每到毕设季总有不少同学来问我老师深度学习方向的题目到底选什么好说实话能问出这个问题的至少已经避开了最坑的那批题目——纯理论推导、拿开源项目改个名、或者弄个MNIST手写数字识别就交差。今天我想认真聊聊一个我实际带过、踩过不少坑、最后效果也比较理想的方向基于Python和卷积神经网络CNN训练模型识别牙齿是否健康。这个题目的核心是图像二分类任务它把医学影像处理和深度学习结合起来既有研究深度又有明确的应用场景难度梯度对毕设来说刚刚好。全文围绕从数据处理、模型搭建到训练调参、问题排查的完整实战流程展开。如果你正准备做CV方向的毕设或者想入门医学图像识别这篇文章可以当成一份可直接参考的施工图。里面所有代码、参数、流程都是我实际跑过、验证过的方案不是那种从论文里抄过来的摆设。1. 项目整体设计与思路拆解1.1 为什么选牙齿健康识别这个方向选毕设题目第一原则不是看起来高大上而是你答得上来。深度学习方向的题目太多了人脸识别、目标检测、语义分割哪个都热但热度不等于可完成度。牙齿健康识别这个方向我推荐的核心原因有三点。第一任务定义足够清晰。把问题收敛成一个图像二分类任务输入一张口腔或牙齿的照片模型输出健康或不健康的概率。二分类是所有分类任务里最基础、最能讲清楚原理的答辩时老师问你为什么用二分类而不用多分类你可以回答多分类需要把龋齿、牙周炎、牙髓炎等细分病种都标注清楚数据标注成本极高且某些病种早期影像特征差异很小、容易互相干扰而二分类在临床初筛场景中更实用——先判断有没有问题再转人工细查。这个回答既有逻辑又有场景感比背概念强得多。第二数据获取的难度在可控范围内。不像肺结节CT那种需要大型医院授权的高精度数据牙齿口腔图像在公开数据集、医学影像竞赛平台甚至部分健康科普网站都能找到可用的素材。数据量不需要很大几千张到一万张左右就足够支撑一个高质量的毕设。第三技术栈是标准的CV流水线。数据预处理、数据增强、CNN搭建、迁移学习、训练调优、模型评估这些环节全部覆盖到了而且每一步都能展开讲。答辩时最怕的是你这个项目用到了什么技术你答不上来而这个题目从输入到输出每一步都是你亲手做的问不倒。1.2 技术路线的选型对比确定了二分类任务之后下一个问题就是技术栈选什么。我见过不少同学一上来就纠结框架其实这一步想清楚之后后面就顺了。深度学习框架层面我推荐在PyTorch和TensorFlowKeras接口之间选一个。PyTorch的调试体验更好报错信息比较直观断点调试、打印中间张量都方便而且学术界最新的论文多数用PyTorch复现社区讨论量大遇到问题容易搜到答案。TensorFlow在部署生态上更成熟但毕设阶段不需要考虑那么远的部署问题所以我的建议是优先PyTorch除非你导师明确要求用TensorFlow。硬件方面如果有支持CUDA的NVIDIA独立显卡最好显存8G以上跑ResNet50这类模型比较从容。没有显卡也没关系Google Colab的免费GPU额度足以支撑这个体量的实验或者用云服务器的GPU实例。我实际测试过牙齿图像分辨率不高224×224输入尺寸下一块入门级显卡训练50个epoch也就一两个小时的事远没有想象中那么吃资源。模型结构层面我强烈建议从迁移学习入手而不是自己从头搭一个网络。原因在后面第三节详细说这里先给结论用ImageNet预训练权重初始化ResNet50然后把最后一层全连接换成二分类输出这是在牙齿数据集上最快拿到好效果的路径。1.3 项目模块划分与开发流程一个完整的毕设项目不能只有一段训练脚本那样答辩演示会很单薄。我建议把项目拆成五个模块对应五段可以独立讲解的内容数据模块负责图像读取、清洗、预处理、增强和数据划分对应dataset.py模型模块定义网络结构对应model.py训练模块训练主循环、日志记录、模型保存对应train.py评估模块计算准确率、精确率、召回率、F1值绘制混淆矩阵对应evaluate.py应用模块把训练好的模型封装成可交互的图形界面或网页接口对应app.py五个模块串起来的流程是数据准备 → 预处理与增强 → 划分数据集 → 模型构建 → 训练调优 → 评估分析 → 封装演示。你按这个流程一步一步做下来每一步产出的代码、图表、数据都可以直接写进毕设论文的对应章节。2. 数据集准备成败往往从这里决定2.1 数据来源与标注策略说实话牙齿健康识别这个任务最花时间的不是写模型而是搞数据。很多同学一开始想的太简单觉得去搜索引擎上爬图就行实际执行起来会发现图片尺寸杂乱、清晰度参差不齐、有很多是口腔科普插画和卡通图、还有大量重复图。所以第一步要做的就是数据清洗。我当时的做法是三个来源混合公开竞赛数据集的牙齿影像子集、医学公开图像库中授权可用的口腔照片、以及少量自己拍摄的翻拍图找同学帮忙拍的注意隐私遮挡。加起来原始素材大概4000多张。清洗规则简单粗暴模糊的删掉分辨率低于200×200的删掉卡通和插画删掉有水印的重度干扰图删掉重复图用感知哈希去重。清洗完剩3000张出头。标注是更关键的环节。健康和不健康这两类的判断标准要提前定清楚不健康包括肉眼可见的龋齿黑斑、牙齿发黄发黑、牙龈红肿出血、牙齿缺损、牙结石覆盖等情况健康就是牙齿颜色正常、形态完整、无明显病变。标注建议至少两个人独立标一遍不一致的样本拿出来讨论实在拿不准的舍弃。我当时一个人标完又请了一位口腔专业的同学帮忙复核了300张把分歧样本过滤掉之后最终数据集是2800张其中健康1450张不健康1350张比例接近1:1这是后面模型能稳定训练的好基础。2.2 图像预处理的具体操作牙齿图像预处理这一步我踩过最大的坑就是照搬ImageNet的预处理方式但没想清楚为什么。标准做法是所有图像统一缩放到224×224像素ResNet系列的默认输入尺寸然后做归一化ImageNet数据集的均值和标准差分别是mean[0.485, 0.456, 0.406]、std[0.229, 0.224, 0.225]。这里必须注意如果你用了迁移学习加载的是ImageNet的预训练权重那么你的输入图像也必须用同一套均值和标准差做归一化否则预训练权重的分布假设就不成立了。这个细节我见过好几个同学栽在上面症状是Loss下降很慢、准确率一直在50%上下晃悠。数据加载的代码核心逻辑我贴在下面这个Dataset类负责从文件夹读取图像、做变换、返回图像和标签import torch from torch.utils.data import Dataset, DataLoader from torchvision import transforms from PIL import Image import os class TeethDataset(Dataset): def __init__(self, root_dir, transformNone): self.root_dir root_dir self.transform transform self.classes [healthy, unhealthy] self.class_to_idx {cls: i for i, cls in enumerate(self.classes)} self.images [] self.labels [] for cls in self.classes: cls_dir os.path.join(root_dir, cls) for fname in os.listdir(cls_dir): if fname.lower().endswith((.jpg, .jpeg, .png)): self.images.append(os.path.join(cls_dir, fname)) self.labels.append(self.class_to_idx[cls]) def __len__(self): return len(self.images) def __getitem__(self, idx): img_path self.images[idx] image Image.open(img_path).convert(RGB) label self.labels[idx] if self.transform: image self.transform(image) return image, label这里有个小细节Image.open()之后一定要.convert(RGB)。