企业官网建设流程全解析

简介：面向医学图像分割学习者与深度学习实践者的 U-Net 实战项目包，围绕 DRIVE 眼底血管图像分割任务，提供从数据组织、模型搭建、训练验证到预测评估的一套流程，适合希望理解医学图像分割与卷积网络落地方式的高校学生、研究者及算法入门者。压缩包为 rar 格式，约 120.72MB；下载页未列出文件总数与类型明细，包内主要围绕模型定义、训练脚本、数据处理、预测脚本、权重文件及结果目录等环节展开，可支撑复现实验与二次修改。已有 335 人学习。项目价值在于把血管边界标注数据的读取与增强、U-Net 下采样与上采样路径及跳跃连接、损失计算和权重更新、测试集预测与结果整理串联起来，帮助读者理解低层细节与高层语义如何融合以提高分割精度，并积累医学影像任务从训练到评估、从实验到辅助诊断研究的完整工程经验。

1. 眼底血管分割：20 张训练图撑起的 U-Net 方案，难点从来不在网络结构

DRIVE 这个眼底数据集有个反直觉的地方：全部只有 40 张 565×584 的彩色眼底图，官方划分里带专家标注的训练图 20 张，测试图 20 张。这意味着任何一个想拿它做血管分割的人，开局就站在小样本的悬崖边上——网络结构抄 U-Net 就够，真正决定成败的是数据怎么切、增强怎么加、指标怎么算、阈值怎么定。带过的几届做眼底分割的同学里，十有八九卡在「训练 loss 掉得很漂亮，一可视化血管全断」这一步，而不是卡在写不出 U-Net。下面这套方案按需求、设计、实现、调参、排查、验收六段走完，学生可以直接照着交毕设，工程侧也能把它当成一个小样本医学分割的模板改。

2. 任务拆解与总体方案：五段流水线与三个必须定死的接口

眼底血管分割本质是逐像素二分类：输入一张彩色眼底图，输出一张同尺寸的概率图，概率大于阈值的位置判为血管。任务描述只有一句话，但真落到工程上，得把它拆成五段互相咬合的流水线，每一段的输出格式都必须提前定死，否则后面调参时你连问题出在哪个环节都说不清。我一般把流水线拆成：数据读取与视场裁剪 → 预处理与增强 → U-Net 前向 → 滑窗拼图 → 阈值与后处理。五个环节之间靠三个接口衔接：张量的形状和取值范围、损失函数吃的是什么形式的标签、评估时用哪一块像素参与统计。

2.1 数据侧：20 张训练图怎么撑起一次可复现的实验

小样本项目最容易翻车的一步是划分。官方给了 20 张训练图和 20 张测试图，不少人图省事，把 40 张混在一起随机 split 成 8:2，这种做法的测试指标没有任何参考价值，因为同一张图的像素高度相关，模型见过它的一部分就等于见过全部。通常的做法是严格守住官方划分：20 张训练图内部再做 5 折交叉验证，每折留 4 张当验证集，训练 16 张；20 张测试图只在最后跑一次，跑完就不再回头调参。

第二件事是把「参与计算的像素」界定清楚。眼底图是圆形视场，四角是纯黑背景，如果直接整图算 loss，模型很快学会「黑色区域不是血管」这种毫无信息量的规律，指标会虚高。所以标签和预测都要乘上视场掩膜，损失和指标只在掩膜内统计。掩膜可以从原图直接算：三个通道求和后做阈值，再取最大连通域填充孔洞，就能得到稳定的圆形区域，不需要额外的标注文件。

第三件事是确定一个固定分辨率。原图 565×584 长宽不整除，直接送进网络会因为下采样 4 次出现尺寸对不齐。统一 resize 到 512×512 是一个折中，代价是细血管被压细了一点；如果导师对微小血管的连续性要求高，就别 resize，改成 512 的滑窗在原始分辨率上切 patch，推理时再拼回去。两种做法我都跑过，前者训练快、显存省，后者细血管召回更高，毕设级别用前者足够，论文里想写细血管分析就上后者。

