企业官网建设流程全解析

简介：这是一份基于PyTorch与DenseNet模型的宠物行为图像分类代码包，面向需要快速搭建图像分类流程的初学者、课程设计或小型项目开发者。代码将数据清单生成、CNN训练与PyQt可视化界面拆分为3个独立Python脚本，结构简单直观；训练部分采用DenseNet作为主干网络，适合用于抓痒、舔毛、打盹、汪汪叫等常见宠物行为的识别。资源共9个文件，压缩包仅227KB，包含01生成txt.py、02CNN训练数据集.py、03pyqt界面.py三个核心脚本，以及requirements.txt环境依赖、docx图文说明文档和4张类别提示图片，可帮助使用者快速确认数据集放置方式。所有代码均配有逐行中文注释，并给出Anaconda+Python3.7/3.8+PyTorch1.7.1/1.8.1的推荐安装方案，即使基础薄弱也能按文档自行配置环境；数据集文件夹支持自定义分类，放入对应图片即可训练。目前已有141人学习，适合作为PyTorch图像分类入门或宠物行为识别方向的参考实现。

1. DenseNet 图像分类与行为识别：先看懂这份 zip 的底牌

宠物行为分类最磨人的不是网络，而是同一个动作的两帧之间几乎没有共同点：「伸爪」前一帧像在挠地，后一帧已经够到玩具，模型要把这种连续动作压进一个静态类别里。这份名为「densenet模型-python语言pytorch框架的图像分类宠物行为分类识别-不含数据集图片-含逐行注释和说明文档.zip」的项目，去掉压缩包外壳，核心是三样东西：DenseNet 在 PyTorch 里的实现、一套适合宠物行为细粒度分类的代码骨架、以及逐行注释。行为分类和普通图像分类最大的区别在于，类间差异不是「猫」与「狗」那样肉眼可辨，而是「扑咬」与「玩耍」、「警惕」与「发呆」这类同行小、动作重叠的细粒度问题。DenseNet 靠密集连接让每一层复用浅层特征，在数据量有限、靠微调的场景下，往往比同深度的 ResNet 更稳。这份 zip 不附数据集图片，意味着你得自己组织数据和标签，下面这条技术路线就按这个前提展开。

2. 数据组织与预处理：没有数据集图片时，从零搭出 DenseNet 的输入管线

2.1 项目结构和类别目录的约定

解压 zip 后，先找 requirements.txt 和说明文档里对数据路径的描述。常见做法是作者把数据入口写成 torchvision.datasets.ImageFolder，也就是要求你准备一个 train 目录，每个类别一个子目录。宠物行为分类建议最多拆到「动物/行为」两级，不要用「dog」「dog play」这种带空格的目录名。我一般先建一个 work 目录，结构如下：

data/ ├── train/ │ ├── cat_play/ │ ├── cat_attack/ │ ├── cat_neutral/ │ └── dog_bark/ └── val/ ├── cat_play/ └── ...

ImageFolder 会把子目录名按字母序映射成 0、1、2…，所以类别名不要出现「cat1」和「cat10」这种会排错序的写法。行为类往往有大量「中性/无事发生」帧，把它们单独设一个类，比让模型硬归到其他动作里好得多。数据不齐时，宁可用旧的手机视频抽帧，也比从网上下载一堆尺寸和角度差异巨大的照片更可控。

2.2 用 torchvision.transforms 做与 ImageNet 匹配的预处理

DenseNet 的 PyTorch 预训练权重是在 ImageNet 上练的，归一化参数写死在 torchvision 的文档里：mean=[0.485, 0.456, 0.406]，std=[0.229, 0.224, 0.225]。很多人微调时只记得 Resize，忘记归一化，结果模型输出概率几乎全在 0.5 附近，又找不到原因。行为分类的输入是视频抽帧或照片，最大边先缩到 256，再中心裁剪到 224，和官方评测口径一致。如果直接 224x224 硬拉，宠物肢体比例会被拉扁，行为特征的相对位置就变了。

from torchvision import transforms train_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]) ])

这里先用 CenterCrop 是为了跑通基线，后面换 RandomResizedCrop 等训练增强时，再单独放到训练分支。ToTensor 把像素从 0~255 转到 0.0~1.0，Normalize 做的是 (x - mean) / std，数值域不是为了让图片好看，而是让预训练模型的 BatchNorm 统计量和输入分布一致。这套预处理对 torchvision 里的 densenet121、densenet161 全部通用。

