企业官网建设流程全解析

选题一眼看过去是典型的计算机毕设方向：基于 Python 的 Web 网页版 + CNN 卷积神经网络 + 宠物行为识别。这类题目在深度学习入门项目里非常常见，但真正做下来你会发现，它比单纯跑一个 MNIST 分类器复杂得多——因为你需要把模型训练、图像预处理、Web 交互、前端展示全部串起来，形成一个闭环。这篇文章我会把一个可落地的完整方案拆开讲，从模型结构设计、数据集组织、训练调参，到 Flask 网页部署和常见坑，适合正在做类似毕设、或者想用宠物行为识别练手 CNN 项目的同学参考。

1. 项目整体设计与技术选型

1.1 这个毕设到底在做什么

先把这个题目翻译成人话：你想通过摄像头或者上传一张宠物照片，让网页自动判断这只宠物当前在做什么行为——比如狗是在“坐”“卧”“站立”“奔跑”，猫是在“舔毛”“进食”“睡觉”。核心流程是一条直线：图片输入 -> CNN 提取特征 -> 分类器输出行为标签 -> Web 前端展示结果。

这个题目本质是图像分类任务，只不过把通用的“猫狗分类”“车型识别”换成了宠物行为识别场景。它同时包含两个模块：一是深度学习模型，二是 Web 网页系统。很多毕设只做其中一块，但这道题要求你两者都做，所以工作量主要在“打通全链路”，而不只是写好一个 CNN。

适合什么人参考？如果你是第一次做深度学习项目，这个选题很合适——它不要求你发明新算法，只需要会用 CNN 做分类，并且能把模型部署到网页上展示。如果你是准备毕设答辩的同学，这套方案也能帮你把“模型训练”“系统实现”“效果展示”三个环节都讲得有据可查。

1.2 为什么选 Python + Flask + CNN 这套组合

选择技术栈时我直接把方案定为：Python 3.10 + PyTorch 1.13 + Flask 2.3 + Bootstrap 前端。理由是：

第一，Python 是深度学习生态最完善的语言，PyTorch 写网络结构比 TensorFlow 1.x 时代的静态图直观太多，调试时可以打印每一层的输出尺寸，特别适合新手。

第二，Flask 足够轻量。这个项目不需要数据库，不需要用户系统，核心接口就两个——GET 返回页面、POST 接收图片并返回预测结果。用 Flask 几十行代码就能搞定，不需要上 Django。

第三，网页端用原生 HTML + 少量 JavaScript 足够了。很多同学一上来就想着前后端分离、Vue 框架，其实完全没必要。这个题目的展示重点是“模型识别效果”，不是“页面交互复杂度”。

我这套组合在实验室机器和普通笔记本上都能跑。CPU 也能训练，只是慢一些；如果有 NVIDIA 显卡，训练速度会快 5-10 倍。

1.3 项目目录结构与模块划分

这是我实际采用的目录结构：

pet_behavior/ ├── app.py # Flask 主程序 ├── model.py # CNN 网络定义 ├── train.py # 训练脚本 ├── predict.py # 单张图片预测脚本（调试用） ├── requirements.txt # 依赖清单 ├── data/ │ ├── train/ │ │ ├── sit/ │ │ ├── stand/ │ │ ├── lie/ │ │ ├── run/ │ │ └── bark/ │ ├── val/ │ └── test/ ├── models/ │ └── best_model.pth # 训练好的权重 ├── static/ │ └── uploads/ # 用户上传图片临时存放 └── templates/ └── index.html # 前端页面

这个结构的好处是每块职责清晰：model.py只管网络结构，train.py只管训练，app.py只管 Web 服务。很多毕设代码把所有功能塞进一个文件，后期自己都改不动，答辩时被老师一追问就露馅。

2. CNN 模型架构与训练细节

2.1 为什么 CNN 适合宠物行为识别

宠物行为识别本质上是在识别图像里的“空间特征组合”。比如判断一只狗是在“坐”还是“站”，关键特征是后腿是否弯曲、前腿是否竖直、身体轮廓的宽高比。这些特征与图片里的像素位置直接相关，而 CNN 的卷积操作正好是在局部区域上做特征提取。

