简介一份面向计算机视觉课程设计与毕业设计场景的卫星云层图像理解与识别项目完整资料包。项目基于Python实现涵盖数据处理、模型训练、测试与可视化完整流程适合计科、人工智能、电子信息等专业学生用于课设、大作业或毕设参考。压缩包内共140个文件以70个.py源码和44个.pyc编译文件为主另含5个CSV数据集、3个YAML配置、6个Shell脚本以及实验报告PDF、汇报PPT和结果图片整体约62.33MB目录结构清晰、便于按模块查阅。代码经测试运行通过后上传答辩平均分达96分配套项目说明文档与多份模型测试结果方便快速复现实验、理解算法思路也可在此基础上扩展功能。目前已有239人学习/下载适合需要完整项目范例的人群参考。1. 卫星云图识别一份能直接跑的计算机视觉大作业源码计算机视觉大作业里卫星云图识别是特别容易出片子的题目数据公开可拿、任务边界清晰、结果可视化也直观。但这份资源真正打动我的不是题目本身而是它的完成度——Python 源码、实验报告 PDF、答辩 PPT、结果图片、训练集和测试集 CSV 全都在一个包里train_700.ver0.csv 和 test.csv 一看就是真实跑过完整流程的产物。更关键的是 model_test_1.csv、model_test_3.csv、model_test_4.csv 三个预测文件说明源码里至少跑了三个模型做对比实验这是答辩拉开分数的地方。适合两类人正在赶计算机视觉课设、需要完整参照的学生以及刚入门 Python 做视觉项目、想把从 CSV 到模型输出的整条通路看明白的新手。先跑通再改是打开这份资源最正确的姿势。2. 数据集与标注结构从 train_700 到 test.csv 的拆解拆这份资源的时候我先看的不是模型代码而是那个 train_700.ver0.csv。文件名里的 700 基本可以断定训练样本是 700 张带标注的卫星云图ver0 则表示数据清洗迭代过至少一版。test.csv 是独立的测试集model_test_1/3/4.csv 是三个模型在测试集上的预测输出。理解了这套文件关系后面的代码读起来就顺了。2.1 从 CSV 结构反推标注体系课程设计里的 CSV 格式通常很朴素最常见的是两列一列指向图像路径一列是类别编号或类别名。下载后先用 pandas 探测一下结构确认列名、样本量和类别分布再决定预处理怎么写。千万不要跳过这一步直接写 DataLoader列名对不上后面全是坑。import pandas as pd df pd.read_csv(train_700.ver0.csv) print(列名:, df.columns.tolist()) print(样本量:, len(df)) print(df[label].value_counts()) # 假设标签列名为 label这段代码做了三件事确认列名是 image_path 还是别的否则后面所有按列名的操作都会报 KeyError确认样本量是否真的是 700 条看每个类别的样本数量是否均衡。卫星云图分类常见的类别体系是把云系分成晴空、层云、积云、卷云等几类类别数一般在 4 到 6 之间。如果 value_counts() 的结果里某一类占了大头后面训练就要考虑类别不均衡的应对方案。2.2 训练集与测试集的划分逻辑拿到带标签的训练数据后第一件事是从里面切出一部分做验证集。700 张图本身不多如果随机切可能把某一类小类别全部切到验证集里训练集反而缺了这类样本。这里要用分层抽样也就是按标签比例切分保证训练集和验证集的类别分布一致。from sklearn.model_selection import train_test_split train_df, val_df train_test_split( df, test_size0.2, stratifydf[label], random_state42 ) print(train_df[label].value_counts()) print(val_df[label].value_counts())stratify 参数是这行代码的灵魂它要求切分后的两个子集在 label 列上的比例和原数据集一致。random_state 设为固定值是为了让每次运行切的都一样实验可复现。验证集占 20%也就是 140 张对评估模型来说够用了。这里要特别提醒一句所有预处理操作比如归一化的均值和标准差必须在训练集上计算再应用到验证集和测试集否则会有轻微的数据泄漏导致验证指标虚高。2.3 数据增强与类别均衡小数据集的保命手段700 张训练图对深度学习模型来说确实紧张好在这种作业题不会要求你在不预训练的情况下从零训一个超大网络。数据增强是绕不开的一步好在卫星云图有个天然优势云系的方向感不强旋转、翻转都不会改变语义这给增强留了很大空间。