什么时候一个毕业设计选题算是“好选题”？我的标准很简单：技术路线成熟、工作量可控、数据不是难到找不着，同时又有一个能讲清楚的应用故事。用Python做CNN卷积神经网络识别昆虫，恰好把这几条占齐了。

这个题目不是新得吓人，也不是旧得没价值。昆虫识别在农业植保、生态监测、检疫防控里都有真实需求，而深度学习图像分类又是目前最成熟的方向之一，数据和预训练模型都容易获得。对于本科毕设或者硕士入门项目来说，它相当于一个“标准但绝不平庸”的练手场景——你把这个题目吃透，图像分类那一整套流程基本就通了。这篇文章我就从选题思路、数据准备、模型搭建、训练优化到最后的展示交付，把我实际做这类项目踩过的坑、验证过的做法全盘讲一遍。

1. 这个选题到底值不值得做

先直接给结论：值。而且对于绝大多数想认真完成毕设、又不希望天天睡实验室的同学来说，它的性价比非常高。

1.1 为什么是“昆虫”而不是别的

很多人一开始想的是猫狗识别、人脸识别、车型识别，这些题目没有不好，问题是太“大众”了，答辩时老师一眼就能看到你做的是什么，同质化严重。换成“昆虫”就不一样：它依然是一个标准的图像分类任务，但对象更具体、更有专业辨识度，也更容易往“农林业应用”方向拔高。

昆虫识别的实际难点不在网络结构，而在数据本身。昆虫种类极多、外观相似度高、姿态和环境背景复杂，这反而成了这个题目的一大红利：同样的模型，在猫狗数据集上准确率轻松上95%，在昆虫数据集上可能只有85%——这个差距不是坏事，它能让你在论文里“有东西可以分析”，比如类间相似性导致的混淆、背景干扰的影响、细粒度分类的难度等等。说白了，这个题目的“容错空间”很大，做得好了可以挖掘细粒度分类深度，做得一般也能靠数据和预处理撑起工作量。

1.2 三种主流技术方案的横向对比

我见过不少同学拿到题目后第一步就想着“上大模型”，其实大可不必。先看看主流方案的区别：

我自己带模拟项目的经验是：不要死磕传统方法，但在论文里加一个“传统方法对比”小节，用SVM或简单CNN跑一遍给个对照数据，能让工作量看起来更扎实。

1.3 适合谁做、能锻炼什么能力

这个选题适合三类人：一是本科阶段准备读研、想提前熟悉深度学习完整流程的同学；二是Python有一定基础但没系统做过CV项目的同学；三是对农业信息化方向感兴趣、想在简历里留一个完整项目的同学。

做这个题目你能摸到的关键技能包括：数据采集与清洗、图像预处理、Pytorch或TensorFlow的使用、模型训练与调参、模型评估与可视化、以及最后的部署交付。这套技能栈放到找实习或者考研复试里，都是能直接聊的东西。

2. 整体框架设计：别急着写代码，先想清楚这三件事

我见过太多同学拿到数据集第一件事就是打开Jupyter Notebook开始训练，训练完发现准确率一塌糊涂，然后开始怀疑人生。问题往往不在模型，而在前期设计。

2.1 类别设计：分多少类、分哪几类

昆虫识别的类别数量决定了整个项目的工作量和难度。我的建议是：本科毕设控制在10到30类之间，不要一上来就挑战100类以上。

原因很简单：

• 类别太少（5类以下）显得工作量不足，答辩时不好讲
• 类别太多（100类以上）准确率很难做好看，而且训练时间和显存需求都上去了
• 10到30类是“跳一跳够得着”的区间，既能体现细粒度分类的难度，又能把准确率做到85%-95%的合理区间

类别怎么选？有三个思路：

1. 按物种级别，比如选20种常见农业害虫（稻飞虱、棉铃虫、玉米螟等），这个方向最有应用价值
2. 按科级分类，比如选10个科的昆虫（鞘翅目、鳞翅目、膜翅目等），难度更低，适合新手
3. 混合级别，比如常见的蝴蝶、甲虫、蜜蜂、蚊子各若干种，数据最好找，适合快速验证