2.2 模型侧：收缩-扩张结构与跳跃连接各管什么

U-Net 的结构已经不新鲜，但在眼底血管这个场景里，每一层为什么存在值得说清楚，答辩时这是必问项。收缩路径（下采样）负责扩大感受野，让网络在深层能判断「这一段是不是一条连续的管状结构」，而不是只看局部几个像素的灰度；扩张路径（上采样）负责把语义还原回像素位置；跳跃连接把浅层的高分辨率特征直接拼到对应层，作用是保住细血管的边界位置——没有跳跃连接，1 到 2 个像素宽的血管在深层特征图里基本已经被池化抹掉了。

具体配置上，我一般用 4 次下采样、base 通道 32 的轻量版本：编码器通道依次 32、64、128、256，瓶颈 512，解码器对称还原。这个规模在单张 11GB 显存的卡上，batch 8、512×512 输入能跑得很稳；如果显存只有 6GB，把 base 降到 16 或者改用 256 的 patch，效果掉得不多。卷积块用「卷积-BN-ReLU」重复两次，上采样用双线性插值而不是转置卷积，原因是转置卷积在医学图像上容易产生棋盘格伪影，细血管旁边一旦出现网格状纹理，视觉上非常难看。

提示：跳跃连接用通道拼接（concat）而不是相加。相加会强制浅层和深层特征语义对齐，在小数据集上收敛更慢；拼接把选择权交给后面的卷积层，实践中更稳。

2.3 评估侧：像素级指标与 A/V 分类的取舍

DRIVE 官方其实给了两套评测口径：一套是像素级二分类，算 Accuracy、Sensitivity、Specificity、F1、AUC；另一套是更贴近临床的 A/V（动静脉）分类，需要额外区分血管类型。毕设里绝大多数人只做前者，这是合理的，因为后者需要额外的标注信息，工作量翻倍而收益有限。但有一点要提前想清楚：像素级 Accuracy 在这个任务上几乎没有意义，血管像素占比通常只有 7% 到 12%，模型全预测为背景也能拿到 0.9 左右的 Accuracy。汇报时必须把 F1、Sensitivity、Specificity、AUC 一起摆出来，单拎 Accuracy 会被追问。

还有一个常被忽略的细节：评估时要不要排除视场边界的一圈像素。官方评测里会忽略视场外和边界附近的一小圈，因为那里标注一致性差。自己实现时，简单的做法是把视场掩膜向内腐蚀几个像素再统计，能避免边界效应把指标拉低一截。

3. 关键模块实现：预处理、损失函数与滑窗推理的代码落地

这一章把三个最容易写错、也最影响最终指标的模块摊开写。代码用的是 PyTorch 加 OpenCV，都是做这个项目绕不开的依赖，参数我按实际跑通的值给，读者改数据集时只需要动其中的尺寸和阈值。

3.1 预处理与增强：CLAHE 与绿通道的选择依据

彩色眼底图有三个通道，血管在不同通道里的对比度差别很大。红通道最容易饱和，视网膜背景和血管的灰度差被压得很小；蓝通道噪声大；绿通道里血红蛋白吸收率最高，血管和背景的对比度最好，所以绝大多数眼底分割工作都只在绿通道上做，或者把绿通道当主通道、另外两个通道做辅助。这不是玄学，是把原图三个通道拆开各画一次直方图就能看出来的事。

import cv2 import numpy as np def preprocess(img_bgr, fov_mask, size=512, clip_limit=2.0): """眼底图预处理：绿通道 + CLAHE + 视场掩膜 + 归一化""" # 1) 取绿通道：血管与背景对比度最高 green = img_bgr[:, :, 1] # 2) CLAHE 分块直方图均衡，clipLimit 控制过增强程度 clahe = cv2.createCLAHE(clipLimit=clip_limit, tileGridSize=(8, 8)) green_eq = clahe.apply(green) # 3) 视场外压成 0，防止模型学习圆形边界 green_eq = green_eq * (fov_mask > 0).astype(np.uint8) # 4) 缩放：缩小用 INTER_AREA，比双线性更少摩尔纹 resized = cv2.resize(green_eq, (size, size), interpolation=cv2.INTER_AREA) # 5) 归一化到 [0,1]，与 sigmoid 输出同量纲 return resized.astype(np.float32) / 255.0 def build_fov_mask(img_bgr, thresh=15): """从原图直接估计视场掩膜，不需要额外标注""" gray = cv2.cvtColor(img_bgr, cv2.COLOR_BGR2GRAY) mask = (gray > thresh).astype(np.uint8) # 取最大连通域并填洞，去掉睫毛、反光造成的碎片 cnts, _ = cv2.findContours(mask, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) out = np.zeros_like(mask) cv2.drawContours(out, [max(cnts, key=cv2.contourArea)], -1, 1, -1) return out

