简介面向牙齿健康检测场景的深度学习实战资源基于PyTorch框架构建卷积神经网络分类模型并提供网页交互界面适合希望掌握图像识别完整流程的开发者参考。整个资源包包含269个文件262张牙齿图片构成多类别训练数据集3个Python脚本分别用于生成数据集文本、训练模型和启动网页服务3个文本文件包含环境依赖与训练说明1个HTML文件负责前端展示压缩后仅13.89MB便于携带和二次修改。项目运行逻辑清晰按数据准备—模型训练—网页端部署的顺序依次执行训练阶段会保存每个epoch的验证集损失与准确率日志方便分析模型收敛情况也能帮助理解数据划分、标签映射与模型保存等关键环节。附带环境安装清单参照说明完成配置后即可完整体验CNN图像识别项目。目前已有108人学习下载适合作为深度学习和前后端结合实践的综合示例。1. 这个zip装的是什么牙齿健康识别从数据集到Web网页的完整闭环收到一个名为“web网页html版基于python卷积神经网络训练识别牙齿是否健康-含图片数据集.zip”的项目时别被这一长串名字吓到。它本质上是一个典型的图像二分类工程用Python搭一个卷积神经网络在牙齿图片数据集上训练让模型学会区分“健康”和“不健康”两类照片最后通过一个HTML网页上传图片、实时拿到预测结果。对牙科诊所、体检机构或教学演示来说每天产生的大量口腔照片靠人工逐张看效率低这套方案能承担初筛工作。适合有一定Python基础、想跑通“数据准备—模型训练—网页部署”全流程的开发者。接下来我按数据集、模型、网页三个部分拆开讲把训练和部署阶段最容易翻车的地方也一并标出来。2. 先啃图片数据集这块硬骨头目录结构、预处理与三种划分策略无论是PyTorch还是TensorFlow牙齿识别这类图像分类项目的第一步都不是写模型而是整理图片数据集。如果文件乱糟糟、标签不标准后面所有工作都会跟着错。我一般会先把数据整理成深度学习框架最友好的形式再谈训练。2.1 图片数据集目录结构与标签映射分文件夹就是打标签常见做法是采用PyTorch的ImageFolder约定根目录下按标签建子目录每个子目录里放对应类别的图片。对牙齿健康识别来说最直观的结构就是healthy和unhealthy两个文件夹模型训练时自动把文件夹名当成类别标签并按字母序映射为0和1。这样做的好处是省去手动写CSV标注文件的步骤新增样本只要丢进对应文件夹即可。mkdir -p dataset/train/healthy # 健康牙齿图片 mkdir -p dataset/train/unhealthy # 不健康牙齿图片龋齿、牙结石、变色等 mkdir -p dataset/val/healthy mkdir -p dataset/val/unhealthy mkdir -p dataset/test/healthy mkdir -p dataset/test/unhealthy注意这里的子目录名最终会成为模型的输出类别英文名比中文名更稳妥避免编码问题。ImagesFolder在读取时会自动统计每个类别的图片数量如果你发现某个类别的数量少得离谱说明原始数据收集阶段就出现了样本不均衡需要回到素材源头补充图片或者靠后文的数据增强来兜底。实际操作中我建议把原始图片先集中放在一个raw_photos目录文件名带编号不要直接把标注信息塞进文件名里。因为文件名一旦包含中文、空格或特殊符号在部分Linux环境下会触发编码错误这种问题往往要排查很久才意识到是文件名的锅。整理干净后用下面的Python脚本一次性完成随机划分比手工拖动文件可靠得多。2.2 图像预处理三件套尺寸统一、归一化与数据增强牙齿照片来自不同设备分辨率从几十万像素到上千万像素都有。如果直接把原始尺寸喂给神经网络不仅显存扛不住模型也会被无关细节干扰。我习惯把所有图片统一缩放到224×224像素这是ImageNet时代就流行开来的标准输入尺寸在CPU推理时速度和精度比较平衡。import torch from torchvision import transforms # 训练集带数据增强防止模型见过的东西太单一 train_transforms transforms.Compose([ transforms.Resize((224, 224)), # 统一尺寸 transforms.RandomHorizontalFlip(p0.5), # 随机水平翻转牙齿照片左右对称合理 transforms.RandomRotation(degrees10), # 小角度旋转模拟拍摄角度偏差 transforms.ColorJitter(brightness0.2, contrast0.2), # 亮度对比度扰动 transforms.ToTensor(), # 转为Tensor像素值从0-255缩放到0-1 transforms.Normalize(mean[0.485, 0.456, 0.406], std[0.229, 0.224, 0.225]) ]) # 验证集/测试集只做必要处理不做增强 val_transforms transforms.Compose([ transforms.Resize((224, 224)), transforms.ToTensor(), transforms.Normalize(mean[0.485, 0.456, 0.406], std[0.229, 0.224, 0.225]) ])这里的Normalize用的均值方差是ImageNet数据集的统计值不是牙齿图片自己的。