还有一个容易被忽略的点：类别的拉丁文学名一定要标清楚。答辩老师很可能随口问一句“你这个类是怎么划分的”，如果你能说出科属种的关系，印象分会好很多。

2.2 技术栈选型：Pytorch还是TensorFlow、用不用预训练模型

图像分类这个方向，Pytorch和TensorFlow都能做，但我的建议很明确：如果你没有特别的原因，选Pytorch。

理由有三个：

• Pytorch的调试体验更接近Python原生风格，断点调试方便
• 计算机视觉方向的最新论文和预训练模型大多优先发布Pytorch版本
• 从社区资源和查资料的角度，Pytorch现在的生态已经明显占优

至于预训练模型的问题，一句话就能说清：不要自己从头训练一个深层网络。以ResNet50为例，在ImageNet上预训练权重是官方下载好的，你用迁移学习的方式微调权重，在昆虫数据集上训练几轮就能收敛。如果从零训练，同样的数据量可能需要10倍以上的训练时间，而且效果未必好。这是这个项目里性价比最高的决策。

2.3 评估指标的设定

很多同学从头到尾只盯一个准确率（Accuracy），这是本题最常犯的错误。昆虫识别这种数据天然存在类别不均衡问题，比如“棉铃虫”的图片明显比“某种珍稀蜻蜓”多，这时只看准确率很容易被“骗”。

我会建议至少同时看这四个指标：

另外，混淆矩阵（Confusion Matrix）是答辩时的“神器”。把混淆矩阵可视化出来，你能一眼看出哪两类昆虫经常被搞混，从而为你的论文增加一段非常自然的“错误分析与改进方向”。

3. 数据处理实操：这步做不好，模型再狂也没用

数据是整个项目里最花时间的环节，没有之一。我做过一次统计：一个2万张昆虫图片的项目，数据清洗和整理花了将近一半的时间。很多同学容易低估这部分工作量，结果后期训练时被数据的各种脏问题反复折磨。

3.1 数据集从哪里来

昆虫数据集的获取路径大体有三种：

第一种：用现成的公开数据集目前比较常用的是 AI Challenger 的农业害虫数据集、iNaturalist 的昆虫子集、以及各类昆虫图像数据集。这类数据集的好处是已经标注好了，坏处是可能存在标注噪声、背景单一样等问题。用的时候要自己看一下图片质量，比如分辨率过低、标注明显错误的可以直接删掉。

第二种：自己爬取+人工清洗用爬虫工具从图库网站获取图片，然后人工筛选。这条路有个很大的坑：搜索引擎的图片质量参差不齐，混入无关图片的概率不小。一份项目里我见过一个“蜜蜂”类别里混进了几张黄蜂甚至苍蝇的照片，这样训练出来的模型会在实际预测时出现莫名其妙的错误。

第三种：实地拍摄（加分项）如果你有条件，自拍一部分真实场景下的昆虫照片，是很好的加分项。不需要拍几百上千张，哪怕每类拍几十张，统计上就能显著提升模型在真实场景下的泛化能力。更重要的是，答辩时你可以理直气壮地说“这个数据集包含了一部分自己采集的真实野外场景数据”，这在真实感维度上比纯下载高出一截。

3.2 目录结构与数据划分

这里我直接给出一个经过验证的目录结构模板：

insect_classification/ ├── data/ │ ├── train/ │ │ ├── bee/ │ │ ├── butterfly/ │ │ └── ... │ ├── val/ │ │ ├── bee/ │ │ ├── butterfly/ │ │ └── ... │ └── test/ │ ├── bee/ │ ├── butterfly/ │ └── ... ├── models/ ├── logs/ └── utils/

数据划分比例我一般用train : val : test = 7 : 2 : 1。很多人把test当val用，训练时反复去看test的准确率来调参，这是学术伦理问题，答辩时也会被老师抓。正确做法是：val集合用于调参和早停判断，test集合只用一次，放在最后评估最终模型性能。

