Cleaned vs Dirty V2 是一道体量不大但很有代表性的计算机视觉竞赛，任务目标非常明确：根据盘子图像判断其属于已清洁还是脏污状态。训练集每类仅 20 张图片，测试集却有数百张样本，问题难点因此集中在小样本条件下的泛化能力，而不是常规的大规模图像训练流程。这类题目很适合作为视觉项目入门案例来拆解，因为数据理解、验证设计、迁移学习、数据增强和提交落地几乎都能在一个轻量任务里完整呈现。表面上只是二分类，实际上已经覆盖了真实业务中常见的低标注场景，例如清洁巡检、外观质检和设备状态识别中的原型验证问题。文章目录赛题概述数据详解解题思路操作案例优秀案例解析总结赛题概述本案例地址 Cleaned vs Dirty V2。这是一道典型的小样本图像分类练习题，核心任务是根据餐盘图像判断其处于干净还是脏污状态。训练集规模极小，每类仅 20 张图片，却需要对大量测试图片做出稳定判断，因此重点不在堆叠复杂模型，而在于围绕数据稀缺场景完成任务抽象、迁移学习、数据增强、验证设计与过拟合控制。这类题目与真实业务中的低标注视觉项目高度接近，适合用来训练从数据理解到模型落地的完整思路，也适合作为工业质检、清洁巡检、设备状态识别等场景的入门型视觉项目模板。模块名称内容简介所需技能数据类型应用场景赛题背景赛题属于面向现实感知任务的二分类视觉问题，表面上是识别餐盘是否清洁，本质上是在极少标注样本条件下完成状态判别。场景约束非常明确：训练数据有限、类别定义直观、测试规模更大，重点考察如何把有限样本转化为可泛化的分类能力，而不是单纯依赖大规模数据刷分。问题抽象、小样本学习思维、数据分布判断、图像预处理策略设计、迁移学习与泛化分析餐盘图像、二分类标签、自建验证划分、增强后的训练样本清洁状态检测、工业外观质检、餐饮后厨巡检、设备表面污染识别