简介这份资源是一套基于Python的车辆类型自动识别系统完整项目面向计算机视觉方向的本科生与机器学习初学者可作为大学毕设作品或课程设计参考。项目围绕交通监控、停车场管理等场景通过摄像头图像自动分类轿车、SUV、卡车、摩托车等车型技术栈涵盖OpenCV、TensorFlow、Keras与卷积神经网络并涉及数据采集、标注、预处理及系统架构设计等环节。压缩包共278个文件约25.54MB以151张jpg与14张jpeg车辆图片、21个js脚本、20个png与18个css前端资源、7个py源码、11个html页面及5个xml配置为主另含数据库文件与字体素材结构完整。已有117人学习下载。读者可获得从数据集准备到模型训练、界面展示的完整工程参考便于快速理解车辆识别项目的实现路径与模块划分。1. 车辆类型识别毕设包从一堆前端样式文件里翻出真正的识别逻辑如果你下载过「基于python的车辆类型自动识别系统 大学毕设作品.zip」解压后第一反应大概率是懵的——满屏的bootstrap.min.css、animate.css、ionicons.min.css、font-awesome.css、head_img.css、zyUpload.css外加一个index2.html.bak看起来像个前端模板仓库跟「车辆识别」四个字八竿子打不着。这正是很多毕设包的典型结构前端展示层用现成的后台模板拼出来真正的识别逻辑藏在 Python 脚本和模型文件里样式文件只是给答辩演示页面撑门面的。这份资源适合三类人正在做车辆识别方向毕设、需要一套能跑通的原型参考的学生想快速搭一个「上传图片→返回车型」演示页面的开发者以及想拿现成前端壳子套自己模型的工程师。它解决的不是算法创新问题而是「从零到能演示」这段最耗时间的工程拼接问题。下面我按实际拆包顺序把这份资源怎么用、参数怎么调、哪里会翻车讲清楚。2. 拆包看结构前端壳子、Python 识别脚本和模型文件怎么分工2.1 先认清这套资源的真实分层拿到压缩包别急着装环境先花五分钟把目录结构摸清楚否则后面会在一堆 CSS 里浪费时间。这类毕设包通常分三层第一层是静态展示层就是index2.html.bak加上那一串bootstrap.min.css、animate.css、loaders.css、ionicons.min.css、style.css、font-awesome.css、font-awesome.min.css、head_img.css、zyUpload.css负责上传界面、加载动画、图标和响应式布局第二层是 Python 服务层一般是一个 Flask 或 Django 的入口脚本接收前端上传的图片调用识别函数把结果回传第三层是模型与依赖层包含训练好的权重文件.h5或.pth和requirements.txt。index2.html.bak这个.bak后缀说明它是被改过的备份正式入口可能是index.html或index2.html改前端时优先动.bak之外的正式文件别把备份当入口。判断哪层是核心有个简单办法按文件大小排序权重文件通常几十 MB 到几百 MBPython 脚本几 KB 到几十 KBCSS 文件基本都在 100KB 以下。如果整个包里没有权重文件那这份资源只给了前端和调用框架模型得自己训练或另找这点在动手前必须确认不然跑到一半发现没模型就是纯浪费时间。2.2 环境搭建Python 版本和依赖库的对应关系车辆识别依赖 OpenCV、TensorFlow/Keras 或 PyTorch这几个库对 Python 版本很挑。常见做法是用 Python 3.8 建独立虚拟环境因为 3.8 对 TensorFlow 2.x 和 OpenCV 的兼容性最稳网上大量python安装教程、python环境变量配置的坑也都集中在这个版本区间。别用系统自带的 Python 直接装依赖冲突会让你怀疑人生。# 建虚拟环境指定 3.8避免和系统 Python 打架 python3.8 -m venv venv_vehicle # 激活Linux/macOS source venv_vehicle/bin/activate # 激活Windows venv_vehicle\Scripts\activate # 装核心依赖版本号按资源里的 requirements.txt 来没有就参考下面 pip install opencv-python4.5.5.64 pip install tensorflow2.8.0 pip install flask2.0.3 pip install numpy1.21.6 pip install pillow9.0.1这段命令的逻辑是先隔离环境再按固定版本装库。参数说明上opencv-python负责图像读取和预处理tensorflow负责加载 CNN 模型做推理flask提供上传接口numpy和pillow处理数组和图片格式转换。