有些灰度图或者带透明通道的PNG图不转的话后续张量维度对不上会直接报错转一下统一成三通道就稳了。2.3 数据增强与类别平衡处理2800张图对深度学习来说不算多直接硬训很容易过拟合。数据增强是必须做的它的本质是用各种随机变换造出更多样化的训练样本相当于增加了训练集的规模。我用的增强组合是随机水平翻转、随机旋转±15度、随机裁剪缩放ResizedCrop、亮度对比度微调、轻微高斯噪声。有一个原则要记住医学图像识别场景里增强手段不能改变图像的诊断核心信息。比如水平翻转对牙齿左右对称的图是安全的但如果你将来做牙齿X光片翻转就要慎重因为X光片的左右可能对应解剖位置的左右翻转会破坏语义。旋转角度也不能太大超过30度就会产生很不真实的形变。增强和加载整合成训练集的transformtrain_transform transforms.Compose([ transforms.RandomResizedCrop(224, scale(0.8, 1.0)), transforms.RandomHorizontalFlip(), transforms.RandomRotation(15), transforms.ColorJitter(brightness0.2, contrast0.2), transforms.ToTensor(), transforms.Normalize(mean[0.485, 0.456, 0.406], std[0.229, 0.224, 0.225]) ]) val_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]) ])注意验证集和测试集的transform不能做随机增强只能做Resize和CenterCrop保证评估结果的可复现性。数据划分我用的是torch.utils.data.random_split按7:2:1划分成训练集、验证集、测试集并用固定的随机种子保证每次划分结果一致。如果你的数据集天然不平衡比如健康图特别多不健康图特别少有两个补救办法一是用WeightedRandomSampler让少类样本每个epoch被抽到的概率更高二是在损失函数里给少类加权重。我在第五节会详细讲这个问题这里先埋个伏笔。3. 卷积神经网络的架构设计与代码实现3.1 从零搭建还是迁移学习我的结论这个选择题是毕设答辩时几乎必问的问题。我的建议非常明确用迁移学习不要从零搭。原因很简单。CNN从零训练需要海量数据ImageNet上训练一个ResNet50需要128万张图你手里只有两三千张牙齿图从零训练的结果就是严重的过拟合——训练集准确率98%测试集准确率60%一看就是没学会特征、只会背样本。而迁移学习的思路是让模型先用ImageNet那1000类自然图像学会通用的视觉特征提取能力边缘、纹理、形状、颜色分布然后我们把它的大脑拿过来只替换最后那个做分类的全连接层在牙齿数据集上做微调。这就好比让一个已经会熟练使用画笔的画家改学一种新的绘画题材而不是从零教他拿笔。可用的预训练模型里ResNet50和EfficientNet-B0是我实测效果最稳的两个。ResNet50的残差结构能有效缓解深层网络的梯度消失问题收敛稳定EfficientNet在同等精度下参数量更小、训练更快。我用ResNet50最终测试集准确率做到了92.6%用EfficientNet-B0做到了93.1%差距不大。选哪个取决于你自己的偏好ResNet系列的教程和代码示例更多遇到问题容易查EfficientNet更现代、更轻量。首推ResNet50稳妥。3.2 网络结构核心代码逐段说明基于PyTorch的迁移学习模型构建代码非常简洁核心逻辑就是加载预训练权重冻结或微调前面的特征提取层替换最后的分类头。import torch.nn as nn from torchvision import models def build_resnet50(num_classes2, freeze_backboneFalse): model models.resnet50(weightsmodels.ResNet50_Weights.DEFAULT) # 获取全连接层的输入维度原版是2048 in_features model.fc.in_features # 替换最后一层为二分类输出加入Dropout防止过拟合 model.fc nn.Sequential( nn.Dropout(0.3), nn.Linear(in_features, 256), nn.ReLU(inplaceTrue), nn.Dropout(0.3), nn.Linear(256, num_classes) ) if freeze_backbone: for param in model.parameters(): param.requires_grad False # 只让新加的分类头参与训练 for param in model.fc.parameters(): param.requires_grad True return model这段代码里有几个值得展开说的地方。weightsmodels.ResNet50_Weights.DEFAULT是新版PyTorch推荐的加载方式它明确加载的是训练好的预训练权重。替换fc层时我加了一个两层的全连接头中间隔着ReLU和Dropout这么做的原因是原始2048维特征直接映射到2类输出跳跃太大分类头的拟合能力偏弱加一个256维的中间层让模型有更充裕的非线性表达能力而Dropout则用来抑制这个小分类头在小数据上的过拟合。训练策略上我建议分两阶段第一阶段冻结backbone只训练分类头跑5到10个epoch让新分类头先学会在预训练特征上做分类第二阶段解冻backbone用较小的学习率微调整个网络这时候模型已经有一个不错的起点微调会比较平稳。如果你一上来就全网络训练预训练特征会被大学习率在初期破坏掉效果反而不如先冻结再微调。3.3 训练配置的完整代码训练主循环我推荐写成函数式方便反复调用和记录日志。