(224,224,3), include_topFalse, weightsNone) base_model.load_weights(pretrain_weights.ckpt) # 骨干权重能对上 model models.Sequential([ base_model, layers.GlobalAveragePooling2D(), layers.Dropout(0.3), layers.Dense(6, activationsoftmax) # 新类别数 ])验证方法训几个 epoch 后看val_accuracy是否稳定上升如果卡在 1/6 附近说明分类头没学动检查学习率和数据标签。5.2 解冻部分骨干层做微调冻结全部骨干训完分类头后可以解冻最后几个卷积块做微调通常能再涨 2 到 5 个百分点。MobileNetV2 在 Keras 里有 155 层左右我一般解冻最后 30 到 40 层。base_model.trainable True for layer in base_model.layers[:-40]: layer.trainable False # 微调时学习率要降否则会破坏预训练权重 model.compile( optimizertf.keras.optimizers.Adam(1e-5), losscategorical_crossentropy, metrics[accuracy] )参数说明1e-5是微调的安全学习率再大容易把 ImageNet 学到的特征冲掉。解冻层数不是越多越好小数据集解冻太多照样过拟合。验证方法微调后val_accuracy应该比只训分类头时高如果反而降了说明学习率太大或解冻太多。5.3 加一个 Flask 推理接口做现场演示答辩现场如果能让老师用手机拍张照、网页上直接出结果印象分会高很多。用 Flask 包一层推理接口前端一个上传按钮就行。from flask import Flask, request, jsonify import numpy as np from tensorflow.keras.preprocessing import image import io app Flask(__name__) app.route(/predict, methods[POST]) def predict_api(): file request.files[image] img image.load_img(io.BytesIO(file.read()), target_size(224,224)) x image.img_to_array(img) / 255.0 x np.expand_dims(x, axis0) preds model.predict(x) idx np.argmax(preds[0]) return jsonify({ class: class_names[idx], confidence: float(preds[0][idx]) }) if __name__ __main__: app.run(host0.0.0.0, port5000)逻辑说明request.files拿上传的图片文件io.BytesIO把文件流转成 PIL 能读的对象后面和单张推理一样。返回 JSON 方便前端展示。host0.0.0.0让局域网内其他设备也能访问答辩时用手机连同一个 WiFi 就能演示。验证方法本地跑起来后用 Postman 或 curl 发一张图看返回的类别和置信度是否合理。如果返回 500看 Flask 控制台的报错栈多半是图片格式或尺寸问题。5.4 一个我每次改模型都强制走的验证习惯从那以后我每次动完网络结构或权重加载逻辑都强制走一遍「三图验证」拿训练集里的一张、验证集里的一张、网上随便找的一张真实垃圾照片分别跑推理看三张的置信度是否都在合理区间。训练集那张应该接近 1.0验证集那张 0.8 以上网上那张如果低于 0.5 说明泛化还不够得回去补数据或加增强。这个习惯帮我提前发现过好几次「权重加载了但没生效」的静默错误——模型看着在跑其实用的是随机初始化。希望这套拆解能帮你把毕设稳稳落地少走几个我当年踩过的弯路。本文还有配套的精品资源点击获取