这段代码里有两个参数值得单独说。clip_limit控制对比度增强的强度，设成 2.0 时细血管变清楚但噪点也开始被放大，设到 4.0 以上背景会出现明显颗粒，模型会把颗粒误判成血管，我一般锁在 2.0 到 3.0 之间试两档。tileGridSize是分块大小，8×8 意味着把图切成 64×64 的小块各自均衡，块太小会放大噪声，块太大就退化成全局均衡，8×8 是常用起点。

数据增强方面，几何变换用随机水平翻转、随机旋转 0 到 360 度、随机缩放 0.9 到 1.1，这三个对眼底图都安全，因为眼底图本身没有固定的上下方向。弹性形变要谨慎，sigma设大了会把血管扯成断断续续的片段，标签跟着一起变形，模型学到的是错误的连续性，我一般把形变强度压在很小的范围，或者干脆不用，改用亮度、对比度、gamma 的随机扰动来补多样性。小样本场景下，增强的种类不是越多越好，能保持解剖结构合理的增强才有意义。

3.2 网络与损失：U-Net 骨架与 Dice+BCE 混合损失

网络部分直接给一个可复现的最小实现，重点是通道数和解码器的拼接顺序，写错一处就会出现尺寸不匹配。

import torch import torch.nn as nn import torch.nn.functional as F class DoubleConv(nn.Module): def __init__(self, in_ch, out_ch): super().__init__() # 两次 3x3 卷积，padding=1 保证尺寸不变 self.block = nn.Sequential( nn.Conv2d(in_ch, out_ch, 3, padding=1, bias=False), nn.BatchNorm2d(out_ch), nn.ReLU(inplace=True), nn.Conv2d(out_ch, out_ch, 3, padding=1, bias=False), nn.BatchNorm2d(out_ch), nn.ReLU(inplace=True), ) def forward(self, x): return self.block(x) class UNet(nn.Module): def __init__(self, in_ch=1, base=32): super().__init__() chs = [base, base*2, base*4, base*8, base*16] # 32/64/128/256/512 self.enc = nn.ModuleList([ DoubleConv(in_ch if i == 0 else chs[i-1], chs[i]) for i in range(4) ]) self.bottleneck = DoubleConv(chs[3], chs[4]) self.dec = nn.ModuleList([ DoubleConv(chs[i] + chs[i+1], chs[i]) for i in range(3, -1, -1) ]) self.pool = nn.MaxPool2d(2) self.up = nn.Upsample(scale_factor=2, mode='bilinear', align_corners=False) self.head = nn.Conv2d(chs[0], 1, 1) # 1x1 卷积压到单通道 def forward(self, x): skips = [] for enc in self.enc: x = enc(x) skips.append(x) # 保存浅层高分辨率特征 x = self.pool(x) x = self.bottleneck(x) for i, dec in enumerate(self.dec): x = self.up(x) x = torch.cat([x, skips[-(i+1)]], dim=1) # 跳跃连接：通道拼接 x = dec(x) return self.head(x)

base=32时整网参数量大约 7.8M，单卡 batch 8 训练没有任何压力。如果换成base=16，参数量降到 2M 左右，指标通常会掉 1 到 2 个点，但推理速度快一倍，做实时演示时可以用这个版本。head输出的是 logits，不要在里面加 sigmoid，sigmoid 放到损失函数和推理里，否则会出现数值不稳定。

损失函数是这个项目的第二个关键点。血管像素只占 7% 到 12%，纯 BCE 会让模型倾向于全预测背景，训练前期 loss 掉得很快，但 Sensitivity 一直上不去。混合损失的做法是 BCE 提供稳定的逐像素梯度，Dice 直接优化前景重叠度，两者各占一半。

def dice_loss(logits, target, eps=1e-6): """软 Dice：直接对概率图计算，可反向传播""" prob = torch.sigmoid(logits) inter = (prob * target).sum(dim=(2, 3)) union = prob.sum(dim=(2, 3)) + target.sum(dim=(2, 3)) return 1 - ((2 * inter + eps) / (union + eps)).mean() def hybrid_loss(logits, target, bce_w=0.5): bce = F.binary_cross_entropy_with_logits(logits, target) return bce_w * bce + (1 - bce_w) * dice_loss(logits, target)

bce_w我一般固定 0.5，试过 0.3 和 0.7，差异在 0.5 个点以内，没必要细调。真正的收益来自「有没有用 Dice」，而不是「Dice 占多少」。eps不能省，全背景的 patch 上 Dice 分母会接近 0，没有 eps 会直接 NaN。