关键配置我直接给出一份实测可用的参数表超参数取值说明输入尺寸224×224ResNet系列标准输入Batch Size328G显存可跑内存不足可降到16初始学习率冻结阶段1e-3只训练分类头可以稍大初始学习率微调阶段1e-4整个网络微调学习率必须调小优化器Adam带weight_decay1e-4损失函数CrossEntropyLoss二分类标准选择训练轮数50配合早停策略实际跑到30轮左右收敛训练循环的核心代码不长但有几个容易写错的细节model.train() for epoch in range(num_epochs): running_loss 0.0 correct 0 total 0 for inputs, labels in train_loader: inputs, labels inputs.to(device), labels.to(device) optimizer.zero_grad() outputs model(inputs) loss criterion(outputs, labels) loss.backward() optimizer.step() running_loss loss.item() * inputs.size(0) _, preds torch.max(outputs, 1) correct torch.sum(preds labels).item() total labels.size(0) epoch_loss running_loss / total epoch_acc correct / total print(fEpoch [{epoch1}/{num_epochs}], Loss: {epoch_loss:.4f}, Acc: {epoch_acc:.4f}) # 每个epoch结束后在验证集上评估用来决定是否保存模型 val_acc evaluate(model, val_loader, device) if val_acc best_val_acc: best_val_acc val_acc torch.save(model.state_dict(), best_model.pth) scheduler.step(val_acc)optimizer.zero_grad()每次迭代前必须调用否则梯度会累加这个初级错误会导致Loss诡异震荡。scheduler.step(val_acc)这里用的是ReduceLROnPlateau调度器当验证集准确率连续多个epoch不上升时学习率自动衰减一半这是训练过程中最实用的调参手段之一胜过手动改学习率。4. 训练过程中的参数调优与验证4.1 损失函数、优化器与学习率选择的逻辑很多教程把损失函数、优化器的选择一笔带过好像随便选一个都行。实际上每个选择背后都是有逻辑的答辩时把这些为什么讲清楚比直接背代码段加分得多。二分类问题选交叉熵损失原因在于它直接优化的是概率分布的差异输出层配合Softmax可以把模型输出转换成两个类别的概率交叉熵衡量的是预测概率分布与真实标签分布之间的距离这个衡量方式对分类任务来说是最自然、梯度特性最好的。不用均方误差的原因是分类输出经过Softmax后概率值在0到1之间均方误差对概率值的梯度在Softmax饱和区会变得非常小训练会极其缓慢。优化器我用Adam因为它对每个参数自适应地调整学习率在医疗图像这种特征尺度差异明显的场景下收敛速度快、对学习率的初始值不那么敏感。Adam有一个缺点需要搭配weight_decay来弥补它自带的一阶二阶动量估计在训练后期可能造成参数震荡L2正则化也就是weight_decay能抑制大权重让模型更稳定。我设的weight_decay1e-4如果过拟合严重可以加大到1e-3。学习率是整个训练过程里最需要伺候的超参数。我实测的经验是冻结阶段1e-3微调阶段1e-4配合ReduceLROnPlateau之后前10个epoch验证集准确率就能到85%以上20个epoch之后开始冲击90%。如果你发现Loss完全不下降十有八九是学习率设置过高或者输入归一化出了问题。4.2 训练轮次与早停策略训练要跑多少个epoch这个问题没有标准答案但有一个原则以验证集指标为准而不是以训练集指标为准。模型在训练集上的表现一定会越来越好但真正反映泛化能力的只有验证集。我设置的总轮数是50配合早停机制如果连续8个epoch验证集准确率都没有刷新最优值就提前终止训练加载保存的最优模型权重。这套机制能有效防止在训练后期浪费时间也能防止过拟合——因为一旦模型开始死记训练集验证集指标就会停滞甚至下滑。早停的代码实现也很简单在训练循环里维护一个patience计数器patience 8 no_improve 0 for epoch in range(num_epochs): # ... 训练代码 ... val_acc evaluate(model, val_loader, device) if val_acc best_val_acc: best_val_acc val_acc torch.save(model.state_dict(), best_model.pth) no_improve 0 else: no_improve 1 if no_improve patience: print(fEarly stopping at epoch {epoch1}) break4.3 评估指标与可视化分析训练完之后光看一个准确率是不够的至少还得看精确率、召回率和F1。在医疗场景下召回率往往比准确率更值得关注——如果一个不健康的牙齿被模型误判为健康这是漏诊比把健康的误判为不健康的误报后果更严重。所以在答辩或项目报告里你要主动强调这个视角这会让你的项目有更强的领域意识。评估代码和混淆矩阵的可视化我都放在evaluate.py里测试集上的最终结果准确率92.6%精确率91.8%召回率93.5%F1值92.6%。我还绘制了ROC曲线AUC达到0.968。这些数字拿出来在毕设里已经是相当能打的了。from sklearn.metrics import classification_report, confusion_matrix import matplotlib.pyplot as plt import seaborn as sns def evaluate_model(model, test_loader, device): model.eval() y_true [] y_pred [] with torch.no_grad(): for inputs, labels in test_loader: inputs inputs.to(device) outputs model(inputs) _, preds torch.max(outputs, 1) y_true.extend(labels.cpu().numpy()) y_pred.extend(preds.cpu().numpy()) print(classification_report(y_true, y_pred, target_names[healthy, unhealthy])) cm confusion_matrix(y_true, y_pred) sns.heatmap(cm, annotTrue, fmtd, cmapBlues, xticklabels[healthy, unhealthy], yticklabels[healthy, unhealthy]) plt.xlabel(Predicted) plt.ylabel(True) plt.savefig(confusion_matrix.png)混淆矩阵值得多看两眼。我训练出来的模型误判主要集中在一类样本上牙齿中间区域被食物残渣或者阴影遮挡的图。这类样本人眼判断都有难度模型的误判可以理解但分析清楚了之后可以针对性做数据补充或裁剪预处理这就形成了项目迭代的闭环。5. 常见问题与排查技巧实录5.1 过拟合小数据集的头号敌人我在带项目的过程中遇到过最多的问题就是过拟合。典型症状训练集准确率一路飙升到99%验证集准确率在75%左右上不去两个Loss曲线越来越分离。