卷积神经网络有两个核心特性：局部感受野和权值共享。局部感受野就好比人观察图片时先看眼睛、鼻子、嘴巴这些局部区域，而不是一下子扫描整张图；权值共享则是说同一个卷积核会在整张图上滑动，用同一套“模板”去匹配不同位置是否有相似特征。这两点让 CNN 比全连接网络参数少得多，也更适合图像数据。

对宠物行为识别来说，行为类别之间的差异主要体现在姿态和轮廓，而不是颜色或纹理。所以我会在数据预处理阶段把图片统一缩放到 64x64 或 128x128，保留姿态轮廓信息，同时尽量减小模型计算量。

2.2 网络结构：从输入层到全连接层

我用的网络是一个三层卷积的 CNN，结构如下：

Input: (3, 64, 64) # RGB 图片，缩放到 64x64 Conv1: 3 -> 16, kernel=3, padding=1 + ReLU + MaxPool(2) Conv2: 16 -> 32, kernel=3, padding=1 + ReLU + MaxPool(2) Conv3: 32 -> 64, kernel=3, padding=1 + ReLU + MaxPool(2) Flatten: 64 * 8 * 8 = 4096 FC1: 4096 -> 128 + ReLU + Dropout(0.5) FC2: 128 -> num_classes

为什么输入用 64x64 而不是 224x224？因为宠物行为分类不需要太精细的纹理特征，64x64 已经能看清姿态轮廓。而且输入尺寸直接影响全连接层的参数量：如果输入是 224x224，经过三层池化后特征图是 28x28x64，展平后就有 50176 个神经元，全连接层参数量会爆炸，训练容易过拟合。

特征图尺寸的变化有固定计算公式。以 64x64 输入为例，每经过一个 kernel=3 且 padding=1 的卷积层，尺寸不变；每经过一次 MaxPool(2)，尺寸减半。所以三组卷积池化后就是 64 -> 32 -> 16 -> 8，最后一层特征图是 8x8x64，展平后 4096。这个计算过程建议你自己推一遍，因为答辩时老师十有八九会问“你每一层输出尺寸怎么算的”。

PyTorch 代码实现如下：

import torch.nn as nn class BehaviorCNN(nn.Module): def __init__(self, num_classes=5): super().__init__() self.features = nn.Sequential( nn.Conv2d(3, 16, kernel_size=3, padding=1), nn.ReLU(inplace=True), nn.MaxPool2d(2), nn.Conv2d(16, 32, kernel_size=3, padding=1), nn.ReLU(inplace=True), nn.MaxPool2d(2), nn.Conv2d(32, 64, kernel_size=3, padding=1), nn.ReLU(inplace=True), nn.MaxPool2d(2), ) self.classifier = nn.Sequential( nn.Flatten(), nn.Linear(64 * 8 * 8, 128), nn.ReLU(inplace=True), nn.Dropout(0.5), nn.Linear(128, num_classes), ) def forward(self, x): return self.classifier(self.features(x))

2.3 数据集准备与标注规范

数据集是这类项目最大的坑。宠物行为识别没有像 ImageNet 那样现成的公共数据集可以直接下载，所以大部分同学需要自己采集或通过网络图片整理。我的做法是：

• 每个行为类别收集 400-600 张图片，一共 5 类，总计约 2500 张。
• 训练集和验证集按 8:2 划分，测试集另外留 200 张，保证测试集不参与训练。
• 图片内容尽量贴近真实场景：有室内，有户外，有不同光照条件。
• 图片里宠物最好居中、占画面比例大，减少背景干扰。

数据目录结构就是 1.3 节里的那样，用文件夹名作为标签。使用 PyTorch 的ImageFolder可以自动读取目录并生成标签，非常方便。

标注时有个细节容易忽略：行为类别之间要有区分度，且不能重叠。比如“坐”和“蹲”如果都算一类，模型会混淆；但如果你定义的类别是“坐”“卧”“站”“跑”“叫”，这五类姿态差异明显，分类难度就低很多。如果题目要求识别的行为类别本身很相近，比如区分“摇尾巴”和“翘尾巴”，那建议增加数据量或者换用迁移学习。