2.3 DataLoader 与训练/验证集的划分：让 DenseNet 每次迭代吃到的都是「帧」

项目不含数据集图片，你需要自己写 Dataset。我用最直接的列表式实现：一个 csv，每行是图片路径和数字标签。这样做的好处是标签名不会被 ImageFolder 的字母序绑架，也方便后续做分层抽样。

import pandas as pd import torch from PIL import Image class PetBehaviorDataset(torch.utils.data.Dataset): def __init__(self, csv_path, transform=None): self.df = pd.read_csv(csv_path) self.transform = transform def __len__(self): return len(self.df) def __getitem__(self, idx): row = self.df.iloc[idx] image = Image.open(row["path"]).convert("RGB") if self.transform: image = self.transform(image) return image, int(row["label"])

csv 至少要有两列，path 建议写相对路径，避免换机器后要重新改全路径；label 直接用整数，不要在 Dataset 里反复做字符串到数字的映射。接着用 sklearn 的train_test_split划分出验证集，比例 8:2 就够；行为类如果样本极少，在train_test_split里传stratify=df["label"]，避免某一类在验证集里消失。

train_dataset = PetBehaviorDataset("train.csv", train_transform) val_dataset = PetBehaviorDataset("val.csv", val_transform) train_loader = torch.utils.data.DataLoader( train_dataset, batch_size=32, shuffle=True, num_workers=4, pin_memory=True)

batch_size=32在 224x224 输入下约占 8~10GB 显存，DenseNet121 的中间特征图比 ResNet50 大，显存不够就先降到 16 或 8。num_workers在 Windows 上设置大于 0 时，训练主进程要包在if __name__ == "__main__"里，否则会报 DataLoader worker 重复启动的错。pin_memory=True只在 CUDA 训练时有意义，CPU 训练开着反而增加拷贝开销。

3. PyTorch 实现：加载预训练 DenseNet、微调分类头并跑通训练与验证

3.1 torchvision 里 DenseNet 的开箱用法与模型导入的正确姿势

PyTorch torchvision 里可以直接拿到 ImageNet 预训练的 densenet121、densenet161、densenet169 和 densenet201。宠物行为分类的样本量通常只有几千到几万张，随机初始化训练 DenseNet 效果很差，常见做法是加载预训练权重后，把最后一层分类器替换成自己的类别数。densenet 的 classifier 只是一个nn.Linear(1024, 1000)，替换成本比其他模型低得多。

import torch.nn as nn import torchvision.models as models from torchvision.models import DenseNet121_Weights weights = DenseNet121_Weights.IMAGENET1K_V1 model = models.densenet121(weights=weights) num_features = model.classifier.in_features num_classes = 6 model.classifier = nn.Linear(num_features, num_classes)

这里必须用model.classifier.in_features去取输入维度，而不是写死 1024，因为 densenet121 和 densenet169 的 growth rate 不同，最后一个 BN 层的输出通道也不同。DenseNet 的features子模块里已经包含了最后的nn.BatchNorm2d和nn.ReLU，classifier前面还有一层nn.AdaptiveAvgPool2d，替换分类器不会破坏特征提取和池化之间的顺序。如果从说明文档里抄完整模型定义，要检查最后一个 DenseBlock 的 growth rate 是否与官方预训练权重一致，不一致时加载权重会报 size mismatch。

3.2 训练循环与验证：交叉熵、AdamW 与学习率参数

微调 DenseNet 时，不建议用大学习率去动预训练主干。新加的线性层用 1e-3，预训练部分用 1e-4，优化器选 AdamW，配合余弦退火。下面这段是训练循环的骨架，也是 zip 里「逐行注释」经常展开的部分。

import torch import torch.nn as nn device = torch.device("cuda" if torch.cuda.is_available() else "cpu") model.to(device) optimizer = torch.optim.AdamW([ {"params": model.features.parameters(), "lr": 1e-4}, {"params": model.classifier.parameters(), "lr": 1e-3}, ], weight_decay=1e-4) scheduler = torch.optim.lr_scheduler.CosineAnnealingLR(optimizer, T_max=30) criterion = nn.CrossEntropyLoss() for epoch in range(30): 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) scheduler.step() print(f"epoch {epoch:02d} loss {running_loss / len(train_loader.dataset):.4f}")