3.3 推理与后处理：重叠滑窗、阈值搜索与连通域清理

测试图和训练图如果分辨率一致，直接整图前向也能出结果；但整图前向在显存紧张或者分辨率更高时会顶不住，滑窗推理是更通用的做法。核心是窗口之间留重叠，重叠区取平均，避免拼接缝。

import torch @torch.no_grad() def sliding_window_infer(model, image, patch=256, stride=128, device='cuda'): """overlap-tile 推理：重叠区概率取平均，消除拼接缝""" model.eval() _, H, W = image.shape prob = torch.zeros(H, W, device=device) count = torch.zeros(H, W, device=device) for y in range(0, H, stride): for x in range(0, W, stride): # 边界回退：最后一块贴边，保证窗口不越界 y0, x0 = min(y, H - patch), min(x, W - patch) patch_img = image[:, y0:y0+patch, x0:x0+patch].unsqueeze(0).to(device) p = torch.sigmoid(model(patch_img))[0, 0] prob[y0:y0+patch, x0:x0+patch] += p count[y0:y0+patch, x0:x0+patch] += 1 return (prob / count.clamp(min=1)).cpu().numpy()

stride取 patch 的一半是常用配置，重叠 50%，拼出来的图基本看不到缝；stride等于 patch 时重叠为 0，速度快但边界处概率会跳变，细血管在缝上容易断。min(y, H-patch)这一行是防止最后一块越界，漏了它会直接报越界错误，属于血泪经验级别的细节。

后处理分两步。第一步是阈值搜索：不要固定 0.5，在验证集上扫一遍 0.1 到 0.9，取 F1 最高的那个作为最终阈值，通常落在 0.4 到 0.6 之间，个别训练不充分的情况会低到 0.3。第二步是连通域清理：把面积小于 20 个像素的孤立前景块去掉，再把视场掩膜外的像素强制置 0。这两步加起来通常能把 F1 提 1 到 2 个点，成本几乎为零。

4. 训练调参：从过拟合到收敛的四组对照实验

小数据集训练最怕的不是不收敛，而是「训练集 Dice 0.95、验证集 0.78」这种过拟合，以及「两个都 0.9 但可视化一塌糊涂」这种指标欺骗。这一章给的是四组可复现的对照实验配置，按顺序做完，基本能把模型调到一个可交付的状态。

4.1 训练配置与显存预算

先把底座配置定下来，后面所有对照都基于它。优化器用 Adam，初始学习率 1e-3，权重衰减 1e-5；学习率调度用 ReduceLROnPlateau，监控验证集 F1，patience 设 10，衰减系数 0.5；batch size 8，训练 150 个 epoch，前 5 个 epoch 做 warmup。输入 512×512 单通道，base 通道 32，这个组合在 11GB 显存上占用大约 6GB，留出的余量够开混合精度。

混合精度训练在小显存机器上是必开项，torch.cuda.amp能把显存占用压掉三成左右，速度提升 20% 上下。要注意 Dice 损失在 fp16 下求和容易溢出，把损失计算那段强制转成 fp32 再算，能避免偶发的 NaN。

4.2 学习率和归一化层的两组对照

第一组对照是学习率。1e-3 配 Adam 在多数情况下能收敛，但如果发现前 10 个 epoch 验证 F1 一直在 0.3 附近打转，多半是学习率偏大导致在鞍点附近震荡，降到 3e-4 再跑一次通常就正常了。反过来，如果 loss 下降极其缓慢，且训练集 F1 长期低于 0.7，可以试试 2e-3 配 warmup，但超过 3e-3 基本都会发散。

第二组对照是归一化层。U-Net 原版用 BatchNorm，在 batch 8 的情况下统计量还算稳定；但如果显存不够把 batch 降到 2 甚至 1，BatchNorm 的均值方差估计会非常抖，表现为训练 loss 剧烈震荡、验证指标上不去。这种情况换成 InstanceNorm 或者 GroupNorm（组数 8）会明显稳定，代价是收敛稍慢一点。我一般的判断标准是：batch 大于等于 8 用 BatchNorm，小于 8 直接上 InstanceNorm，不用纠结。