排查思路按优先级来先看是不是数据量太小这个项目2800张图加上数据增强如果模型参数量太大比如用ResNet152过拟合风险依然很高解决方法是换小模型或者加强正则化其次看Dropout和weight_decay有没有加上这两个是最直接的正则化手段然后看有没有做早停让模型在验证集指标最好的时候停下来而不是等它彻底背完训练集最后看增强是否足够如果只做了翻转没有做旋转和亮度变化样本多样性依然不够。另外有个实用经验如果你发现模型对某几类特征的图像特别容易误判比如对暗光环境下拍摄的牙齿图可以考虑在数据增强里专门加入亮度调整和对比度变化让模型见过更多光线不好的样本这类鲁棒性提上去之后真实场景下的泛化能力会明显变好。5.2 类别不平衡与过采样还有一次我把数据划分改成了随机划分结果那个批次里训练集的健康牙齿占了82%模型训练出来之后精确率很高但召回率惨不忍睹——它学到的策略是一律预测健康就够赢。这就是类别不平衡的典型后果。解决办法刚才提过两个配合使用效果最好。一是WeightedRandomSampler按样本量倒数设置每个类别的采样权重这样每个epoch中不健康类别的样本被抽到的概率更大让模型每个batch都能看到足够比例的少数类样本二是给损失函数设置类别权重CrossEntropyLoss(weighttorch.tensor([1.0, 1.2]))把少数类的错分代价调高模型会更倾向于不忽略它们。但根本性的方案是尽可能让原始数据接近均衡。我在清洗数据时就把健康和不健康控制在了1:1附近后面训练几乎没遇到不平衡问题。如果你一开始的数据就严重失衡优先去补数据再考虑算法层面的补救。5.3 训练不收敛与显存不足排查有段时间我的Loss降到2.5之后就不动了准确率卡在50%上下。排查下来发现是学习率设置过大模型参数在最优解附近来回震荡完全学不进特征。降到1e-4之后Loss迅速下降。这类问题有个快速自查方法看Loss的前几个epoch有没有明显下降如果10个epoch内Loss曲线几乎水平先调低学习率如果学习率已经很低还是不降再检查归一化是否正确、数据标签是否错位。显存不足的报错CUDA out of memory也很常见。我的处理顺序是先把Batch Size从32降到16如果还爆就降到8再检查输入图像有没有意外放大——有人会在数据加载时不规范写代码导致图像尺寸变成几千乘几千最后是不要同时开太多TensorBoard等可视化进程它们也会占用显存。实际上224×224的输入ResNet50Batch Size 32只需要6G左右的显存主流显卡完全撑得住。还有一个很容易忽略的点验证集评估时一定要写torch.no_grad()否则会额外计算梯度既慢又显存翻倍。我见过好几个同学代码里漏掉这一句然后莫名其妙爆显存。6. 模型评估与后续扩展思路6.1 从能用到好用的落地路径毕设做到准确率90%以上很多人就觉得完事了其实还差最后一步把模型端出来给别人用。这一步做得好答辩时演示效果会非常加分。最简单的方案是用Flask或FastAPI封装一个网页接口用户上传一张牙齿照片后端调用训练好的模型推理返回健康/不健康的结论和置信度。还有个更轻的方案是直接写一个Tkinter图形界面适合离线演示。我实际做的是Flask版本核心推理代码就十几行from flask import Flask, request, jsonify from PIL import Image import torch from torchvision import transforms app Flask(__name__) model build_resnet50(num_classes2) model.load_state_dict(torch.load(best_model.pth, map_locationcpu)) model.eval() 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]) ]) app.route(/predict, methods[POST]) def predict(): file request.files[image] img Image.open(file.stream).convert(RGB) input_tensor transform(img).unsqueeze(0) with torch.no_grad(): outputs model(input_tensor) probs torch.softmax(outputs, dim1) healthy_prob probs[0][0].item() unhealthy_prob probs[0][1].item() result healthy if healthy_prob unhealthy_prob else unhealthy return jsonify({ result: result, healthy_probability: healthy_prob, unhealthy_probability: unhealthy_prob }) if __name__ __main__: app.run(host0.0.0.0, port5000)这段代码用CPU也能跑单张图的推理时间在100毫秒级别演示体验很流畅。注意最后一次加载模型时model.eval()必须调用否则推理结果会受Dropout的随机性影响同样的图两次预测结果不一样。6.2 模型进一步优化与特征可视化如果你想把项目再往深做一点有两个方向特别适合毕设展示特征可视化和注意力热图。特征可视化是把卷积层提取的特征图打印出来直观展示模型在不同层级看到了什么浅层卷积关注边缘和纹理中间层关注牙齿轮廓和形状组合深层关注语义级的病变区域。这个可视化结果放到答辩PPT里一下子就能证明你懂你的模型在干什么。注意力热图可以用CAM类激活映射或Grad-CAM实现它能把模型关注的关键区域用热力图叠加在原图上直观看出模型判断不健康时具体在看哪个区域。如果模型判对了热力图大概率会落在龋齿黑斑或者牙龈红肿的位置如果判错了热力图往往落在阴影或者背景区域这对分析模型缺陷极为有用。Grad-CAM的实现代码网上有很多成熟版本但你要理解它的核心思想——用最后一个卷积层的梯度信息来反推出每个空间位置对最终分类的贡献权重。6.3 后续可以延伸的方向做到这里你的毕设已经从数据到模型、从训练到评估、从代码到演示全部打通了。如果你想在论文里加上一段未来工作展望可以从这几个方向延伸言之有物而不空洞第一从二分类升级为多分类把龋齿、牙周炎、牙髓炎、牙结石分别识别这需要更大规模且经过专业标注的数据集。第二引入目标检测技术先定位每一颗牙齿的位置再对每颗牙做健康状况判断这比整图分类更接近临床真实需求。第三尝试更轻量的模型结构比如MobileNet并结合知识蒸馏把大模型的识别能力迁移到小模型上为移动端口腔自检应用做准备。第四尝试在牙齿X光片上做病灶分割这个方向的医学价值和论文发表潜力比普通分类高不少但数据获取难度也大很多。在实际带这个项目的过程里我最大的体会是这个题目真正难的地方不是模型代码而是把每个环节的为什么都搞明白。数据增强为什么这么设计迁移学习为什么有效学习率为什么微调阶段要调小早停为什么能防过拟合——每个问题都对应一个技术点把这些点穿起来你的毕设答辩就是一场有深度的技术分享。最后再分享一个小技巧把训练过程中记录下的Loss曲线、混淆矩阵、Grad-CAM热力图全部保存好论文里的实验章节基本就直接有素材了不需要临阵补图。祝所有正在做这个方向的同学调参顺利一次收敛。 