2.4 训练参数与优化策略

训练超参数我直接给一套能用的配置：

batch_size = 32 learning_rate = 0.001 epochs = 60 optimizer = torch.optim.Adam(model.parameters(), lr=learning_rate) criterion = nn.CrossEntropyLoss() scheduler = torch.optim.lr_scheduler.StepLR(optimizer, step_size=20, gamma=0.5)

学习率设置 0.001 是 Adam 优化器的默认推荐值，实测下来在这个任务上比较稳定。如果 loss 震荡不下降，就降到 0.0001；如果下降太慢，可以先用 0.003 跑几个 epoch 再降下来。

数据增强我用的是 PyTorch 的transforms组合：

train_transforms = transforms.Compose([ transforms.Resize((64, 64)), transforms.RandomHorizontalFlip(p=0.5), transforms.RandomRotation(15), transforms.ColorJitter(brightness=0.2, contrast=0.2), transforms.ToTensor(), transforms.Normalize([0.5, 0.5, 0.5], [0.5, 0.5, 0.5]) ])

训练过程中我记录每一轮的train_loss、val_loss和val_accuracy，并在val_accuracy创新高时保存模型权重。只保存最后一轮的权重有个问题：最后几轮可能已经过拟合，验证集准确率反而下降了。所以我按验证集表现来选最优模型，这个在下文 4.1 还会细讲。

3. Web 端交互与部署实现

3.1 Flask 快速搭建后端服务

Flask 部分的核心逻辑非常简单：启动时加载模型，收到图片后做预处理，丢给模型推理，返回预测结果。我把它拆成两个接口：

• GET /：返回网页首页。
• POST /predict：接收上传图片，返回 JSON。

代码主体如下：

import os import torch from flask import Flask, request, jsonify, render_template from PIL import Image import torchvision.transforms as transforms from model import BehaviorCNN app = Flask(__name__) model = BehaviorCNN(num_classes=5) model.load_state_dict(torch.load('models/best_model.pth', map_location='cpu')) model.eval() class_names = ['sit', 'stand', 'lie', 'run', 'bark'] class_names_zh = ['坐', '站立', '卧', '奔跑', '吠叫'] transform = transforms.Compose([ transforms.Resize((64, 64)), transforms.ToTensor(), transforms.Normalize([0.5, 0.5, 0.5], [0.5, 0.5, 0.5]) ]) @app.route('/') def index(): return render_template('index.html') @app.route('/predict', methods=['POST']) def predict(): file = request.files['image'] img = Image.open(file.stream).convert('RGB') img_tensor = transform(img).unsqueeze(0) with torch.no_grad(): outputs = model(img_tensor) probs = torch.softmax(outputs, dim=1) confidence, idx = torch.max(probs, dim=1) return jsonify({ 'class_name': class_names_zh[idx.item()], 'class_label': class_names[idx.item()], 'confidence': round(confidence.item(), 4) }) if __name__ == '__main__': app.run(host='0.0.0.0', port=5000, debug=False)

注意五个细节：

• map_location='cpu'是必须的，因为训练可能在 GPU 上，部署到没有 GPU 的机器上时没有这个参数会报错。
• model.eval()一定不能漏。漏掉的话 BatchNorm 和 Dropout 在推理时的行为会不一致，预测结果会不稳定。
• PIL Image.open()读取后要.convert('RGB')，否则遇到带透明通道的 PNG 图时会出错。
• 前端上传的图片不能直接交给模型，必须做和训练时一样的预处理。这里最容易踩坑的就是忘记 Resize 或 Normalize。
• torch.no_grad()在推理时加了能减少显存占用、提升速度，行列虽小，但一个负责任的实现都会加上。

3.2 前端页面的核心设计

前端页面我用的是单页面方案：一个图片上传区域、一个识别按钮、一个结果展示区。用户选择图片后可以预览，点击“开始识别”后通过fetch发请求到后端。

核心 HTML 片段：

<div class="container mt-5"> <h2>宠物行为识别系统</h2> <div class="mb-3"> <input type="file" id="imageInput" accept="image/*"> <img id="preview" class="img-fluid mt-3" style="max-width: 320px;"> </div> <button id="predictBtn" class="btn btn-primary">开始识别</button> <div id="result" class="mt-4"></div> </div>