from torchvision import transforms train_transform transforms.Compose([ transforms.RandomHorizontalFlip(p0.5), transforms.RandomRotation(degrees15), transforms.ColorJitter(brightness0.2, contrast0.2), transforms.ToTensor(), transforms.Normalize(mean[0.485, 0.456, 0.406], std[0.229, 0.224, 0.225]) ])RandomHorizontalFlip 以 0.5 的概率水平翻转RandomRotation 允许图像旋转 ±15 度ColorJitter 则模拟不同时段、不同光照条件下云图的亮度差异。最后的 Normalize 用的是 ImageNet 的统计值这是迁移学习场景下的常见做法因为预训练模型就是在这些参数下训练的。如果类别分布确实不均衡我一般会在损失函数里加类别权重或者对少数类做重复采样这比单纯堆增强更可控。3. 模型与训练配置三个 test 文件背后的对比实验model_test_1.csv、model_test_3.csv、model_test_4.csv 三个文件名放在一起信息量很大编号不连续说明作者在实验过程中淘汰过中间版本这是正常的实验记录习惯。三个模型做对比既能让报告里的实验章节有内容可写也能在答辩时展示你对模型差异的理解。3.1 从 model_test 文件反推模型对比思路课程设计场景下最常见的对比组合是一个简单 CNN 加一两个预训练网络。简单 CNN 作为 baseline证明基线性能预训练模型证明迁移学习的价值。三者的参数量和精度差异天然构成了实验对比表。模型参数量级训练方式在云图任务中的特点Baseline CNN3-4 层卷积小训练快从零训练收敛慢容易过拟合但逻辑清晰适合讲原理VGG16预训练大冻结主干微调分类头特征提取能力强对小数据集友好ResNet18预训练中等冻结部分层微调残差结构缓解梯度消失参数量比 VGG 小性能通常更稳我拆这份资源时看到三个输出文件第一反应就是作者大概率做了这样的三模型对比。实际跑下来通常是Baseline CNN 的精度最低但训练最快VGG16 和 ResNet18 借助预训练权重收敛速度和精度都明显占优。报告里只需要一页对比表和两张曲线图实验的丰富度就呈现出来了。3.2 训练循环从 DataLoader 到 checkpoint不管哪个模型训练循环的骨架是一样的。下面这段代码是 PyTorch 风格的训练函数课程设计用这个框架最多资料也好找。import torch import torch.nn as nn from torch.utils.data import DataLoader def train_one_epoch(model, loader, criterion, optimizer, device): model.train() total_loss, correct, total 0.0, 0, 0 for images, labels in 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) correct (outputs.argmax(1) labels).sum().item() total labels.size(0) return total_loss / total, correct / totalcriterion 用交叉熵损失多分类任务的默认选择。optimizer 一般用 Adam初始学习率给 1e-4这个值在预训练模型微调时比较安全太大容易把预训练权重冲坏。batch_size 设 32700 张图每个 epoch 约 22 个 batch训练 30 个 epoch 很快。如果显存不够把 batch_size 降到 16 也问题不大但学习率最好跟着降到 5e-5 左右否则收敛曲线会抖得厉害。3.3 预训练权重怎么用冻结还是全量微调用预训练模型时有个常见争论特征提取层是全部冻结还是全部微调。卫星云图和 ImageNet 里的自然图像差异不小全部冻结只训分类头前几层提取的纹理特征可能不太适配。我一般会折中把模型的前几层冻结后几层和分类头一起微调这样既保留了通用特征又能让深层特征适应云图分布。model torchvision.models.resnet18(pretrainedTrue) for name, param in model.named_parameters(): if layer4 not in name and fc not in name: param.requires_grad False optimizer torch.optim.Adam( [p for p in model.parameters() if p.requires_grad], lr1e-4 )上面这段代码冻结了 ResNet18 除 layer4 和全连接层以外的所有参数只有最后一层残差块和分类头参与训练。