用 param groups 分开设置学习率，让分类头收敛更快，又不破坏预训练特征。AdamW 的 weight_decay 只加到权重上，带偏置的参数不加会更稳，但行为分类这类中等规模数据上差别不大。每轮训练完必须跑一次验证，验证要放在torch.no_grad()下，并且model.eval()会关闭 Dropout、让 BatchNorm 用全局统计量；忘记切 eval 是训练曲线正常、验证指标忽高忽低的最常见原因。余弦退火的T_max要和总 epoch 数一致，否则学习率还没降到最低就提前停轮。

3.3 断点保存与单图推理：把 DenseNet 从训练脚本里摘出来

训练完只保存权重文件最省事，但下次要继续训练还得手动重建 optimizer 和 epoch，所以把 optimizer 状态、scheduler 状态、epoch 和权重一起打包更稳。推理脚本里只需要读model_state_dict，然后对一张图走完整的 transform 到 softmax 流程。

checkpoint = { "model_state_dict": model.state_dict(), "optimizer_state_dict": optimizer.state_dict(), "scheduler_state_dict": scheduler.state_dict(), "epoch": epoch, } torch.save(checkpoint, "model_best.pt") def predict(image_path, model, class_names, topk=3): transform = val_transform image = Image.open(image_path).convert("RGB") x = transform(image).unsqueeze(0).to(device) model.eval() with torch.no_grad(): probs = torch.softmax(model(x), dim=1)[0] top_idx = probs.topk(topk).indices.tolist() return [(class_names[i], probs[i].item()) for i in top_idx]

unsqueeze(0)是必须的，模型要的是 NCHW 四维张量，单张图读完是 CHW 三维，不加 batch 维会直接报错。topk=3输出前三个候选，对行为分类很有用：当 top1 置信度不高时，看 top3 里是否包括「中性」，可以判断模型是否在犹豫。保存时把class_names单独存成一个 json，不要依赖训练脚本里的列表，否则换环境后标签顺序错位，模型准确率会高得离谱。

4. 行为分类特有的调参与踩坑：DenseNet 从通用分类器到行为识别器

4.1 行为类别与置信度阈值——别被准确率骗了

普通图像分类里 95% 准确率是好事，行为分类里它可能意味着模型把所有帧都认成「中性」。宠物行为视频大量时间没有明显动作，正样本占比往往不到 30%，如果直接对全帧算准确率，模型把每帧都判成「其他」也能刷到 70% 以上。我先把置信度阈值定为 0.5，推理时低于阈值的输出统一标记为 unknown，再重新计算各类别的 precision 和 recall，而不是只盯 accuracy。行为分类还常见「双峰」问题：模型对「扑咬」的输出概率在 0.45 和 0.98 之间跳，前者来自动作刚开始的帧，后者来自动作完成态。把阈值从 0.5 抬到 0.7，可以减少大量误触发，代价是召回率下降。调阈值时在验证集上画一条置信度-准确率曲线，选曲线平台期的值，比拍脑袋定 0.5 靠谱。

4.2 数据增强组合：不要把 ImageNet 的增强原样搬过来

ImageNet 训练常见的 RandomResizedCrop + RandomHorizontalFlip，在宠物行为上要谨慎。水平翻转会把「左爪刨地」变成「右爪刨地」，对动物来说左右并非完全对称；RandomResizedCrop 裁剪到很小区域时，可能把耳朵和尾巴裁掉，而这些恰恰是行为识别的关键部位。建议训练增强只做小角度旋转、随机缩放 0.8~1.2、轻微颜色抖动和 Cutout。

from torchvision import transforms import torchvision.transforms.v2 as v2 train_transform = v2.Compose([ v2.Resize((256, 256)), v2.RandomRotation(10), v2.RandomAffine(degrees=0, translate=(0.05, 0.05), scale=(0.9, 1.1)), v2.ColorJitter(brightness=0.2, contrast=0.2, saturation=0.1), v2.RandomErasing(p=0.2, scale=(0.02, 0.1)), v2.RandomOrder([ v2.RandomHorizontalFlip(p=0.5), v2.Identity(), ]), v2.ToImage(), v2.ToDtype(torch.float32, scale=True), v2.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]), ])

这里用 torchvision.transforms.v2，把 RandomErasing 和 ToTensor 的流程整合得更顺：v2.Normalize要求输入已经是 float 张量，所以要先ToDtype。RandomHorizontalFlip 放进 RandomOrder，让翻转与不翻转各占一半，并不是完全禁用，而是防止模型只见过正向宠物。RandomErasing 对部分遮挡的鲁棒性提升明显，p=0.2 不喧宾夺主。