版本号不是随便写的——TensorFlow 2.8 和 NumPy 1.21 搭配能避开np.object被移除的报错这是python安装numpy库的方法里最常翻车的地方。装完用pip list核对一遍版本对不上后面加载模型会直接抛异常。2.3 前端样式文件的作用与改动边界那一串 CSS 不是废文件答辩演示时页面好不好看直接影响观感。bootstrap.min.css提供栅格和按钮基础样式animate.css负责上传后的过渡动画loaders.css是识别等待时的加载转圈font-awesome系列给图标zyUpload.css大概率是某个上传插件的样式。改的时候只动style.css和head_img.css这两个自定义文件别去改bootstrap.min.css这种压缩过的库文件改完没法维护。前端调用识别的核心在index2.html里的表单提交或 AJAX 请求找到action指向的 URL 或fetch/ajax的地址那个地址就是 Python 服务的接口。常见做法是接口路径写成/upload或/predict返回 JSON 格式的车型和置信度。如果你要换成自己的模型只需要保证接口返回字段名和前端解析的字段一致前端基本不用大改。3. 识别流程落地图像预处理、CNN 推理和结果回传的完整链路3.1 图像预处理尺寸、归一化和通道顺序CNN 模型对输入尺寸极其敏感训练时用的尺寸和推理时必须一致常见是 224×224 或 128×128。前端上传的图片尺寸五花八门直接喂给模型会报维度错误。预处理这一步要做三件事缩放、归一化、通道转换。OpenCV 读进来是 BGR 顺序而 Keras/TensorFlow 训练时用的是 RGB顺序错了识别结果会离谱但不报错这是最隐蔽的坑之一。import cv2 import numpy as np def preprocess_image(img_path, target_size(224, 224)): # 用 OpenCV 读取得到 BGR 格式 img cv2.imread(img_path) if img is None: raise ValueError(图片读取失败检查路径或格式) # BGR 转 RGB和训练时保持一致 img cv2.cvtColor(img, cv2.COLOR_BGR2RGB) # 缩放到模型输入尺寸 img cv2.resize(img, target_size) # 归一化到 0-1训练时若用 rescale1./255 这里必须一致 img img.astype(float32) / 255.0 # 增加 batch 维度模型 predict 需要 (1, H, W, C) img np.expand_dims(img, axis0) return img逻辑说明cvtColor做 BGR→RGB 是必须的漏了这步模型看到的颜色是反的resize的target_size必须和训练配置里的input_shape前两位一致astype(float32)/255.0对应训练时的rescale训练用了归一化推理不用或反过来置信度会整体偏移。参数上如果你的模型是 PyTorch 训练的归一化可能是按 ImageNet 均值方差做的那就不能用简单的/255得改成(img - mean) / std这点在换模型时最容易忽略。3.2 加载模型并推理类别映射表不能丢模型权重文件加载后输出的是一组概率向量索引对应类别。类别顺序由训练时的class_indices决定这个映射关系通常存在一个class_indices.json或写在脚本里的字典。如果只拿到.h5权重没有映射表识别出来的「轿车」可能是「卡车」这是毕设包里常见的缺失项。from tensorflow.keras.models import load_model import json # 加载模型compileFalse 避免自定义层报错 model load_model(vehicle_model.h5, compileFalse) # 加载类别映射没有这个文件就得从训练脚本里找 with open(class_indices.json, r, encodingutf-8) as f: class_indices json.load(f) # 反转成 索引-类别名 idx_to_class {v: k for k, v in class_indices.items()} def predict(img_path): img preprocess_image(img_path) preds model.predict(img) idx np.argmax(preds[0]) label idx_to_class.get(idx, unknown) confidence float(preds[0][idx]) return label, confidence逻辑说明compileFalse是因为很多毕设模型保存时带了自定义损失函数加载时找不到定义会报错关掉编译只做推理能绕过。