3.3 数据增强：最便宜的好用技巧

没有数据增强的CNN训练在这个任务上几乎可以说是“自断一臂”。昆虫识别中模型很容易过拟合到背景、光照、姿态等无关因素，数据增强能有效缓解。

我自己的增强策略是“适度组合”，不会一上来全部拉满：

用Pytorch实现的时候，通常配合torchvision.transforms和albumentations库。我的习惯是：用albumentations做训练集增强，换成torchvision的简单transform做验证集和测试集（只做resize和归一化）。注意，验证集和测试集绝不能用训练集的强增强策略，否则会污染评价结果。

3.4 类别不均衡的三种应对策略

昆虫数据很难完全均衡。这里讲三种常用处理方式，配合着用效果最好：

重采样（Oversampling / Undersampling）：少的类别重复抽样，多的类别随机丢弃一部分。实现简单，但要注意别过度重复导致过拟合。

类别权重（Class Weight）：在损失函数里按类别样本数反比设置权重。比如样本数多的类别权重设为0.5，少的设为2.0。Pytorch的CrossEntropyLoss里可以直接传weight参数，代码很简单。

Focal Loss：如果样本不均衡特别严重，可以考虑用Focal Loss代替交叉熵。它能自动降低已分类样本的权重，让模型更关注困难样本。缺点是自己实现时要调两个超参，调试成本略高。

从实际效果看，对于10~30类的昆虫任务，重采样+类别权重的组合通常就能达到可接受的效果，Focal Loss属于“进一步提升”的手段。

4. 模型搭建与训练全流程

现在到了真正的重头戏。这一部分我会把从加载数据到训练完成的整个流程完整过一遍，关键的代码直接贴出来，并解释每一处为什么这么写。

4.1 基础模型的选型：ResNet50是稳妥之选

在昆虫识别这种细粒度分类任务上，模型的“大小”不是越大越好。我推荐的第一选择是ResNet50，理由是平衡性好：参数量适中（约26M），训练速度可控，预训练权重容易获取，而且ResNet的残差结构在特征传递上有天然优势，对细粒度特征的捕捉能力经过大量工业验证。

比ResNet50更轻的选择是MobileNetV3或EfficientNet，适合资源受限环境，但准确率会低一些；比ResNet50更大的选择是EfficientNet-B4-B7或Swin Transformer，效果理论上更好，但训练时间和显存成本直线上升。对于毕设来说，我不建议一上来就挑战Transformer类模型——不是不让你用，而是这个技术选型会大幅增加调试成本和计算资源需求，性价比不高。

4.2 数据集加载与预处理代码

Pytorch加载数据用的是torch.utils.data.DataLoader和torchvision.datasets.ImageFolder。这里有一个值得强调的经验：数据加载脚本尽量一开始就写好完整的，不要用一遍改一遍的“临时脚本”。因为数据集一旦分割完成，后续又要从头加载，浪费时间不说还容易出错。

import torch from torchvision import datasets, transforms from torch.utils.data import DataLoader # 训练集增强 train_transforms = transforms.Compose([ transforms.Resize((224, 224)), transforms.RandomHorizontalFlip(p=0.5), transforms.RandomRotation(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]) ]) # 验证/测试集：只做尺寸归一化，不做增强 val_transforms = transforms.Compose([ transforms.Resize((224, 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_transforms) val_dataset = datasets.ImageFolder(root='data/val', transform=val_transforms) test_dataset = datasets.ImageFolder(root='data/test', transform=val_transforms) train_loader = DataLoader(train_dataset, batch_size=32, shuffle=True, num_workers=4) val_loader = DataLoader(val_dataset, batch_size=32, shuffle=False, num_workers=4) test_loader = DataLoader(test_dataset, batch_size=32, shuffle=False, num_workers=4)

这里有个新手容易踩的坑：Resize((224, 224))是直接拉伸，如果原始图片宽高比不是1:1，昆虫会被压变形。更推荐的做法是Resize(256)之后再CenterCrop(224)或者RandomResizedCrop(224)，这样能保证主体比例更自然。不过由于这类数据集的图片主要来源于网络采集，多数接近方形，所以直接Resize问题也不大，但提前知道这个区别对你理解数据预处理有帮助。