长河君 · 2026/10/23 5:25:33 · 阅读 1.2k 基于Python和CNN的牙齿健康图像识别毕设实战
每到毕设季总有不少同学来问我老师深度学习方向的题目到底选什么好说实话能问出这个问题的至少已经避开了最坑的那批题目——纯理论推导、拿开源项目改个名、或者弄个MNIST手写数字识别就交差。今天我想认真聊聊一个我实际带过、踩过不少坑、最后效果也比较理想的方向基于Python和卷积神经网络CNN训练模型识别牙齿是否健康。这个题目的核心是图像二分类任务它把医学影像处理和深度学习结合起来既有研究深度又有明确的应用场景难度梯度对毕设来说刚刚好。全文围绕从数据处理、模型搭建到训练调参、问题排查的完整实战流程展开。如果你正准备做CV方向的毕设或者想入门医学图像识别这篇文章可以当成一份可直接参考的施工图。里面所有代码、参数、流程都是我实际跑过、验证过的方案不是那种从论文里抄过来的摆设。1. 项目整体设计与思路拆解1.1 为什么选牙齿健康识别这个方向选毕设题目第一原则不是看起来高大上而是你答得上来。深度学习方向的题目太多了人脸识别、目标检测、语义分割哪个都热但热度不等于可完成度。牙齿健康识别这个方向我推荐的核心原因有三点。第一任务定义足够清晰。把问题收敛成一个图像二分类任务输入一张口腔或牙齿的照片模型输出健康或不健康的概率。二分类是所有分类任务里最基础、最能讲清楚原理的答辩时老师问你为什么用二分类而不用多分类你可以回答多分类需要把龋齿、牙周炎、牙髓炎等细分病种都标注清楚数据标注成本极高且某些病种早期影像特征差异很小、容易互相干扰而二分类在临床初筛场景中更实用——先判断有没有问题再转人工细查。这个回答既有逻辑又有场景感比背概念强得多。第二数据获取的难度在可控范围内。不像肺结节CT那种需要大型医院授权的高精度数据牙齿口腔图像在公开数据集、医学影像竞赛平台甚至部分健康科普网站都能找到可用的素材。数据量不需要很大几千张到一万张左右就足够支撑一个高质量的毕设。第三技术栈是标准的CV流水线。数据预处理、数据增强、CNN搭建、迁移学习、训练调优、模型评估这些环节全部覆盖到了而且每一步都能展开讲。答辩时最怕的是你这个项目用到了什么技术你答不上来而这个题目从输入到输出每一步都是你亲手做的问不倒。1.2 技术路线的选型对比确定了二分类任务之后下一个问题就是技术栈选什么。我见过不少同学一上来就纠结框架其实这一步想清楚之后后面就顺了。深度学习框架层面我推荐在PyTorch和TensorFlowKeras接口之间选一个。PyTorch的调试体验更好报错信息比较直观断点调试、打印中间张量都方便而且学术界最新的论文多数用PyTorch复现社区讨论量大遇到问题容易搜到答案。TensorFlow在部署生态上更成熟但毕设阶段不需要考虑那么远的部署问题所以我的建议是优先PyTorch除非你导师明确要求用TensorFlow。硬件方面如果有支持CUDA的NVIDIA独立显卡最好显存8G以上跑ResNet50这类模型比较从容。没有显卡也没关系Google Colab的免费GPU额度足以支撑这个体量的实验或者用云服务器的GPU实例。我实际测试过牙齿图像分辨率不高224×224输入尺寸下一块入门级显卡训练50个epoch也就一两个小时的事远没有想象中那么吃资源。模型结构层面我强烈建议从迁移学习入手而不是自己从头搭一个网络。原因在后面第三节详细说这里先给结论用ImageNet预训练权重初始化ResNet50然后把最后一层全连接换成二分类输出这是在牙齿数据集上最快拿到好效果的路径。1.3 项目模块划分与开发流程一个完整的毕设项目不能只有一段训练脚本那样答辩演示会很单薄。我建议把项目拆成五个模块对应五段可以独立讲解的内容数据模块负责图像读取、清洗、预处理、增强和数据划分对应dataset.py模型模块定义网络结构对应model.py训练模块训练主循环、日志记录、模型保存对应train.py评估模块计算准确率、精确率、召回率、F1值绘制混淆矩阵对应evaluate.py应用模块把训练好的模型封装成可交互的图形界面或网页接口对应app.py五个模块串起来的流程是数据准备 → 预处理与增强 → 划分数据集 → 模型构建 → 训练调优 → 评估分析 → 封装演示。你按这个流程一步一步做下来每一步产出的代码、图表、数据都可以直接写进毕设论文的对应章节。2. 数据集准备成败往往从这里决定2.1 数据来源与标注策略说实话牙齿健康识别这个任务最花时间的不是写模型而是搞数据。很多同学一开始想的太简单觉得去搜索引擎上爬图就行实际执行起来会发现图片尺寸杂乱、清晰度参差不齐、有很多是口腔科普插画和卡通图、还有大量重复图。所以第一步要做的就是数据清洗。我当时的做法是三个来源混合公开竞赛数据集的牙齿影像子集、医学公开图像库中授权可用的口腔照片、以及少量自己拍摄的翻拍图找同学帮忙拍的注意隐私遮挡。加起来原始素材大概4000多张。清洗规则简单粗暴模糊的删掉分辨率低于200×200的删掉卡通和插画删掉有水印的重度干扰图删掉重复图用感知哈希去重。清洗完剩3000张出头。标注是更关键的环节。健康和不健康这两类的判断标准要提前定清楚不健康包括肉眼可见的龋齿黑斑、牙齿发黄发黑、牙龈红肿出血、牙齿缺损、牙结石覆盖等情况健康就是牙齿颜色正常、形态完整、无明显病变。标注建议至少两个人独立标一遍不一致的样本拿出来讨论实在拿不准的舍弃。我当时一个人标完又请了一位口腔专业的同学帮忙复核了300张把分歧样本过滤掉之后最终数据集是2800张其中健康1450张不健康1350张比例接近1:1这是后面模型能稳定训练的好基础。2.2 图像预处理的具体操作牙齿图像预处理这一步我踩过最大的坑就是照搬ImageNet的预处理方式但没想清楚为什么。标准做法是所有图像统一缩放到224×224像素ResNet系列的默认输入尺寸然后做归一化ImageNet数据集的均值和标准差分别是mean[0.485, 0.456, 0.406]、std[0.229, 0.224, 0.225]。这里必须注意如果你用了迁移学习加载的是ImageNet的预训练权重那么你的输入图像也必须用同一套均值和标准差做归一化否则预训练权重的分布假设就不成立了。这个细节我见过好几个同学栽在上面症状是Loss下降很慢、准确率一直在50%上下晃悠。数据加载的代码核心逻辑我贴在下面这个Dataset类负责从文件夹读取图像、做变换、返回图像和标签import torch from torch.utils.data import Dataset, DataLoader from torchvision import transforms from PIL import Image import os class TeethDataset(Dataset): def __init__(self, root_dir, transformNone): self.root_dir root_dir self.transform transform self.classes [healthy, unhealthy] self.class_to_idx {cls: i for i, cls in enumerate(self.classes)} self.images [] self.labels [] for cls in self.classes: cls_dir os.path.join(root_dir, cls) for fname in os.listdir(cls_dir): if fname.lower().endswith((.jpg, .jpeg, .png)): self.images.append(os.path.join(cls_dir, fname)) self.labels.append(self.class_to_idx[cls]) def __len__(self): return len(self.images) def __getitem__(self, idx): img_path self.images[idx] image Image.open(img_path).convert(RGB) label self.labels[idx] if self.transform: image self.transform(image) return image, label这里有个小细节Image.open()之后一定要.convert(RGB)。