4.3 类别不平衡、标签噪声和学习率三个必调参数

类别不平衡不要先砍样本，先用 WeightedRandomSampler，让训练时每个 batch 里各类出现的期望次数接近。实现上按 label 的逆频率算每个样本权重：

import numpy as np from torch.utils.data import WeightedRandomSampler labels = train_df["label"].to_numpy() classes, counts = np.unique(labels, return_counts=True) weights = 1.0 / counts sample_weights = weights[labels] sampler = WeightedRandomSampler(sample_weights, num_samples=len(labels), replacement=True)

replacement=True允许重复采样，数据量少的时候靠它把样本少的类反复喂给模型。另一个容易被忽略的问题：行为数据多数来自连续视频，训练集和验证集如果按帧随机切分，同一个视频的相邻帧会同时出现在两边，验证结果会虚高。正确做法是按视频片段分组，一个视频的所有帧只能进训练集或只能进验证集，否则模型记住的是背景而不是动作。

5. 验证你的模型：混淆矩阵、Grad-CAM 与连续帧投票

5.1 混淆矩阵：看模型到底错在哪一类

行为分类里准确率不告诉你错在哪。用 sklearn 的 confusion_matrix 输出归一化矩阵，如果「追赶」和「玩耍」互相混淆，说明动作姿态本身接近，需要更多时序信息；如果「中性」被误判成「玩耍」，通常是你没给中性类足够样本，模型只能硬着头皮二选一。可视化时直接用 class_names 索引行列，方便贴到报告里对照。

5.2 Grad-CAM：看 DenseNet 在关注哪里

行为分类的关键是模型是否盯着爪、尾巴、头而不是背景。对 DenseNet 做 Grad-CAM，需要把 features 模块的输出和梯度都抓下来：

activations = {} def forward_hook(module, input, output): activations["feat"] = output.detach() gradients = {} def backward_hook(module, grad_input, grad_output): gradients["grad"] = grad_output[0].detach() h1 = model.features.register_forward_hook(forward_hook) h2 = model.features.register_full_backward_hook(backward_hook) out = model(x) model.zero_grad() out[0, out.argmax(dim=1).item()].backward() A = activations["feat"][0] # C, H, W G = gradients["grad"][0] # C, H, W weights = G.mean(dim=(1, 2), keepdim=True) cam = (weights * A).sum(dim=0, keepdim=True).clamp(min=0) cam = cam / cam.max()

register_forward_hook抓 features 最后的输出，register_full_backward_hook抓反向时传回的梯度。Grad-CAM 对每个通道算梯度的空间平均，再对激活加权求和，最后 clamp 掉负值，得到特征图上的热力区。DenseNet 的特征图分辨率约 7x7，上采样回原图看热区，如果热点全落在背景或另一只宠物身上，说明数据里有混淆项，先清洗数据再调模型。

5.3 连续帧滑动窗口投票：让 DenseNet 从图像分类变成行为分类

单帧分类不稳定是行为识别的固有难点。常见做法是每隔 3~5 帧取一帧，对最近 N 帧的 softmax 概率求平均，再取 argmax，并且仍要过置信度阈值。这样能抑制「某一帧恰好形似攻击姿势」的抖动，同时保留动作开始和结束的过渡信息。

from collections import deque window = deque(maxlen=7) for prob in stream_of_frame_probs: window.append(prob) if len(window) < 7: continue avg = torch.stack(list(window)).mean(dim=0) conf, cls = avg.max(dim=0) if conf.item() < 0.6: print("unknown") else: print(f"{class_names[cls.item()]} {conf.item():.2f}")

窗口大小根据动作时长定：偷吃、扑咬这种 0.5 秒内的动作，7 帧以 20fps 抽帧约等于 0.35 秒，比较合适；长时间舔毛可以用 15 帧。deque(maxlen=7)不需要手动清旧帧，达到长度后自动挤掉最老的帧。最后把每个视频片段分别聚合出标签，再算视频级准确率，这比逐帧指标更接近真实诉求。用这个方法在验证集上跑一遍，如果视频级准确率比帧级准确率高 5 个点以上，说明投票窗口确实压掉了噪声。

本文还有配套的精品资源，点击获取