argmax取概率最大的索引再通过idx_to_class映射成中文或英文类别名。confidence是置信度低于 0.6 的结果建议前端标注「不确定」避免把模糊图片硬分类。参数上如果模型输出层用了 softmaxpreds[0]就是概率如果没用 softmax得自己加softmax再取否则数值没有概率意义。3.3 Flask 接口串联前端与模型前端上传图片后端接收、存临时文件、调predict、返回 JSON这是最小闭环。接口设计要注意文件大小限制和临时文件清理不然跑几十张图后磁盘就满了。from flask import Flask, request, jsonify import os app Flask(__name__) app.config[MAX_CONTENT_LENGTH] 5 * 1024 * 1024 # 限制 5MB app.route(/predict, methods[POST]) def predict_api(): file request.files.get(file) if not file: return jsonify({error: 未收到文件}), 400 tmp_path os.path.join(tmp, file.filename) os.makedirs(tmp, exist_okTrue) file.save(tmp_path) try: label, conf predict(tmp_path) return jsonify({label: label, confidence: round(conf, 4)}) finally: os.remove(tmp_path) # 无论成功失败都清理 if __name__ __main__: app.run(host0.0.0.0, port5000)逻辑说明MAX_CONTENT_LENGTH防止超大文件拖垮服务finally里删临时文件保证不堆积。返回字段label和confidence要和前端解析的字段名对齐前端拿data.label就显示车型。参数上host0.0.0.0让局域网内其他设备也能访问答辩时用手机传图演示很方便端口 5000 若被占用改成 5001 即可。跑起来后先用curl测一遍再开前端能快速定位是接口问题还是前端问题。4. 避坑排查车型识别跑不通时先看这几处4.1 现象接口返回 500日志报维度不匹配原因上传图片的尺寸或通道数和模型input_shape不一致最常见是灰度图被当成三通道或预处理漏了expand_dims。解决在preprocess_image里打印img.shape确认是(1, 224, 224, 3)灰度图用cv2.cvtColor(img, cv2.COLOR_GRAY2RGB)补成三通道。4.2 现象识别结果全是同一类置信度还很高原因类别映射表class_indices.json和模型训练时的顺序对不上或者 BGR/RGB 没转换导致颜色特征全错。解决先确认cvtColor那行在再核对映射表——拿一张已知是轿车的图看argmax出来的索引和训练脚本里的class_indices对比顺序错了就手动改映射。4.3 现象前端上传后一直转圈控制台报跨域原因前端页面和 Flask 服务不同源浏览器拦截了请求。解决Flask 装flask-cors加CORS(app)或者把前端页面也放到 Flask 的static目录下用同一端口访问省去跨域配置。4.4 现象模型加载报Unknown layer或custom_objects原因保存模型时用了自定义层或自定义损失加载时没提供定义。解决优先用compileFalse加载若仍报错找到训练脚本里自定义层的类定义在加载前 import 进来或改用model.save_weights只存权重、重新搭结构再load_weights。4.5 现象pip install tensorflow卡住或装完 import 报错原因Python 版本和 TensorFlow 版本不匹配或用了 32 位 Python。解决确认是 64 位 Python 3.8用国内镜像源加速pip install -i https://pypi.tuna.tsinghua.edu.cn/simple tensorflow2.8.0装完python -c import tensorflow验证报 DLL 错误基本是缺 VC 运行库。5. 进阶技巧用置信度阈值和批量测试把演示稳定性拉满答辩或交付演示最怕现场翻车模型本身没问题但一张模糊图识别错就尴尬。我一般会加两层保险置信度阈值和批量回归测试。置信度低于阈值时前端不显示具体车型改显示「请上传更清晰的车辆图片」把不确定性挡在展示层之外。阈值定多少要看模型常见做法是 0.6 起步用测试集跑一遍看准确率和召回率的平衡点。