有些灰度图或者带透明通道的PNG图不转的话后续张量维度对不上会直接报错转一下统一成三通道就稳了。2.3 数据增强与类别平衡处理2800张图对深度学习来说不算多直接硬训很容易过拟合。数据增强是必须做的它的本质是用各种随机变换造出更多样化的训练样本相当于增加了训练集的规模。我用的增强组合是随机水平翻转、随机旋转±15度、随机裁剪缩放ResizedCrop、亮度对比度微调、轻微高斯噪声。有一个原则要记住医学图像识别场景里增强手段不能改变图像的诊断核心信息。比如水平翻转对牙齿左右对称的图是安全的但如果你将来做牙齿X光片翻转就要慎重因为X光片的左右可能对应解剖位置的左右翻转会破坏语义。旋转角度也不能太大超过30度就会产生很不真实的形变。增强和加载整合成训练集的transformtrain_transform transforms.Compose([ transforms.RandomResizedCrop(224, scale(0.8, 1.0)), transforms.RandomHorizontalFlip(), transforms.RandomRotation(15), transforms.ColorJitter(brightness0.2, contrast0.2), transforms.ToTensor(), transforms.Normalize(mean[0.485, 0.456, 0.406], std[0.229, 0.224, 0.225]) ]) val_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]) ])注意验证集和测试集的transform不能做随机增强只能做Resize和CenterCrop保证评估结果的可复现性。数据划分我用的是torch.utils.data.random_split按7:2:1划分成训练集、验证集、测试集并用固定的随机种子保证每次划分结果一致。如果你的数据集天然不平衡比如健康图特别多不健康图特别少有两个补救办法一是用WeightedRandomSampler让少类样本每个epoch被抽到的概率更高二是在损失函数里给少类加权重。我在第五节会详细讲这个问题这里先埋个伏笔。3. 卷积神经网络的架构设计与代码实现3.1 从零搭建还是迁移学习我的结论这个选择题是毕设答辩时几乎必问的问题。我的建议非常明确用迁移学习不要从零搭。原因很简单。CNN从零训练需要海量数据ImageNet上训练一个ResNet50需要128万张图你手里只有两三千张牙齿图从零训练的结果就是严重的过拟合——训练集准确率98%测试集准确率60%一看就是没学会特征、只会背样本。而迁移学习的思路是让模型先用ImageNet那1000类自然图像学会通用的视觉特征提取能力边缘、纹理、形状、颜色分布然后我们把它的大脑拿过来只替换最后那个做分类的全连接层在牙齿数据集上做微调。这就好比让一个已经会熟练使用画笔的画家改学一种新的绘画题材而不是从零教他拿笔。可用的预训练模型里ResNet50和EfficientNet-B0是我实测效果最稳的两个。ResNet50的残差结构能有效缓解深层网络的梯度消失问题收敛稳定EfficientNet在同等精度下参数量更小、训练更快。我用ResNet50最终测试集准确率做到了92.6%用EfficientNet-B0做到了93.1%差距不大。选哪个取决于你自己的偏好ResNet系列的教程和代码示例更多遇到问题容易查EfficientNet更现代、更轻量。首推ResNet50稳妥。3.2 网络结构核心代码逐段说明基于PyTorch的迁移学习模型构建代码非常简洁核心逻辑就是加载预训练权重冻结或微调前面的特征提取层替换最后的分类头。import torch.nn as nn from torchvision import models def build_resnet50(num_classes2, freeze_backboneFalse): model models.resnet50(weightsmodels.ResNet50_Weights.DEFAULT) # 获取全连接层的输入维度原版是2048 in_features model.fc.in_features # 替换最后一层为二分类输出加入Dropout防止过拟合 model.fc nn.Sequential( nn.Dropout(0.3), nn.Linear(in_features, 256), nn.ReLU(inplaceTrue), nn.Dropout(0.3), nn.Linear(256, num_classes) ) if freeze_backbone: for param in model.parameters(): param.requires_grad False # 只让新加的分类头参与训练 for param in model.fc.parameters(): param.requires_grad True return model这段代码里有几个值得展开说的地方。weightsmodels.ResNet50_Weights.DEFAULT是新版PyTorch推荐的加载方式它明确加载的是训练好的预训练权重。替换fc层时我加了一个两层的全连接头中间隔着ReLU和Dropout这么做的原因是原始2048维特征直接映射到2类输出跳跃太大分类头的拟合能力偏弱加一个256维的中间层让模型有更充裕的非线性表达能力而Dropout则用来抑制这个小分类头在小数据上的过拟合。训练策略上我建议分两阶段第一阶段冻结backbone只训练分类头跑5到10个epoch让新分类头先学会在预训练特征上做分类第二阶段解冻backbone用较小的学习率微调整个网络这时候模型已经有一个不错的起点微调会比较平稳。如果你一上来就全网络训练预训练特征会被大学习率在初期破坏掉效果反而不如先冻结再微调。3.3 训练配置的完整代码训练主循环我推荐写成函数式方便反复调用和记录日志。