AI Challenger 2018 农作物病害检测 竞赛 baseline，基于 PyTorch 的图像分类方案。

声明：开源仅供交流学习，数据请勿用于商业用途。转载或解读请注明出处，谢谢！

成绩：线上 0.8805，线下 0.875（因划分存在随机性，复现可能有波动，已尽量固定随机种子）。

• 环境依赖
• 数据准备
• 使用方法
• 方案说明
• 项目结构
• 2026 现代化改造记录
• 相关链接

代码已从原始的 python3.6 / pytorch0.4.1 迁移到 PyTorch 2.x，并支持 CPU / GPU 自动切换与混合精度 (AMP)。

pip install -r requirements.txt

主要依赖：

运行设备在 config.py 中自动探测：有 GPU 时用 CUDA + AMP，无 GPU 时回退到 CPU。

1. 下载数据集（10 月 23 日更新后的新版，含训练/验证/测试 A、B）： 百度网盘，提取码：iksk

2. 将测试集图片复制到 data/test/ 下。

3. 将训练集 + 验证集的图片都复制到 data/temp/images/，两个 json 标注文件放到 data/temp/labels/。

4. 执行 move.py 按类别整理图片到 data/train/<类别>/：

   python move.py

   该脚本会删除样本异常的第 44、45 类，并把之后的类别编号整体前移 2 位（num_classes 因此为 59）。main.py 的 test() 会做逆映射，把预测结果还原回官方原始编号。

# 训练 + 在测试集上推理，生成提交文件
python main.py

• 训练日志写入 logs/log_train.txt；
• 权重保存在 checkpoints/，最优模型在 checkpoints/best_model/；
• 训练结束后自动加载最优模型对测试集推理，结果写入 submit/baseline.json（官方提交格式）。

关键超参数（在 config.py 中调整）：

• 模型：ResNet50（ImageNet 预训练），替换全局池化为 AdaptiveAvgPool2d(1) 并接 59 类分类头。
• 数据划分：合并 train/val 后用 StratifiedKFold 思路做分层随机划分（test_size=0.15）。
• 数据增强（在线，见 dataset/dataloader.py）： RandomRotation(30)、RandomHorizontalFlip、RandomVerticalFlip、RandomAffine(45)。
• 离线增强（可选，见 data_aug.py）：高斯噪声、亮度/对比度变化、翻转等。
• 优化器：Adam（amsgrad=True），StepLR（每 10 epoch × 0.1）。
• 损失：默认 CrossEntropyLoss，可切换 FocalLoss。

.
├── config.py              # 全部超参数、设备与开关
├── move.py                # 按标注把图片整理进类别目录
├── data_aug.py            # 离线数据增强（可选）
├── dataset/dataloader.py  # Dataset / DataLoader / transforms
├── models/model.py        # ResNet50 分类网络
├── utils.py               # AverageMeter / accuracy / Logger / FocalLoss 等
└── main.py                # 训练、评估、测试主流程

在原 2018 版基础上做了如下修复与升级：

Bug 修复

• FocalLoss 数学错误：原实现对 batch 平均后的标量做加权，退化成普通交叉熵。现改为 reduction='none' 逐样本计算调制因子 (1-pt)^γ，并支持 mean/sum/none。
• 删除坏掉的 DenseModel：forward 里定义了却未使用的层、写死的 pool 尺寸、sigmoid + CrossEntropyLoss 双重激活等问题，整体移除（训练本就走 get_net）。
• data_aug.py 语法错误：修复错位的 try/except 缩进。

PyTorch 2.x 迁移

• 移除已废弃的 torch.autograd.Variable，改用 tensor.to(device)。
• 预训练加载 pretrained=True → weights=ResNet50_Weights.IMAGENET1K_V1。
• scheduler.step(epoch) 旧用法 → scheduler.step()，并移到 epoch 末尾。
• torch.load(..., weights_only=False, map_location=device) 显式化，兼容新默认值。
• Pillow 常量 Image.FLIP_* → Image.Transpose.FLIP_*（新版已移除旧别名）。

新增能力

• CPU / GPU 自动切换：无显卡也能跑。
• 混合精度 (AMP)：use_amp 开关，CUDA 上显著省显存、提速。
• DataLoader 增加 num_workers，读图统一 convert("RGB") 防止灰度/RGBA 崩溃。
• 修正 img_weight → img_width 命名及 Resize 的 (H, W) 顺序。

• 完整代码：plants_disease_detection
• 图像分类入门教程与代码：从实例掌握 pytorch 进行图像分类 · pytorch-image-classification
• 个人博客：超杰
• 联系方式：zhuchaojie@buaa.edu.cn