import os from sklearn.metrics import classification_report def batch_test(test_dir, threshold0.6): y_true, y_pred [], [] # 目录结构test_dir/轿车/xxx.jpg文件夹名即真实标签 for label_name in os.listdir(test_dir): label_dir os.path.join(test_dir, label_name) if not os.path.isdir(label_dir): continue for img_name in os.listdir(label_dir): img_path os.path.join(label_dir, img_name) pred_label, conf predict(img_path) # 低于阈值记为 unknown不计入准确率但单独统计 y_true.append(label_name) y_pred.append(pred_label if conf threshold else unknown) print(classification_report(y_true, y_pred, zero_division0)) batch_test(test_data, threshold0.6)逻辑说明按文件夹名当真实标签批量跑predict用classification_report看每类的精确率和召回率。zero_division0避免某类没预测出来时报除零警告。参数上threshold调高会减少误判但增加「unknown」调低则相反根据演示场景选——交通监控场景宁可标 unknown 也别乱报停车场管理场景可以适当放宽。跑完看哪类召回率低针对性补该类训练图比盲目加数据有效。另一个实用技巧是把模型转成 TensorFlow Lite 或 ONNX推理速度能提一截尤其是没有 GPU 的笔记本上演示时CPU 推理从两三秒降到几百毫秒体验差别很大。转换时注意输入输出节点名要和推理代码对应转完必须用同一批测试图对比转换前后的输出确认精度没掉。从那以后我每次拿到这类毕设包都先跑一遍批量测试确认基线再动前端和阈值绝不凭单张图的观感下结论。希望帮到你。本文还有配套的精品资源点击获取 车辆类型识别毕设包拆解：从样式文件到CNN推理的工程落地
简介这份资源是一套基于Python的车辆类型自动识别系统完整项目面向计算机视觉方向的本科生与机器学习初学者可作为大学毕设作品或课程设计参考。项目围绕交通监控、停车场管理等场景通过摄像头图像自动分类轿车、SUV、卡车、摩托车等车型技术栈涵盖OpenCV、TensorFlow、Keras与卷积神经网络并涉及数据采集、标注、预处理及系统架构设计等环节。压缩包共278个文件约25.54MB以151张jpg与14张jpeg车辆图片、21个js脚本、20个png与18个css前端资源、7个py源码、11个html页面及5个xml配置为主另含数据库文件与字体素材结构完整。已有117人学习下载。读者可获得从数据集准备到模型训练、界面展示的完整工程参考便于快速理解车辆识别项目的实现路径与模块划分。1. 车辆类型识别毕设包从一堆前端样式文件里翻出真正的识别逻辑如果你下载过「基于python的车辆类型自动识别系统 大学毕设作品.zip」解压后第一反应大概率是懵的——满屏的bootstrap.min.css、animate.css、ionicons.min.css、font-awesome.css、head_img.css、zyUpload.css外加一个index2.html.bak看起来像个前端模板仓库跟「车辆识别」四个字八竿子打不着。这正是很多毕设包的典型结构前端展示层用现成的后台模板拼出来真正的识别逻辑藏在 Python 脚本和模型文件里样式文件只是给答辩演示页面撑门面的。这份资源适合三类人正在做车辆识别方向毕设、需要一套能跑通的原型参考的学生想快速搭一个「上传图片→返回车型」演示页面的开发者以及想拿现成前端壳子套自己模型的工程师。它解决的不是算法创新问题而是「从零到能演示」这段最耗时间的工程拼接问题。下面我按实际拆包顺序把这份资源怎么用、参数怎么调、哪里会翻车讲清楚。2. 拆包看结构前端壳子、Python 识别脚本和模型文件怎么分工2.1 先认清这套资源的真实分层拿到压缩包别急着装环境先花五分钟把目录结构摸清楚否则后面会在一堆 CSS 里浪费时间。