4.3 模型搭建：迁移学习的正确姿势

迁移学习的核心思路是：保留预训练模型在前置层学到的通用特征（边缘、纹理、形状），然后更换最后的全连接分类头，让它适应自己的分类数。

import torch.nn as nn from torchvision import models # 加载预训练ResNet50 model = models.resnet50(weights=models.ResNet50_Weights.IMAGENET1K_V1) # 替换最后一层全连接，改为自己的类别数 num_classes = len(train_dataset.classes) model.fc = nn.Linear(model.fc.in_features, num_classes) # 将模型放到GPU上 device = torch.device("cuda" if torch.cuda.is_available() else "cpu") model = model.to(device)

很多人问要不要把整个网络全部解冻训练，还是只微调最后一两层。我的经验是分两步走：

第一步（冻结特征层）：把除了最后一层之外的参数都设为requires_grad=False，只训练自己加的分类头。用较小的学习率（比如1e-3）训练几个epoch，这相当于让新加的线性层先熟悉特征的分布。

第二步（解冻全部层）：把整个网络的参数都设为requires_grad=True，用更小的学习率（1e-4到5e-5）继续训练全部层。这是因为解冻后如果学习率还是很大，很可能直接破坏预训练权重。

实际这两步的训练时间不会太长，但效果比一上来就全量微调要稳定得多。

4.4 损失函数、优化器、学习率调度

import torch.optim as optim # 损失函数：类别不均衡就加权重 class_weights = torch.tensor([...], device=device) # 按样本数反比计算 criterion = nn.CrossEntropyLoss(weight=class_weights) # 优化器：AdamW比Adam更稳，防止过拟合效果更好 optimizer = optim.AdamW(model.parameters(), lr=1e-4, weight_decay=1e-4) # 学习率调度：余弦退火衰减 scheduler = optim.lr_scheduler.CosineAnnealingLR(optimizer, T_max=30, eta_min=1e-6)

关于优化器的选择，我确实试过SGD和AdamW两种方案。SGD+动量在图像分类上从理论上看收敛更稳，但需要精心调学习率和动量参数；对于没有大量调参经验的同学，AdamW几乎是“开了自动挡”，省心得多。余弦退火调度器比固定学习率的效果好很多，它能让模型在前半段大步搜索、后半段精细收敛，在昆虫识别这种“类间差异比较小”的任务上作用尤为明显。如果不理解这些细节，直接照抄这一段问题不大。

4.5 训练循环与模型保存

def train_one_epoch(model, train_loader, criterion, optimizer, device): model.train() total_loss, correct, total = 0, 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() total_loss += loss.item() * images.size(0) _, preds = torch.max(outputs, 1) correct += (preds == labels).sum().item() total += labels.size(0) return total_loss / total, correct / total def evaluate(model, val_loader, criterion, device): model.eval() total_loss, correct, total = 0, 0, 0 with torch.no_grad(): for images, labels in val_loader: images, labels = images.to(device), labels.to(device) outputs = model(images) loss = criterion(outputs, labels) total_loss += loss.item() * images.size(0) _, preds = torch.max(outputs, 1) correct += (preds == labels).sum().item() total += labels.size(0) return total_loss / total, correct / total # 主训练循环 epochs = 30 # 这是基线轮数，实际要看损失曲线调整 best_acc = 0.0 for epoch in range(epochs): 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(f"Epoch {epoch+1}/{epochs} | Train Loss: {train_loss:.4f} | Train Acc: {train_acc:.4f} | Val Acc: {val_acc:.4f}") if val_acc > best_acc: best_acc = val_acc torch.save(model.state_dict(), "best_model.pth") print(f" -> 已保存最佳模型，val_acc={val_acc:.4f}")

训练时有一个非常关键的习惯：每个epoch结束都要在验证集上评估一次，并且只在验证集准确率创新高时保存模型。这叫“模型选择”，能够避免训练到最后过拟合导致val准确率下降，却把最后一轮的糟糕模型留在手里。