还有一个容易被忽略的点是数据增强的强度。增强开太猛，训练集上的 loss 会长期偏高，看起来像欠拟合，实际是任务变难了；增强开太弱，两三个 epoch 就过拟合。判断方法是看训练集和验证集的 F1 差距，差距在 5 个点以内说明增强合适，超过 10 个点就该加强增强或者加 dropout。

4.3 小数据集的早停与正则策略

20 张图训练，早停不是可选项而是必需项。监控指标用验证集 F1 而不是 loss，因为 loss 在前景稀疏的情况下对指标不敏感。patience 设 15 到 20 个 epoch，连续这么多次验证 F1 没有提升就停，同时保存验证 F1 最高的那组权重，而不是最后一个 epoch 的权重。这一点很多人会写错，代码里torch.save(model.state_dict(), ...)放在循环末尾，存下来的是最后一轮，往往已经过拟合了。

正则方面，dropout 在 U-Net 的瓶颈层加 0.2 到 0.3 就够，加在浅层会破坏细血管特征。权重衰减 1e-5 是个安全值，调到 1e-4 时验证指标通常会掉。还有一个便宜好用的手段是测试时增强（TTA）：推理时把图水平翻转、垂直翻转各跑一次，三张概率图取平均，F1 一般能再提 0.5 到 1 个点，代价是推理时间翻三倍，答辩演示时用不用都行，写进论文里是个加分项。

5. 常见问题排查：指标虚高、血管断裂与全黑预测的五个坑

这一章按「现象 → 原因 → 解决」的格式写五个在实际项目里出现频率最高的问题，基本覆盖了从训练到推理的整条链路。出现这些问题不丢人，能定位到原因才是关键。

5.1 指标类问题：验证 F1 0.85 但可视化血管全断

现象很典型：训练日志里验证集 F1 稳定在 0.82 到 0.86，AUC 0.97 以上，一切看着都很好，但把预测图叠到原图上一看，主干血管还在，细小分支断成一段一段。原因通常有两个，一是评估时用了整图统计，背景像素占了九成，把细血管的漏检稀释掉了；二是阈值取 0.5 偏高，模型对细血管的置信度本来就低，0.5 一刀切下去，概率 0.45 的细血管全被砍掉。

解决办法是把评估范围收窄到视场掩膜内，并且单独统计细血管区域的召回率——可以按标签的血管宽度做分层，宽度小于 3 个像素的算细血管，单独算一个 Sensitivity。阈值则在验证集上做搜索，取 F1 最高的那个，很多情况下这个值会落在 0.35 到 0.45 之间，细血管的连续性会有肉眼可见的改善。如果搜完阈值还是断，说明模型本身对小目标的学习不足，回头去检查输入分辨率是不是压得太狠。

5.2 预测类问题之一：输出全黑或者全白

全黑指的是概率图几乎全接近 0，全白则相反。全黑常见于三种情况：输入没有归一化到 [0,1]，像素值还是 0 到 255，卷积核直接爆掉；视场掩膜写反了，把视场内的像素全乘成了 0；标签在预处理时被错误地除以 255 两次，变成全 0。逐项排查的方法很简单，在 dataloader 里抽一个 batch 打印image.max()、image.min()、target.mean()，这三个数一对就基本能定位。

全白多半是损失函数的问题。如果 Dice 的eps加在了分母外面而不是里面，或者 BCE 的 pos_weight 设得过大，模型会倾向于把所有像素判成正类来降低损失。检查pos_weight是不是被误设成了几十，正常情况下 0.5 到 1.0 就够，缓解不平衡靠 Dice 而不是靠 pos_weight 硬拉。

5.3 预测类问题之二：视场边界出现一圈假的血管

现象是预测图在圆形视场的边缘出现一圈明显的高亮环，肉眼看根本不是血管。原因是没有做视场掩膜，或者掩膜只作用在输入上、没作用在标签和输出上。模型在训练时看到视场外是纯黑，视场内是眼底图，两者交界处形成一个极强的边缘信号，网络把这个边缘当成了「管状结构」学到了。解决很直接：预处理时把视场外置 0，标签同样置 0，损失计算时把视场外像素的权重置 0，推理完再把视场外强制置 0。三处都做全，这个环就消失了。