这类毕设包通常分三层第一层是静态展示层就是index2.html.bak加上那一串bootstrap.min.css、animate.css、loaders.css、ionicons.min.css、style.css、font-awesome.css、font-awesome.min.css、head_img.css、zyUpload.css负责上传界面、加载动画、图标和响应式布局第二层是 Python 服务层一般是一个 Flask 或 Django 的入口脚本接收前端上传的图片调用识别函数把结果回传第三层是模型与依赖层包含训练好的权重文件.h5或.pth和requirements.txt。index2.html.bak这个.bak后缀说明它是被改过的备份正式入口可能是index.html或index2.html改前端时优先动.bak之外的正式文件别把备份当入口。判断哪层是核心有个简单办法按文件大小排序权重文件通常几十 MB 到几百 MBPython 脚本几 KB 到几十 KBCSS 文件基本都在 100KB 以下。如果整个包里没有权重文件那这份资源只给了前端和调用框架模型得自己训练或另找这点在动手前必须确认不然跑到一半发现没模型就是纯浪费时间。2.2 环境搭建Python 版本和依赖库的对应关系车辆识别依赖 OpenCV、TensorFlow/Keras 或 PyTorch这几个库对 Python 版本很挑。常见做法是用 Python 3.8 建独立虚拟环境因为 3.8 对 TensorFlow 2.x 和 OpenCV 的兼容性最稳网上大量python安装教程、python环境变量配置的坑也都集中在这个版本区间。别用系统自带的 Python 直接装依赖冲突会让你怀疑人生。# 建虚拟环境指定 3.8避免和系统 Python 打架 python3.8 -m venv venv_vehicle # 激活Linux/macOS source venv_vehicle/bin/activate # 激活Windows venv_vehicle\Scripts\activate # 装核心依赖版本号按资源里的 requirements.txt 来没有就参考下面 pip install opencv-python4.5.5.64 pip install tensorflow2.8.0 pip install flask2.0.3 pip install numpy1.21.6 pip install pillow9.0.1这段命令的逻辑是先隔离环境再按固定版本装库。参数说明上opencv-python负责图像读取和预处理tensorflow负责加载 CNN 模型做推理flask提供上传接口numpy和pillow处理数组和图片格式转换。版本号不是随便写的——TensorFlow 2.8 和 NumPy 1.21 搭配能避开np.object被移除的报错这是python安装numpy库的方法里最常翻车的地方。装完用pip list核对一遍版本对不上后面加载模型会直接抛异常。2.3 前端样式文件的作用与改动边界那一串 CSS 不是废文件答辩演示时页面好不好看直接影响观感。bootstrap.min.css提供栅格和按钮基础样式animate.css负责上传后的过渡动画loaders.css是识别等待时的加载转圈font-awesome系列给图标zyUpload.css大概率是某个上传插件的样式。改的时候只动style.css和head_img.css这两个自定义文件别去改bootstrap.min.css这种压缩过的库文件改完没法维护。前端调用识别的核心在index2.html里的表单提交或 AJAX 请求找到action指向的 URL 或fetch/ajax的地址那个地址就是 Python 服务的接口。常见做法是接口路径写成/upload或/predict返回 JSON 格式的车型和置信度。如果你要换成自己的模型只需要保证接口返回字段名和前端解析的字段一致前端基本不用大改。3. 识别流程落地图像预处理、CNN 推理和结果回传的完整链路3.1 图像预处理尺寸、归一化和通道顺序CNN 模型对输入尺寸极其敏感训练时用的尺寸和推理时必须一致常见是 224×224 或 128×128。前端上传的图片尺寸五花八门直接喂给模型会报维度错误。预处理这一步要做三件事缩放、归一化、通道转换。OpenCV 读进来是 BGR 顺序而 Keras/TensorFlow 训练时用的是 RGB顺序错了识别结果会离谱但不报错这是最隐蔽的坑之一。