简介这份资源面向人工智能与智慧交通方向的初学者及项目实践者聚焦使用卷积神经网络完成交通标志图像分类任务适合作为课程设计、竞赛入门或深度学习练手项目。压缩包共约2000个文件整体约201.95MB其中1994个png图片构成训练与测试样本3个xml文件提供标注信息3个py脚本分别承担模型训练、单张图片预测等核心流程目录按类别组织便于直接读取数据。训练时可通过python train.py指定训练集、测试集与模型保存路径预测时用predict.py加载模型对单张图片输出分类结果并支持结果展示。已有78人学习关注读者可借此掌握数据加载、CNN搭建、模型训练与推理的完整链路理解交通标志分类的工程实现方式并在此基础上替换数据集或调整网络结构快速迁移到其他图像分类场景。1. 交通标志分类项目上手从一堆 PNG 到能跑通的 CNN 模型如果你手里正好有一批按类别分文件夹存放的交通标志图片想快速验证一个 CNN 分类流程能不能跑通这个项目实践包值得拆开看看。它解决的不是从零设计网络结构的问题而是把数据组织、训练入口、单张推理这三件事串成一条最短路径。训练集和测试集已经按目录分好图片命名类似00017_00000.png前五位对应原始类别编号后五位是同类内的序号。这种命名方式在德国交通标志数据集GTSRB里很常见类别数通常在 43 类左右单张图尺寸偏小适合做轻量级卷积网络的入门实战。适合谁刚接触深度学习、需要一份能直接跑通的分类代码来理解数据怎么进、模型怎么出的人也适合想把交通标志识别嵌进智慧交通 demo 的工程师先拿它验证流程再换自己的数据。下面按资源是什么、怎么用、坑在哪的顺序拆。2. 数据组织与训练入口train.py 的参数怎么设2.1 目录结构决定 DataLoader 能不能对上这个项目对目录结构有隐含要求--data_train和--data_test指向的根目录下每个类别一个子文件夹子文件夹里放该类别的图片。常见做法是用ImageFolder或自定义Dataset去遍历类别名就是文件夹名。如果你把图片全平铺在一个目录里训练脚本大概率会在扫描阶段就报错或把类别数识别成 1。先确认结构用一条命令看清楚# 查看训练集目录下的类别文件夹数量和每类图片数 ls ./train | head -20 for d in ./train/*/; do echo -n $d ; ls $d | wc -l; done逻辑说明第一行列出前 20 个类别文件夹名确认命名是否符合预期第二行循环统计每个类别下的图片数量。参数说明./train是训练根目录替换成你实际的--data_train路径即可。如果发现某个类别只有个位数图片训练时该类别的召回会明显偏低这是数据层面的问题不是模型能补回来的。2.2 train.py 的三个核心参数摘要里给出的训练命令是python train.py --data_train ./train --data_test ./test --model traffic_sign.model逻辑说明--data_train指定训练集根目录--data_test指定测试集根目录--model指定训练完成后模型权重的保存路径。参数说明traffic_sign.model这个文件名是自定义的脚本内部会用类似torch.save(model.state_dict(), args.model)的方式落盘所以扩展名不影响加载关键是训练和推理时用同一个名字。我一般会先跑一个极小轮次确认流程通不通再放大轮次。如果脚本支持--epochs先设 1 到 2 轮# 先跑 2 轮验证流程确认 loss 在下降、模型文件能生成 python train.py --data_train ./train --data_test ./test --model traffic_sign.model --epochs 2逻辑说明短轮次的作用是暴露路径错误、类别数不匹配、显存不足这类一跑就炸的问题而不是追求精度。参数说明--epochs如果脚本没有这个参数就去train.py里找argparse部分看实际支持的参数名别硬套。跑完后检查traffic_sign.model是否生成、文件大小是否合理几 MB 到几十 MB 都正常0 字节说明保存逻辑有问题。2.3 训练过程中该盯什么训练日志里最该看的是训练 loss 和测试准确率两条线。如果训练 loss 持续下降但测试准确率不动常见原因是数据增强过猛或测试集分布和训练集差异大如果两条都不动先怀疑学习率太小或数据没正确加载。交通标志图片背景相对干净轻量 CNN 在几千张图上通常几十轮就能到不错的水平如果跑了几十轮准确率还在随机猜43 类约 2.3%基本可以判定数据管道有问题而不是模型太弱。3. 单张推理与模型加载predict.py 怎么用对3.1 推理命令与输入路径摘要给出的单张测试命令是python predict.py --model traffic_sign.model -i ./test/00000/00017_00000.png.png -s逻辑说明--model加载训练好的权重-i指定待预测图片路径-s通常是显示结果或保存结果的开关具体含义要看predict.py里对-s的定义。参数说明注意路径里出现了.png.png双扩展名这是数据打包时常见的命名遗留-i必须指向真实存在的文件否则会报FileNotFoundError。先确认文件在# 确认待预测图片真实存在避免路径拼错 ls -l ./test/00000/00017_00000.png.png如果这个文件不存在去./test/00000/下看实际文件名别照抄摘要里的路径。3.2 推理前的预处理必须和训练一致这是最容易翻车的地方。训练时如果对图片做了 resize 到固定尺寸比如 32x32 或 48x48、归一化除以 255 或按均值和标准差标准化推理时必须做完全相同的变换。常见做法是把预处理写成一个transform训练和推理共用。如果推理脚本里单独写了一套 resize 参数和训练不一致模型输出会完全乱掉——图片明明是人眼能认出的标志预测结果却离谱。检查方法打开train.py和predict.py对比两处的Resize、ToTensor、Normalize参数。如果训练用了Normalize(mean[0.5], std[0.5])推理也得是同一组值。这一步没有捷径只能逐行对。