对应的 JavaScript：

document.getElementById('predictBtn').addEventListener('click', function() { const fileInput = document.getElementById('imageInput'); if (!fileInput.files.length) { alert('请先选择图片'); return; } const formData = new FormData(); formData.append('image', fileInput.files[0]); fetch('/predict', { method: 'POST', body: formData }) .then(res => res.json()) .then(data => { document.getElementById('result').innerHTML = '识别结果：' + data.class_name + '（' + data.class_label + '），置信度：' + data.confidence; }) .catch(err => { console.error(err); alert('识别失败，请检查图片格式'); }); });

图片预览可以加一个监听事件change，用FileReader把本地图片显示到<img>标签里，这样用户能确认自己要识别的是哪张图。这个小功能在答辩演示时特别加分。

3.3 模型加载与预测接口封装

有一个问题需要注意：每次请求都重新加载模型是灾难性的。模型权重文件几十 MB，磁盘 IO 加上反序列化要好几秒，如果用户连续识别多次，页面会卡死。正确做法是在 Flask 应用启动时只加载一次，之后所有请求共享同一个模型实例。

对于模型文件，建议统一命名规则，比如models/best_model.pth。每次训练完把最优模型复制到这个固定位置，这样 Web 端代码不需要频繁改路径。

推理时如果想要更快的响应速度，可以考虑把图片先压缩再上传。比如前端在canvas里把图片缩到 256px 以内再发送，既能减少网络传输时间，也不会影响识别效果，因为模型输入本身只有 64x64。

3.4 本地部署与模型文件管理

本地部署的流程很简单：

1. 安装依赖：pip install flask torch torchvision pillow
2. 启动服务：python app.py
3. 浏览器访问http://127.0.0.1:5000

如果需要让同一局域网的手机或另一台电脑访问，就用host='0.0.0.0'，然后访问电脑的局域网 IP，端口 5000。这个演示方式在答辩现场很实用，老师可以在自己电脑上打开页面测试你的系统。

模型文件管理这块我吃过亏。最开始我把每个 epoch 的权重都保存在同一个文件里，结果训练到后期发现最优模型被覆盖了。后来改成按 epoch 命名 + 单独存一个 best 副本：

torch.save(model.state_dict(), f'models/epoch_{epoch}.pth') torch.save(model.state_dict(), 'models/best_model.pth')

同时定期清理无用的中间权重，避免磁盘空间被占满。一个 5 万参数的 CNN 权重文件不到 5MB，但如果是 ResNet 这种大模型，每份权重可能 40MB+，30 个 epoch 就超过 1GB，不清理很快撑爆磁盘。

4. 常见问题与排查技巧实录

4.1 训练阶段的高频问题

loss 不下降。优先检查学习率是否为 0.001；其次检查输入图片的归一化方式与模型是否匹配。很多人训练时用了Normalize([0.5],[0.5])，推理时忘了加，导致输入分布完全不同。如果都正常，看数据标签是否有错乱——比如训练集目录里放了错误类别的图片。

验证集准确率远低于训练集。这是过拟合信号。解决办法按优先级排序：增加数据量、增强数据增强、增大 Dropout、减小模型容量。我的经验是第三层卷积输出通道从 64 降到 32 往往就能缓解过拟合，因为宠物行为识别的特征复杂度没有想象中那么高。

数据类别不均衡。比如“跑”的图片少，“坐”的图片多。轻则模型把所有图片都预测成“坐”，重则训练不收敛。对策有两个：一是在DataLoader里设置WeightedRandomSampler，让每个类别被采样的概率相同；二是在损失函数里传入class_weight。我更推荐前一种，因为它是数据层面的处理，不影响模型结构，答辩时也好解释。

图像尺寸对全连接层的影响。如果你把训练输入尺寸从 64 改成 128，模型代码里nn.Linear(64*8*8, 128)就必须改成64*16*16=16384，否则会有维度不匹配报错。很多同学写死第一层全连接的维度，换输入尺寸就崩，建议在forward里动态获取展平后维度，或者像我一样固定输入尺寸，避免这类问题。