import cv2 import numpy as np def preprocess_image(img_path, target_size(224, 224)): # 用 OpenCV 读取得到 BGR 格式 img cv2.imread(img_path) if img is None: raise ValueError(图片读取失败检查路径或格式) # BGR 转 RGB和训练时保持一致 img cv2.cvtColor(img, cv2.COLOR_BGR2RGB) # 缩放到模型输入尺寸 img cv2.resize(img, target_size) # 归一化到 0-1训练时若用 rescale1./255 这里必须一致 img img.astype(float32) / 255.0 # 增加 batch 维度模型 predict 需要 (1, H, W, C) img np.expand_dims(img, axis0) return img逻辑说明cvtColor做 BGR→RGB 是必须的漏了这步模型看到的颜色是反的resize的target_size必须和训练配置里的input_shape前两位一致astype(float32)/255.0对应训练时的rescale训练用了归一化推理不用或反过来置信度会整体偏移。参数上如果你的模型是 PyTorch 训练的归一化可能是按 ImageNet 均值方差做的那就不能用简单的/255得改成(img - mean) / std这点在换模型时最容易忽略。3.2 加载模型并推理类别映射表不能丢模型权重文件加载后输出的是一组概率向量索引对应类别。类别顺序由训练时的class_indices决定这个映射关系通常存在一个class_indices.json或写在脚本里的字典。如果只拿到.h5权重没有映射表识别出来的「轿车」可能是「卡车」这是毕设包里常见的缺失项。from tensorflow.keras.models import load_model import json # 加载模型compileFalse 避免自定义层报错 model load_model(vehicle_model.h5, compileFalse) # 加载类别映射没有这个文件就得从训练脚本里找 with open(class_indices.json, r, encodingutf-8) as f: class_indices json.load(f) # 反转成 索引-类别名 idx_to_class {v: k for k, v in class_indices.items()} def predict(img_path): img preprocess_image(img_path) preds model.predict(img) idx np.argmax(preds[0]) label idx_to_class.get(idx, unknown) confidence float(preds[0][idx]) return label, confidence逻辑说明compileFalse是因为很多毕设模型保存时带了自定义损失函数加载时找不到定义会报错关掉编译只做推理能绕过。argmax取概率最大的索引再通过idx_to_class映射成中文或英文类别名。confidence是置信度低于 0.6 的结果建议前端标注「不确定」避免把模糊图片硬分类。参数上如果模型输出层用了 softmaxpreds[0]就是概率如果没用 softmax得自己加softmax再取否则数值没有概率意义。3.3 Flask 接口串联前端与模型前端上传图片后端接收、存临时文件、调predict、返回 JSON这是最小闭环。接口设计要注意文件大小限制和临时文件清理不然跑几十张图后磁盘就满了。from flask import Flask, request, jsonify import os app Flask(__name__) app.config[MAX_CONTENT_LENGTH] 5 * 1024 * 1024 # 限制 5MB app.route(/predict, methods[POST]) def predict_api(): file request.files.get(file) if not file: return jsonify({error: 未收到文件}), 400 tmp_path os.path.join(tmp, file.filename) os.makedirs(tmp, exist_okTrue) file.save(tmp_path) try: label, conf predict(tmp_path) return jsonify({label: label, confidence: round(conf, 4)}) finally: os.remove(tmp_path) # 无论成功失败都清理 if __name__ __main__: app.run(host0.0.0.0, port5000)逻辑说明MAX_CONTENT_LENGTH防止超大文件拖垮服务finally里删临时文件保证不堆积。返回字段label和confidence要和前端解析的字段名对齐前端拿data.label就显示车型。参数上host0.0.0.0让局域网内其他设备也能访问答辩时用手机传图演示很方便端口 5000 若被占用改成 5001 即可。