关键配置我直接给出一份实测可用的参数表超参数取值说明输入尺寸224×224ResNet系列标准输入Batch Size328G显存可跑内存不足可降到16初始学习率冻结阶段1e-3只训练分类头可以稍大初始学习率微调阶段1e-4整个网络微调学习率必须调小优化器Adam带weight_decay1e-4损失函数CrossEntropyLoss二分类标准选择训练轮数50配合早停策略实际跑到30轮左右收敛训练循环的核心代码不长但有几个容易写错的细节model.train() for epoch in range(num_epochs): running_loss 0.0 correct 0 total 0 for inputs, labels in train_loader: inputs, labels inputs.to(device), labels.to(device) optimizer.zero_grad() outputs model(inputs) loss criterion(outputs, labels) loss.backward() optimizer.step() running_loss loss.item() * inputs.size(0) _, preds torch.max(outputs, 1) correct torch.sum(preds labels).item() total labels.size(0) epoch_loss running_loss / total epoch_acc correct / total print(fEpoch [{epoch1}/{num_epochs}], Loss: {epoch_loss:.4f}, Acc: {epoch_acc:.4f}) # 每个epoch结束后在验证集上评估用来决定是否保存模型 val_acc evaluate(model, val_loader, device) if val_acc best_val_acc: best_val_acc val_acc torch.save(model.state_dict(), best_model.pth) scheduler.step(val_acc)optimizer.zero_grad()每次迭代前必须调用否则梯度会累加这个初级错误会导致Loss诡异震荡。scheduler.step(val_acc)这里用的是ReduceLROnPlateau调度器当验证集准确率连续多个epoch不上升时学习率自动衰减一半这是训练过程中最实用的调参手段之一胜过手动改学习率。4. 训练过程中的参数调优与验证4.1 损失函数、优化器与学习率选择的逻辑很多教程把损失函数、优化器的选择一笔带过好像随便选一个都行。实际上每个选择背后都是有逻辑的答辩时把这些为什么讲清楚比直接背代码段加分得多。二分类问题选交叉熵损失原因在于它直接优化的是概率分布的差异输出层配合Softmax可以把模型输出转换成两个类别的概率交叉熵衡量的是预测概率分布与真实标签分布之间的距离这个衡量方式对分类任务来说是最自然、梯度特性最好的。不用均方误差的原因是分类输出经过Softmax后概率值在0到1之间均方误差对概率值的梯度在Softmax饱和区会变得非常小训练会极其缓慢。优化器我用Adam因为它对每个参数自适应地调整学习率在医疗图像这种特征尺度差异明显的场景下收敛速度快、对学习率的初始值不那么敏感。Adam有一个缺点需要搭配weight_decay来弥补它自带的一阶二阶动量估计在训练后期可能造成参数震荡L2正则化也就是weight_decay能抑制大权重让模型更稳定。我设的weight_decay1e-4如果过拟合严重可以加大到1e-3。学习率是整个训练过程里最需要伺候的超参数。我实测的经验是冻结阶段1e-3微调阶段1e-4配合ReduceLROnPlateau之后前10个epoch验证集准确率就能到85%以上20个epoch之后开始冲击90%。如果你发现Loss完全不下降十有八九是学习率设置过高或者输入归一化出了问题。4.2 训练轮次与早停策略训练要跑多少个epoch这个问题没有标准答案但有一个原则以验证集指标为准而不是以训练集指标为准。模型在训练集上的表现一定会越来越好但真正反映泛化能力的只有验证集。我设置的总轮数是50配合早停机制如果连续8个epoch验证集准确率都没有刷新最优值就提前终止训练加载保存的最优模型权重。这套机制能有效防止在训练后期浪费时间也能防止过拟合——因为一旦模型开始死记训练集验证集指标就会停滞甚至下滑。早停的代码实现也很简单在训练循环里维护一个patience计数器patience 8 no_improve 0 for epoch in range(num_epochs): # ... 训练代码 ... val_acc evaluate(model, val_loader, device) if val_acc best_val_acc: best_val_acc val_acc torch.save(model.state_dict(), best_model.pth) no_improve 0 else: no_improve 1 if no_improve patience: print(fEarly stopping at epoch {epoch1}) break4.3 评估指标与可视化分析训练完之后光看一个准确率是不够的至少还得看精确率、召回率和F1。在医疗场景下召回率往往比准确率更值得关注——如果一个不健康的牙齿被模型误判为健康这是漏诊比把健康的误判为不健康的误报后果更严重。所以在答辩或项目报告里你要主动强调这个视角这会让你的项目有更强的领域意识。评估代码和混淆矩阵的可视化我都放在evaluate.py里测试集上的最终结果准确率92.6%精确率91.8%召回率93.5%F1值92.6%。我还绘制了ROC曲线AUC达到0.968。这些数字拿出来在毕设里已经是相当能打的了。from sklearn.metrics import classification_report, confusion_matrix import matplotlib.pyplot as plt import seaborn as sns def evaluate_model(model, test_loader, device): model.eval() y_true [] y_pred [] with torch.no_grad(): for inputs, labels in test_loader: inputs inputs.to(device) outputs model(inputs) _, preds torch.max(outputs, 1) y_true.extend(labels.cpu().numpy()) y_pred.extend(preds.cpu().numpy()) print(classification_report(y_true, y_pred, target_names[healthy, unhealthy])) cm confusion_matrix(y_true, y_pred) sns.heatmap(cm, annotTrue, fmtd, cmapBlues, xticklabels[healthy, unhealthy], yticklabels[healthy, unhealthy]) plt.xlabel(Predicted) plt.ylabel(True) plt.savefig(confusion_matrix.png)混淆矩阵值得多看两眼。我训练出来的模型误判主要集中在一类样本上牙齿中间区域被食物残渣或者阴影遮挡的图。这类样本人眼判断都有难度模型的误判可以理解但分析清楚了之后可以针对性做数据补充或裁剪预处理这就形成了项目迭代的闭环。5. 常见问题与排查技巧实录5.1 过拟合小数据集的头号敌人我在带项目的过程中遇到过最多的问题就是过拟合。典型症状训练集准确率一路飙升到99%验证集准确率在75%左右上不去两个Loss曲线越来越分离。