3.3 输出类别怎么映射回真实名称模型输出的是类别索引0 到 N-1不是限速 50这种文字。如果项目里没有提供classes.txt或类似的映射文件你需要自己根据训练时ImageFolder的类别顺序去对应。ImageFolder默认按文件夹名字母序排列所以类别索引和文件夹名的对应关系是确定的但如果你手动改过顺序就会错位。常见做法是训练时把dataset.classes打印出来存成文件# 在 train.py 里加一行把类别顺序固化下来 print(dataset.classes) # 输出如 [00000, 00001, ...]顺序即索引顺序逻辑说明dataset.classes是ImageFolder自动生成的类别列表索引 i 对应classes[i]。参数说明把输出重定向到classes.txt推理时读这个文件做映射就不会出现预测对了索引但说错了类别名的情况。4. 避坑与排查训练推理里最常见的五个问题4.1 现象训练报错 Found 0 files 或类别数为 1原因--data_train指向的目录下没有按类别分子文件夹或者图片直接放在根目录。ImageFolder要求根目录下每个子目录是一个类别。解决按类别建子文件夹把图片移进去。如果原始数据是平铺的写个小脚本按文件名前缀分组# 按文件名前五位前缀分组到子文件夹 for f in ./raw/*.png; do cls$(basename $f | cut -c1-5) mkdir -p ./train/$cls mv $f ./train/$cls/ done逻辑说明cut -c1-5取文件名前五个字符作为类别名mkdir -p保证目录存在。参数说明./raw是平铺图片目录./train是目标根目录按实际路径替换。4.2 现象推理结果全是同一个类别原因模型没真正学到东西或者推理时预处理和训练不一致或者加载权重时strictFalse导致大部分层没加载上。解决先确认训练 loss 是否真的下降过再逐行对比训练和推理的预处理最后检查load_state_dict的返回值看是否有大量 key 不匹配。4.3 现象显存不足 CUDA out of memory原因batch size 太大或图片分辨率比预期高。交通标志图片通常不大但如果原始图是高清的且没做 resize单张就能撑爆显存。解决先把 batch size 降到 8 或 16确认能跑后再逐步加。同时在数据管道里加 resize别把原始高清图直接送进网络。4.4 现象测试准确率远高于实际推理表现原因测试集和训练集可能来自同一批图片的相邻帧分布过于接近导致测试准确率虚高。实际场景里光照、遮挡、角度变化都会拉低表现。解决如果条件允许留出一部分完全没参与训练的图片做验证没有的话至少对测试集做一点扰动亮度、轻微旋转再看准确率掉多少心里有个数。4.5 现象模型文件生成了但推理加载报错原因保存的是整个模型对象torch.save(model)还是状态字典torch.save(model.state_dict())加载方式必须对应。前者加载需要类定义可见后者只需要结构一致。解决统一用state_dict保存和加载推理脚本里先实例化同结构模型再load_state_dict。如果报Missing key(s)说明结构对不上回去核对训练和推理的模型定义是否同一份代码。5. 进阶技巧把单张推理改成批量评估与混淆矩阵单张predict.py适合演示但真正判断模型能不能用得看批量评估和混淆矩阵。我一般会写一个独立脚本遍历测试集所有图片统计每类的准确率和召回率重点看哪些类别容易被混。交通标志里限速类之间、禁令类之间最容易混混淆矩阵能直接告诉你问题出在哪几类。import torch from torchvision import datasets, transforms from torch.utils.data import DataLoader from sklearn.metrics import confusion_matrix, classification_report # 预处理必须和训练时完全一致 transform transforms.Compose([ transforms.Resize((32, 32)), transforms.ToTensor(), transforms.Normalize(mean[0.5], std[0.5]), ]) test_ds datasets.ImageFolder(./test, transformtransform) test_loader DataLoader(test_ds, batch_size32, shuffleFalse) model ... # 实例化与训练时相同的网络结构 model.load_state_dict(torch.load(traffic_sign.model)) model.eval() all_preds, all_labels [], [] with torch.no_grad(): for imgs, labels in test_loader: outputs model(imgs) preds outputs.argmax(dim1) all_preds.extend(preds.tolist()) all_labels.extend(labels.tolist()) print(classification_report(all_labels, all_preds, target_namestest_ds.classes)) print(confusion_matrix(all_labels, all_preds))逻辑说明shuffleFalse保证标签和预测顺序一致argmax(dim1)取每行最大 logit 作为预测类别。参数说明batch_size32按显存调整target_namestest_ds.classes让报告直接显示类别名而不是索引。跑完看classification_report里哪些类的 f1-score 明显偏低再回到混淆矩阵定位是被混成了哪一类。如果某两类互相混得厉害常见做法是针对性补充这两类的训练样本或者检查这两类的图片是否存在标注错误。从那以后我每次拿到分类项目都强制先跑一遍混淆矩阵再谈优化——准确率一个数字会骗人混淆矩阵不会。希望帮到你。本文还有配套的精品资源点击获取