4.6 训练过程的检查清单

我每训练一个新模型都会盯着几个指标看，一旦发现异常立刻停：

• 训练loss是否平稳下降：如果前几个epoch loss反而上涨，十有八九是学习率太大或代码有bug
• 训练acc与验证acc的差距：如果差距超过10%以上，说明严重过拟合
• 验证acc是否震荡很大：可能批次太小、数据噪声较大或类别不均衡严重
• 训练时间是否在合理范围：单epoch远超预期时先检查DataLoader的num_workers和CPU/GPC占用情况

有次做模拟项目时，我发现训练acc很快逼近100%，但验证acc只有70%左右，这就是典型的过拟合信号。当时做的最有效的处理是增强数据增强的强度，并加大weight_decay到1e-3。这个经验可以套用到绝大多数昆虫识别项目上。

5. 提升准确率的进阶优化方法

如果你只想要一个“能交差”的模型，做到上面那部分其实已经够了。但如果你希望在答辩时能挺直腰板讲“我这个课题不只是跑通了一个网络”，那这一部分的内容就要好好琢磨了。

5.1 细粒度分类思路：昆虫任务的关键难点

昆虫识别比一般的猫狗分类难在“类间相似”。比如菜粉蝶和云粉蝶、螳螂和竹节虫，外形差异真的很细微，普通CNN只做全局特征分类很容易弄混。解决这类细粒度分类（Fine-Grained Image Classification）有几个常见思路：

多尺度特征融合：让模型同时看到昆虫整体的轮廓和身体局部的纹理。实现上可以在ResNet的某些中间层额外引出一个分支，把浅层高分辨率特征和深层语义特征拼接在一起。常见的做法是改用类似ResNet+FPN的结构做特征融合。

注意力机制：在主干网络后面加一个Squeeze-and-Excitation模块或CBAM注意力模块，让模型更关注昆虫的判别性区域，比如翅脉纹理、触角形态。这个改动很小，代码量也不多，但经常能有1-2个百分点的提升。

双线性池化：这是数年前细粒度分类的标准做法之一，用两个特征提取器的外积来建模局部特征的二阶统计信息，效果不错但计算量偏大、训练维度很高，现在用的人不多了。

对于本科毕设来说，我建议最多在架构里加一个注意力模块（比如直接在ResNet的每个Block后加SE）就足够了，既能体现你对细粒度分类的理解，又不会给自己挖太大的坑。

5.2 用Grad-CAM做可视化分析

Grad-CAM是答辩环节的“大杀器”。它能把模型做分类时的注意力区域以热力图形式画出来，直观显示模型是依据昆虫的哪个部位做出判断。这在论文里放两张图，整个工作的可信度和深度都不一样了。

import numpy as np import cv2 import torch from torchvision import models, transforms # 选取目标层：ResNet50最后一个卷积层是 layer4[2].conv3 model._modules.get('layer4') target_layer = model.layer4[-1] def grad_cam(model, input_tensor, target_layer): gradients = [] activations = [] def forward_hook(module, input, output): activations.append(output) def backward_hook(module, grad_input, grad_output): gradients.append(grad_output[0]) hook_f = target_layer.register_forward_hook(forward_hook) hook_b = target_layer.register_backward_hook(backward_hook) output = model(input_tensor) pred_class = output.argmax(dim=1).item() model.zero_grad() one_hot = torch.zeros_like(output) one_hot[0][pred_class] = 1 output.backward(gradient=one_hot) hook_f.remove() hook_b.remove() weights = gradients[0].mean(dim=(2, 3), keepdim=True) cam = (weights * activations[0]).sum(dim=1, keepdim=True) cam = torch.relu(cam).squeeze() cam = cam.detach().cpu().numpy() cam = (cam - cam.min()) / (cam.max() - cam.min()) return cam # 使用时用opencv把热力图叠加到原图上