这样做的好处是参数量大幅减少训练速度快而且在小数据集上不容易过拟合。如果训练曲线显示验证集精度还有上升空间可以再解冻 layer3 继续微调这是调参方向上的先后顺序比一上来就全量微调稳。4. 实验报告与答辩 PPT96 分交付物的材料骨架这份资源的摘要信息里提到答辩评审平均分 96 分这不是模型有多牛而是材料齐整、逻辑闭环。很多人的代码能跑但实验报告和 PPT 写得像流水账拉低了整体印象分。源码包里带的实验报告 PDF 和 PPT 模板正好是比着代码组织结构写的范本。4.1 实验报告的章节骨架与数据支撑课程设计实验报告有固定的套路问题定义、方法设计、实验设置、结果分析、结论。每一章必须有对应的内容支撑光贴代码不解释是拿不到高分的。报告章节必写内容对应资源文件绪论与背景卫星云图识别在气象分析中的作用任务定义README.md 中的项目说明数据集介绍样本数量、类别体系、训练/验证/测试划分方式train_700.ver0.csv、test.csv方法设计数据增强策略、三个模型的结构对比、损失函数与优化器源码中的 train.py、model 定义实验设置batch_size、学习率、epochs、冻结策略、软硬件环境训练日志结果分析三模型精度对比、损失曲线、混淆矩阵、错误案例结果图片.png、model_test_*.csv结论与反思哪些方法有效、哪些失败、后续改进方向实验报告 PDF 结论段写结果分析时有一个取巧但有效的写法用 model_test_1/3/4.csv 三个文件生成一个精度对比表再挑两张典型错误样本图分析失败原因。这样的报告看上去就是完整做实了实验的而不是只抄了代码跑了个 acc。4.2 结果图片与 README把压箱底的东西摊开源码包里有一张结果图片.png这个文件的含金量在于它是验证实验是否完成的直接证据。我建议你下载后自己复现时把这张图重新生成一遍训练集和验证集的 loss 曲线放在一张图里准确率曲线放另一张下面附一个三模型的精度柱状图最后是混淆矩阵热力图。这一张 PNG 就能撑起整个 PPT 的实验部分。README.md 是每个项目的门面下载后第一件事就是读它。这份资源的 README 我不知道具体写法但合格的项目说明至少包含运行环境、安装依赖、训练和测试的命令顺序。pip install -r requirements.txt python train.py # 训练模型并保存权重 python test.py # 在 test.csv 上推理输出 model_test.csv按这个顺序跑完基本不会出问题。如果源码里没有 requirements.txt就从 import 语句反推依赖列表最核心的也就是 torch、torchvision、pandas、numpy、matplotlib 这几项。4.3 答辩现场的提问预演答辩比的是谁更了解自己的工作。讲的时候按这个节奏控制时间30 秒讲任务和数据1 分钟讲模型对比思路1 分钟讲实验结果最后 30 秒讲不足和改进。常见提问基本逃不出下面这几个提前想好答案就不会卡壳。试探性问题应答思路为什么选这三个模型Baseline CNN 给基线VGG16 和 ResNet18 验证迁移学习效果形成对比数据增强会不会导致测试集失去代表性增强只加在训练集验证集和测试集只做统一尺寸调整和归一化准确率是不是有点低承认小数据集和云图类别相近的困难指出错误主要发生在哪两类之间为什么用 ImageNet 预训练权重虽然云图和自然图像有差异但底层边缘纹理特征通用微调后高层特征能适配如果被问到模型参数量的细节直接用第 3 章的对比表回答就行不用背数字讲清楚差异即可。5. 卫星云图识别避坑五个运行期真问题这类资源拿来后真正跑一遍总会撞上几个问题。我挑五个最常见、也最影响交付质量的记录一下每条都是「现象 → 原因 → 解决」的结构你现在遇到哪个直接对号入座。5.1 相对路径导致的 FileNotFoundError现象运行训练脚本后立刻报错FileNotFoundError提示某个图片文件找不到。原因CSV 里保存的图像路径是相对路径比如data/train/cloud_001.jpg但你把代码和数据目录的层级关系动了脚本当前工作目录和 CSV 里的相对路径对不上。解决先确定源码里是不是在读取 CSV 后拼接了统一的图像根目录比如os.path.join(dataset, row[image_path])。如果没有拼接就在自己的复现目录里保持和压缩包一致的目录结构或者在代码开头加一行os.chdir(os.path.dirname(__file__))把工作目录切到脚本所在目录路径问题能消掉一半。5.2 分隔符错位导致标签整体偏移现象pd.read_csv()读完后发现数据只有一列或者标签列的值看起来像是文件名。原因CSV 文件用的是分号或制表符分隔但 pandas 默认按逗号解析导致整行被读成了一列。