随机性影响结果。CNN 训练有随机性，同样的数据和代码，每次结果会有几个百分点的波动。建议在训练脚本开头设置随机种子：

torch.manual_seed(42)

这个细节在答辩时如果被问到“结果是否可复现”，你可以直接展示。

4.2 预测效果与预期不符怎么排查

模型在训练集上准确率很高，但网页上识别效果很差——这是最多人遇到的情况。

首先确认预处理链路一致。训练时transforms.Resize((64, 64))，推理时你也要Resize((64, 64))，不能一个用 64 一个用 128。同理还有Normalize的参数。这是最容易排查的一步，却也是最容易出错的一步。

其次是图片背景复杂。训练集里如果大多是干净背景，而用户上传的是复杂场景照片，模型很容易被背景干扰。解决思路是在训练集里增加复杂背景样本，或者对输入图片做简单的前景裁剪。不过毕设阶段建议量力而行，把训练和测试数据的采集环境尽量保持一致是最稳的方案。

然后看置信度分布。如果模型对每张图都给出 90% 以上的置信度，但结果经常是错的，说明模型过拟合，而不是“判断犹豫”。如果置信度普遍偏低，比如 40%-60%，说明模型没有学到足够强的特征，可能是训练不充分或特征相似。

我写了一个简单的predict.py脚本，每次在网页调试前先用命令行跑一张图看结果。这样可以先确认模型本身没问题，再去找网页代码的问题。排查思路是从数据流的下游往上游走，先测模型，再测预处理，最后测 Web 接口。

4.3 多类别行为识别的数据增强策略

数据增强要把握一个度：不能为了增强而改变行为本身的可识别特征。比如把图片旋转 90 度，可能导致“坐”看起来像“卧”；把亮度调得过高，可能导致宠物轮廓看不清。我当时用的增强策略是：

• 水平翻转：适合左右对称的宠物姿态，但要注意如果宠物有明显的左右朝向动作，翻转后会形成新样本，这其实是好事。
• 小角度旋转：限制在 ±15 度以内，避免姿态变形过度。
• 颜色扰动：亮度、对比度、饱和度小幅调整，模拟不同光照条件。
• 随机裁剪：这是最有效也最容易引入噪声的增强。我当时裁剪范围是原图的 80%-100%，然后缩放回 64x64，不会让宠物主体被裁掉。

增强的目的是让模型见过更多“合理的变异”，而不是制造“不合理的数据”。一个简单的验证方法是把增强后的图片抽出来看一眼，如果人眼都无法判断行为，那模型大概率也学不会。

4.4 毕设答辩中容易被追问的点

做这类项目，常见被老师追问的问题有：

“为什么用三个卷积层，不用 ResNet？”回答思路：三个卷积层参数量小、训练快，在这个规模的数据集上不会过拟合；如果数据量很大确实可以考虑迁移学习，但在宠物行为识别场景下，自定义 CNN 的精度已经够用。这个回答既解释了你的选择，又展示了你对模型容量和数据规模匹配关系的理解。

“你的准确率是多少？有没有对比实验？”建议在文档里放一张表，对比有数据增强 vs 无数据增强、dropout vs 无 dropout 的验证集准确率。哪怕只有这四组对比，也比单跑一个模型有说服力得多。

“你如何证明模型学到的不是背景特征？”这个问题比较刁钻但很常见。如果你训练集和测试集背景差异很大，模型可能在“认背景”而不是“认宠物”。我当时用了一个小技巧：保留宠物区域，把背景替换成纯色，再用同类测试图测试，发现准确率没有明显下降，说明模型主要关注宠物本身。

最后分享一个我在实际调试过程中觉得最有用的经验：训练时每 5 个 epoch 保存一次权重，并且记录对应的训练配置和数据增强方式。这个习惯起初只是为了防止训练中断丢失进度，后来发现模型效果不满意时，你可以快速回到某一次权重，检查是“数据变了”还是“超参数变了”导致的差异。在网页联调阶段，先在本地跑通单张图片识别，再接入 Flask，会省掉大量“前后端说不清谁有问题”的排查时间。做毕设最重要的不是模型有多高级，而是整个链路每一环你都能讲清楚、改得动、调得好。