用Grad-CAM做错误样本分析非常有意思：比如你发现模型把某种甲虫错认成另一种甲虫，看热力图就会发现模型在看它们同样色泽的鞘翅而忽略了腿部的明显差异。这个分析写进论文的“错误分析”章节，比空泛地说“可能是特征不够”强太多了。

5.3 模型集成的简单做法

要不要做集成（Ensemble）？我的观点是：如果答辩时间紧，做简单一点的集成可以稳定提高1-3个百分点；但如果时间很紧，做一个模型也完全够。集成最简单的形式是“投票法”：用两个模型（比如ResNet50和EfficientNet-B0）分别预测，最后按类别概率加和，取最大概率的类别。

实际项目中我用的集成策略是这样的：

1. 单独训练ResNet50做baseline
2. 单独训练EfficientNet-B0做对照模型
3. 预测阶段把两个模型的输出概率做加权平均（权重分别是0.6和0.4），综合得到最终预测

这个做法的好处除了准确率略高，还能写出“不同结构模型在不同类别上的互补性”，很有论文味。缺点就是训练时间翻倍，好在现在的GPU资源比较充裕，跑一个轻量模型不算太久。

6. 展示与部署交付：一份超出预期的毕设

很多同学把模型训练完、准确率够了就直接写论文，觉得万事大吉。但我的经验是：毕设是一个“项目”，不是一篇“报告”。如果能在交付物里加一个可交互的Web界面或者Demo程序，给老师的印象会完全不一样。

6.1 用Flask做一个简单的Web识别界面

Python做Web最简单的答案就是Flask。模型推理的过程可以封装在一个函数里，然后通过Web接口暴露出来。核心代码不复杂：

from flask import Flask, request, jsonify, render_template from PIL import Image import torch import torchvision.transforms as transforms app = Flask(__name__) # 模型加载（放在全局变量，只做一次） model = load_trained_model("best_model.pth") class_names = load_class_names("class_names.txt") @app.route("/", methods=["GET", "POST"]) def index(): if request.method == "POST": file = request.files["image"] image = Image.open(file.stream).convert("RGB") # 预处理并预测 ... return jsonify({"prediction": class, "confidence": prob}) return render_template("index.html")

这个界面不需要很花哨，居中放一个上传框，点击图片后展示识别结果和置信度就够用了。如果你对前端不熟，完全可以用H5写一个极简页面，不要被“Web开发”这个词吓到。

6.2 打包成桌面/Demo程序的可选方案

如果你不太擅长Web，另一个思路是用Streamlit，这个框架对Python开发者特别友好，代码量比Flask还少。比如：

import streamlit as st from PIL import Image st.title("昆虫识别系统") uploaded = st.file_uploader("上传昆虫图片", type=["jpg", "png"]) if uploaded is not None: image = Image.open(uploaded) st.image(image, caption="上传的图片", use_column_width=True) pred, conf = predict(image) st.write(f"识别结果：{pred}，置信度：{conf:.2%}")

Streamlit的魅力在于你不需要写HTML和JavaScript，只要把“读取图片→预处理→模型推理→展示结果”用Python写完，它自动帮你渲染成网页。用在毕设Demo上非常“能打”。

6.3 可视化与论文配图

论文里除了必要的图表之外，还建议制作一张“类别识别效果”的典型图片矩阵。做法很简单：每个类别挑两三张代表性图片，上面标注模型预测的类别和置信度。这个图放论文正文或者答辩PPT里，直观易懂，还显得你特别用心。混淆矩阵的热力图也是必备，推荐用matplotlib配合sklearn.metrics.confusion_matrix生成，配色选暖色调，一眼就能看出分类问题在哪里。

7. 常见问题与排查技巧实录

最后这部分可能是对你最有直接帮助的。我把做这个项目时比较容易踩的坑，按问题现象、原因分析和解决办法整理成一份“速查表”，建议你收藏备用。

7.1 训练过程不收敛或者loss飞了

现象描述：loss不降反升，或者训练acc在50%左右来回震荡迟迟上不去。

其中最容易忽视的是“数据打乱不彻底”。如果你用ImageFolder读取数据时忘了shuffle=True，那每个batch里的样本其实都是按文件夹顺序来的，模型会学到一种非常虚假的“顺序规律”，验证集上则一塌糊涂。