跑起来后先用curl测一遍再开前端能快速定位是接口问题还是前端问题。4. 避坑排查车型识别跑不通时先看这几处4.1 现象接口返回 500日志报维度不匹配原因上传图片的尺寸或通道数和模型input_shape不一致最常见是灰度图被当成三通道或预处理漏了expand_dims。解决在preprocess_image里打印img.shape确认是(1, 224, 224, 3)灰度图用cv2.cvtColor(img, cv2.COLOR_GRAY2RGB)补成三通道。4.2 现象识别结果全是同一类置信度还很高原因类别映射表class_indices.json和模型训练时的顺序对不上或者 BGR/RGB 没转换导致颜色特征全错。解决先确认cvtColor那行在再核对映射表——拿一张已知是轿车的图看argmax出来的索引和训练脚本里的class_indices对比顺序错了就手动改映射。4.3 现象前端上传后一直转圈控制台报跨域原因前端页面和 Flask 服务不同源浏览器拦截了请求。解决Flask 装flask-cors加CORS(app)或者把前端页面也放到 Flask 的static目录下用同一端口访问省去跨域配置。4.4 现象模型加载报Unknown layer或custom_objects原因保存模型时用了自定义层或自定义损失加载时没提供定义。解决优先用compileFalse加载若仍报错找到训练脚本里自定义层的类定义在加载前 import 进来或改用model.save_weights只存权重、重新搭结构再load_weights。4.5 现象pip install tensorflow卡住或装完 import 报错原因Python 版本和 TensorFlow 版本不匹配或用了 32 位 Python。解决确认是 64 位 Python 3.8用国内镜像源加速pip install -i https://pypi.tuna.tsinghua.edu.cn/simple tensorflow2.8.0装完python -c import tensorflow验证报 DLL 错误基本是缺 VC 运行库。5. 进阶技巧用置信度阈值和批量测试把演示稳定性拉满答辩或交付演示最怕现场翻车模型本身没问题但一张模糊图识别错就尴尬。我一般会加两层保险置信度阈值和批量回归测试。置信度低于阈值时前端不显示具体车型改显示「请上传更清晰的车辆图片」把不确定性挡在展示层之外。阈值定多少要看模型常见做法是 0.6 起步用测试集跑一遍看准确率和召回率的平衡点。import os from sklearn.metrics import classification_report def batch_test(test_dir, threshold0.6): y_true, y_pred [], [] # 目录结构test_dir/轿车/xxx.jpg文件夹名即真实标签 for label_name in os.listdir(test_dir): label_dir os.path.join(test_dir, label_name) if not os.path.isdir(label_dir): continue for img_name in os.listdir(label_dir): img_path os.path.join(label_dir, img_name) pred_label, conf predict(img_path) # 低于阈值记为 unknown不计入准确率但单独统计 y_true.append(label_name) y_pred.append(pred_label if conf threshold else unknown) print(classification_report(y_true, y_pred, zero_division0)) batch_test(test_data, threshold0.6)逻辑说明按文件夹名当真实标签批量跑predict用classification_report看每类的精确率和召回率。zero_division0避免某类没预测出来时报除零警告。参数上threshold调高会减少误判但增加「unknown」调低则相反根据演示场景选——交通监控场景宁可标 unknown 也别乱报停车场管理场景可以适当放宽。跑完看哪类召回率低针对性补该类训练图比盲目加数据有效。另一个实用技巧是把模型转成 TensorFlow Lite 或 ONNX推理速度能提一截尤其是没有 GPU 的笔记本上演示时CPU 推理从两三秒降到几百毫秒体验差别很大。转换时注意输入输出节点名要和推理代码对应转完必须用同一批测试图对比转换前后的输出确认精度没掉。从那以后我每次拿到这类毕设包都先跑一遍批量测试确认基线再动前端和阈值绝不凭单张图的观感下结论。希望帮到你。本文还有配套的精品资源点击获取