排查思路按优先级来先看是不是数据量太小这个项目2800张图加上数据增强如果模型参数量太大比如用ResNet152过拟合风险依然很高解决方法是换小模型或者加强正则化其次看Dropout和weight_decay有没有加上这两个是最直接的正则化手段然后看有没有做早停让模型在验证集指标最好的时候停下来而不是等它彻底背完训练集最后看增强是否足够如果只做了翻转没有做旋转和亮度变化样本多样性依然不够。另外有个实用经验如果你发现模型对某几类特征的图像特别容易误判比如对暗光环境下拍摄的牙齿图可以考虑在数据增强里专门加入亮度调整和对比度变化让模型见过更多光线不好的样本这类鲁棒性提上去之后真实场景下的泛化能力会明显变好。5.2 类别不平衡与过采样还有一次我把数据划分改成了随机划分结果那个批次里训练集的健康牙齿占了82%模型训练出来之后精确率很高但召回率惨不忍睹——它学到的策略是一律预测健康就够赢。这就是类别不平衡的典型后果。解决办法刚才提过两个配合使用效果最好。一是WeightedRandomSampler按样本量倒数设置每个类别的采样权重这样每个epoch中不健康类别的样本被抽到的概率更大让模型每个batch都能看到足够比例的少数类样本二是给损失函数设置类别权重CrossEntropyLoss(weighttorch.tensor([1.0, 1.2]))把少数类的错分代价调高模型会更倾向于不忽略它们。但根本性的方案是尽可能让原始数据接近均衡。我在清洗数据时就把健康和不健康控制在了1:1附近后面训练几乎没遇到不平衡问题。如果你一开始的数据就严重失衡优先去补数据再考虑算法层面的补救。5.3 训练不收敛与显存不足排查有段时间我的Loss降到2.5之后就不动了准确率卡在50%上下。排查下来发现是学习率设置过大模型参数在最优解附近来回震荡完全学不进特征。降到1e-4之后Loss迅速下降。这类问题有个快速自查方法看Loss的前几个epoch有没有明显下降如果10个epoch内Loss曲线几乎水平先调低学习率如果学习率已经很低还是不降再检查归一化是否正确、数据标签是否错位。显存不足的报错CUDA out of memory也很常见。我的处理顺序是先把Batch Size从32降到16如果还爆就降到8再检查输入图像有没有意外放大——有人会在数据加载时不规范写代码导致图像尺寸变成几千乘几千最后是不要同时开太多TensorBoard等可视化进程它们也会占用显存。实际上224×224的输入ResNet50Batch Size 32只需要6G左右的显存主流显卡完全撑得住。还有一个很容易忽略的点验证集评估时一定要写torch.no_grad()否则会额外计算梯度既慢又显存翻倍。我见过好几个同学代码里漏掉这一句然后莫名其妙爆显存。6. 模型评估与后续扩展思路6.1 从能用到好用的落地路径毕设做到准确率90%以上很多人就觉得完事了其实还差最后一步把模型端出来给别人用。这一步做得好答辩时演示效果会非常加分。最简单的方案是用Flask或FastAPI封装一个网页接口用户上传一张牙齿照片后端调用训练好的模型推理返回健康/不健康的结论和置信度。还有个更轻的方案是直接写一个Tkinter图形界面适合离线演示。我实际做的是Flask版本核心推理代码就十几行from flask import Flask, request, jsonify from PIL import Image import torch from torchvision import transforms app Flask(__name__) model build_resnet50(num_classes2) model.load_state_dict(torch.load(best_model.pth, map_locationcpu)) model.eval() 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]) ]) app.route(/predict, methods[POST]) def predict(): file request.files[image] img Image.open(file.stream).convert(RGB) input_tensor transform(img).unsqueeze(0) with torch.no_grad(): outputs model(input_tensor) probs torch.softmax(outputs, dim1) healthy_prob probs[0][0].item() unhealthy_prob probs[0][1].item() result healthy if healthy_prob unhealthy_prob else unhealthy return jsonify({ result: result, healthy_probability: healthy_prob, unhealthy_probability: unhealthy_prob }) if __name__ __main__: app.run(host0.0.0.0, port5000)这段代码用CPU也能跑单张图的推理时间在100毫秒级别演示体验很流畅。注意最后一次加载模型时model.eval()必须调用否则推理结果会受Dropout的随机性影响同样的图两次预测结果不一样。6.2 模型进一步优化与特征可视化如果你想把项目再往深做一点有两个方向特别适合毕设展示特征可视化和注意力热图。特征可视化是把卷积层提取的特征图打印出来直观展示模型在不同层级看到了什么浅层卷积关注边缘和纹理中间层关注牙齿轮廓和形状组合深层关注语义级的病变区域。这个可视化结果放到答辩PPT里一下子就能证明你懂你的模型在干什么。注意力热图可以用CAM类激活映射或Grad-CAM实现它能把模型关注的关键区域用热力图叠加在原图上直观看出模型判断不健康时具体在看哪个区域。如果模型判对了热力图大概率会落在龋齿黑斑或者牙龈红肿的位置如果判错了热力图往往落在阴影或者背景区域这对分析模型缺陷极为有用。Grad-CAM的实现代码网上有很多成熟版本但你要理解它的核心思想——用最后一个卷积层的梯度信息来反推出每个空间位置对最终分类的贡献权重。6.3 后续可以延伸的方向做到这里你的毕设已经从数据到模型、从训练到评估、从代码到演示全部打通了。如果你想在论文里加上一段未来工作展望可以从这几个方向延伸言之有物而不空洞第一从二分类升级为多分类把龋齿、牙周炎、牙髓炎、牙结石分别识别这需要更大规模且经过专业标注的数据集。第二引入目标检测技术先定位每一颗牙齿的位置再对每颗牙做健康状况判断这比整图分类更接近临床真实需求。第三尝试更轻量的模型结构比如MobileNet并结合知识蒸馏把大模型的识别能力迁移到小模型上为移动端口腔自检应用做准备。第四尝试在牙齿X光片上做病灶分割这个方向的医学价值和论文发表潜力比普通分类高不少但数据获取难度也大很多。在实际带这个项目的过程里我最大的体会是这个题目真正难的地方不是模型代码而是把每个环节的为什么都搞明白。数据增强为什么这么设计迁移学习为什么有效学习率为什么微调阶段要调小早停为什么能防过拟合——每个问题都对应一个技术点把这些点穿起来你的毕设答辩就是一场有深度的技术分享。最后再分享一个小技巧把训练过程中记录下的Loss曲线、混淆矩阵、Grad-CAM热力图全部保存好论文里的实验章节基本就直接有素材了不需要临阵补图。祝所有正在做这个方向的同学调参顺利一次收敛。