7.2 类别不均衡导致小类完全识别不出

这是昆虫任务里非常典型的问题。解法思路在前面已经提过，这里给一个最优的操作顺序：

1. 先统计各类别样本数，确认不均衡程度
2. 给CrossEntropyLoss加weight
3. 如果效果还是不行，用重采样，把少类的图片重复读入
4. 最后如果还不行，考虑Focal Loss

我自己的经验是：第2步通常能解决大部分问题；第3步容易引入过拟合（因为重复样本会让小类记忆化），所以配合数据增强使用；第4步是最后的兜底手段。

7.3 显存不够怎么办

如果你的GPU只有显存较小的卡，或者根本只有CPU，也不是完全没辙：

• 减小batch_size，比如从32降到8或4，这是最直接的办法
• 换轻量模型，比如EfficientNet-B0、MobileNetV3
• 开启混合精度训练（Pytorch里的torch.cuda.amp），能省将近一半显存且速度更快
• 冻结前面大部分层，只训练最后分类层，能大幅减少显存占用

对CPU训练我要泼一盆冷水：ResNet50在纯CPU上跑30轮，每类20张、总共3000张数据，可能要跑十几个小时。如果确实没有GPU，建议用Google官方出品的Colab免费GPU云服务，或者AWS的免费额度，这都是很多开发者常用的方式，能很大程度缓解算力焦虑。

7.4 训练很久但测试集准确率不高

如果你在验证集上评估得还不错（比如88%），但测试集准确率只有70%，原因几乎总是“测试集分布和训练集差异太大”。解决方法有两个：

• 检查test数据是否预处理正确，尤其是删除过强增强操作
• 如果test图片来自模型没见过的场景（比如灯光很暗、背景杂乱），最简单有效的方式是再做一次模型外部的数据清洗，将质量明显偏差的测试图片剔除或补充同类数据，把分布拉回来

另外，不要忘了早停的重要性。我在一个项目中遇到的最佳epoch是第17轮，而如果训练满30轮再保存，后面几轮已经在过拟合了。所以“每轮都评估、只存最优”这个习惯价值非常高。

7.5 答辩时最容易被问的几个问题

结合我评审和旁听过多次答辩的经验，老师围绕这个选题通常爱问这些，建议提前准备好答案：

1. 为什么选择CNN而不是传统机器学习算法识别昆虫？
2. 你的模型性能瓶颈在哪几类昆虫之间？为什么？
3. 和其他分类方案相比，你的方法准确率提升的原因是什么？
4. 如果数据量扩大10倍，你的方案要做什么调整？
5. 如果要把你的模型部署到田间地头的移动设备上，有什么限制？

这些问题都回答得好的前提是：你确实清楚自己做了哪些实验、每个实验结果是什么、优缺点在哪里。如果有Grad-CAM可视化图、混淆矩阵、多指标评估表格放在PPT里，每个问题都能对号入座地答上。

最后：做这个题目时我最想提醒你的一点

做这种毕业设计题目，最容易犯的错不是不会写代码，而是拿到一个现成的模型就开跑，从头到尾只是把数据集喂进去、看准确率。如果只是为了跑通那个准确率数字，这个题目就变成了纯粹的体力活。

我在实际做这类项目时最大的体会是：把每一个“为什么”都搞清楚，才能真正把项目变成自己的东西。比如学习率为什么不能设得太大、为什么小类别的召回率总是不高、为什么模型会把某种蜜蜂和某种蝇类搞混。这些问题不是论文里的空话，而是你真正调试时会一次次碰到的东西。当你把这些原因和解决办法写进论文，那么这篇毕设论文就不再是“用CNN做了一个昆虫分类”这种一句话能讲完的题目，而是一个有分析、有对比、有说服力的完整工作。

如果你决定做这个题目，我的最后建议是：先别急着下载数据，先把类别设计、评估指标、设备环境这三件事敲定下来。这三件事定了，后面所有代码和实验都只是执行问题。祝顺利。