5.4 训练类问题：loss 正常但验证指标不涨

训练 loss 从 0.8 平稳降到 0.2，验证 F1 却一直在 0.6 附近横盘。这种情况先看数据划分有没有泄漏——如果验证集里的图和训练集是同一个人、同一只眼的不同裁剪，指标会虚高；反过来如果是把难图全划进了验证集，指标会偏低。5 折交叉验证能缓解这个问题，每折的验证 F1 取平均，比单次划分可信得多。

如果划分没问题，就看学习率是不是太大导致在最优解附近震荡，把 ReduceLROnPlateau 的 patience 从 10 缩到 5，让学习率更早衰减。还有一个隐蔽原因是 BatchNorm 在验证时用了当前 batch 的统计量，如果验证的 batch size 和训练不一致，跑出来的指标会漂，验证时固定 batch size 或者切到 eval 模式后再跑，能排除这个干扰。

5.5 工程类问题：训练能跑，换台机器就复现不出来

现象是本地跑出 F1 0.83，换台机器或者隔几天再跑，同样的代码出来 0.79。原因集中在三处：随机种子没固定全，Python、NumPy、PyTorch、CUDA 四层的种子都要设；数据增强用了多进程 dataloader，worker 之间的随机状态互相干扰，需要在 worker_init_fn 里按 worker id 重设种子；cuDNN 的 benchmark 模式会让卷积算法选择不确定，做复现实验时把它关掉。

import random, numpy as np, torch def set_seed(seed=42): random.seed(seed) np.random.seed(seed) torch.manual_seed(seed) torch.cuda.manual_seed_all(seed) # 复现优先：关掉非确定性算法 torch.backends.cudnn.benchmark = False torch.backends.cudnn.deterministic = True def worker_init_fn(worker_id): # 每个 dataloader worker 用不同但确定的种子 np.random.seed(42 + worker_id)

关掉 benchmark 会让训练慢 5% 到 10%，但换来的可复现性在写论文、做答辩演示时值这个价。定稿前把种子固定跑三遍，三次的验证 F1 差距在 0.3 个点以内，才算这套实验站得住。

6. 验收与答辩：怎么证明这套 U-Net 真的分出了血管

做到这一步，模型大概率已经能出图了，但「能出图」和「能交差」之间还差一套验收流程。答辩现场最常出现的尴尬是：你放了四张效果图，评委随手点开一张说「这条血管断了」，你没法解释这是个别现象还是普遍问题。避免这种被动，靠的是提前把验收做成一张表，现场按表说话。

我一般让学生准备三样东西。第一样是交叉验证的汇总表，5 折的 F1、Sensitivity、Specificity、AUC 各一行，给出均值和标准差，标准差比均值更能说明模型稳不稳。

第二样是可视化对比图，选三张有代表性的测试图：一张主干清晰的大血管、一张细分支密集的、一张有病灶遮挡的。每张图放四联：原图、金标准、预测概率热力图、阈值二值化结果。四联图的说服力远高于单张二值图，因为热力图能看出模型在哪里犹豫，评委看到细血管处的概率是 0.4 而不是 0，自然会认可这是阈值问题而不是模型问题。

第三样是现场演示脚本，把「读一张图 → 预处理 → 前向 → 阈值 → 后处理 → 叠图」压成一条命令，跑一次控制在 10 秒以内。脚本里不要现场训练，也不要现场装环境，所有依赖提前装好，模型权重文件单独放一个目录，路径写成相对路径。

答辩时被问到最多的三个问题，提前准备答案：为什么用 U-Net 不用别的分割网络，答案是跳跃连接对小目标边界的作用，配合一张有无跳跃连接的对比图；为什么 F1 只有 0.81，答案是这个数据集上专家之间的一致性本身就在 0.79 上下，0.81 已经在合理区间；阈值为什么不是 0.5，答案是前景稀疏时 0.5 会系统性压低召回，验证集搜索出的阈值更有依据。

从那以后我每次带人做这类小样本分割项目，都强制在训练开始前先把验收表的三样东西列出来，再倒推需要保存哪些中间结果。这个习惯省下来的返工时间，比调参本身多得多。希望帮到你。

本文还有配套的精品资源，点击获取