train_700.ver0.csv 这个文件名带了版本号可能是从某些标注工具导出的格式未必是标准的逗号分隔。解决先用文本编辑器打开 CSV 看一眼第一行确认分隔符再读。import pandas as pd df pd.read_csv(train_700.ver0.csv, sep;) # 分号分隔 df pd.read_csv(train_700.ver0.csv, sep\t) # 制表符分隔sep 参数按实际分隔符调整即可。读完后再执行一次print(df.columns.tolist())确认列数和列名符合预期再往下走。5.3 准确率虚高的训练集幻觉现象训练损失降到很低训练集准确率接近 99%但验证集准确率只有 60% 上下。原因过拟合这是 700 张小数据集的典型症状。尤其是从零训练的 Baseline CNN模型容量大但数据量撑不住本质上是把训练样本的噪声也背下来了。解决三类手段叠加。第一加数据增强这是第 2 章里那套 transform 的作用第二在卷积层后加 Dropout 或 BatchNorm抑制过拟合第三换用预训练模型预训练权重相当于给模型灌了先验知识比从零训收敛更稳。如果用了预训练模型还是过拟合检查一下数据增强是不是没挂到训练集上只做了 ToTensor 和 Normalize。5.4 云图类别不均衡导致模型偷懒现象整体准确率看起来还行但逐类看某一类的召回率几乎是 0模型把所有样本都预测成了多数类。原因数据集中不同云系样本数量差距过大模型学到的最优策略是全猜多数类代价最小。解决训练前跑一遍第 2 章的value_counts()如果最少类样本数不到最多类的三分之一就要干预了。最简单的做法是在 DataLoader 里对少数类做重复采样用一个 WeightedRandomSampler 让每个类别出现在每个 epoch 的次数接近或者在损失函数里传类别权重让少数类的误判代价更大。两种方法我都用过重复采样实现更直观类别加权调参更精细课程设计用前者就够了。5.5 测试输出格式与评分脚本不匹配现象测试集推理完成了生成的 model_test.csv 内容看起来也对但一跑评分脚本就报格式错误。原因评分脚本要求的是两列第一列是样本 id第二列是预测类别而且顺序要和 test.csv 完全一致。你生成的 CSV 可能没有表头或者预测结果是 one-hot 形式而不是类别编号甚至行顺序在推理时被打乱了。解决生成输出文件前先保留 test.csv 的样本 id 顺序推理结果按索引一一对应。写完文件后立刻读回来验证一次。import pandas as pd sub pd.DataFrame({id: test_ids, label: predictions}) sub.to_csv(model_test.csv, indexFalse) # 验证 check pd.read_csv(model_test.csv) print(check.head()) print(check.isnull().sum())提交前务必确认输出文件里没有空值预测类别都在合法范围内行数也和 test.csv 一致。这三个条件满足格式问题基本就排除了。6. 用混淆矩阵再推一步找类别盲区给实验加可信度三模型的对比实验做完了如果你还有余力我建议做一次混淆矩阵级别的错误分析。这是从“跑通”到“懂”的分水岭也是答辩时最能体现深度的材料。from sklearn.metrics import confusion_matrix, ConfusionMatrixDisplay import matplotlib.pyplot as plt cm confusion_matrix(y_true, y_pred) disp ConfusionMatrixDisplay(confusion_matrixcm) disp.plot(cmapBlues) plt.title(Confusion Matrix of ResNet18) plt.savefig(confusion_matrix.png, dpi150)拿到混淆矩阵后的读法不是看对角线有多亮而是找对角线以外的密集点。比如云图里层云和积云如果经常互相误判说明这两类在纹理特征上确实接近这是数据集本身的性质决定的不是模型的错。把这个发现写进报告里说明你理解为什么模型会犯错比单纯报一个准确率更有说服力。进一步验证的话可以用 K 折交叉验证替换掉单次的训练验证划分。700 张数据量小单次划分的偶然性很大K 折交叉验证能给出一个均值加标准差的精度范围实验的稳健性立刻体现出来。课程设计阶段做到这两步材料的深度已经超过绝大多数同学了。从那以后我每次跑完训练第一件事不是看 loss 曲线而是直接打印混淆矩阵看一眼模型把哪两类搞混了、每类的召回率分布如何确认整体趋势合理再决定要不要继续调参。这一次先读 CSV、再跑通三个模型、最后补一轮错误分析的流程走下来比单纯把代码跑一遍收获大得多希望帮到你。本文还有配套的精品资源点击获取