如果你的数据集整体偏暗或偏黄口腔照片常有色偏更稳妥的做法是先对训练集所有图片计算mean和std再替换进去。计算脚本不复杂用torch.stack把所有图片的Tensor拼起来逐通道求均值方差即可。参数的含义Resize的224是目标边长RandomHorizontalFlip的p0.5表示一半概率翻转RandomRotation的degrees10表示在±10度内随机旋转ColorJitter的brightness和contrast取值范围0到正无穷0.2表示在0.8到1.2倍之间扰动。还有一个常被忽略的点ToTensor必须放在Normalize之前。ToTensor负责把PIL图像从HWC格式变成CHW格式并把0-255的整型像素值缩放到0-1浮点Normalize则按通道做标准化。顺序写反会导致归一化作用于一个还没有被缩放的张量训练时loss直接变成NaN的概率极高。这两行是血泪经验换来的顺序别动。2.3 按7:2:1划分训练集、验证集和测试集划分比例不必过分纠结但有一个原则必须守住测试集只能用来做最终验收绝不能参与训练过程中的任何决策。我把数据按7:2:1随机分成三份其中验证集用来观察每个epoch后的模型表现并决定是否早停测试集只在整个训练结束后跑一次用于估计模型在真实场景中的泛化能力。import os import random import shutil source_root raw_photos dataset_root dataset random.seed(42) # 固定随机种子结果可复现 for root, dirs, files in os.walk(source_root): label os.path.basename(root) # 原始目录名即标签 if not files: continue # 这里假设每个子目录完全对应一个类别 random.shuffle(files) n_total len(files) n_train int(n_total * 0.7) n_val int(n_total * 0.2) for i, fname in enumerate(files): if i n_train: target os.path.join(dataset_root, train, label) elif i n_train n_val: target os.path.join(dataset_root, val, label) else: target os.path.join(dataset_root, test, label) os.makedirs(target, exist_okTrue) shutil.copy(os.path.join(root, fname), os.path.join(target, fname))这段脚本的核心是os.walk遍历原始目录把子目录名直接当作标签比依赖文件名判断更稳。random.seed(42)确保每次运行划分结果一致避免同一个epoch内训练集和验证集出现重叠样本。划分后顺手用len检查一下每个文件夹的图片数确认没有因为源目录放错文件导致某个类别出现空目录。空目录会让ImageFolder在加载时报错而且报错信息不够直观容易让人误以为是代码问题。数据泄漏是另一个值得警惕的坑如果你把同一颗牙的不同角度照片拆进了训练集和测试集模型在测试时相当于见过这个人最终准确率会虚高。最稳妥的做法是按“患者”划分也就是同一个人的多张照片必须全部进入同一个集合。如果你拿到的图片数据集没有按人组织至少要接受一个现实跨人泛化能力可能比测试分数要差发布方案时把这个边界写清楚。3. 搭一个让CPU也能跑的CNN模型结构、损失函数与训练超参数数据准备就绪后开始核心环节卷积神经网络的搭建与训练。很多新手一上来就套ResNet50这种大模型结果显存爆掉、训练慢得离谱。牙齿健康识别本质上不是ImageNet那种千分类竞赛类别差异明显一个小而稳的CNN完全够用还能流畅部署到没有GPU的电脑上。3.1 为什么选CNN而不选传统机器学习局部感受野的价值如果退回到特征工程时代做牙齿分类得先设计颜色直方图、纹理特征、边缘特征还要处理光照变化带来的干扰。口腔照片的拍摄角度、光源色温、反光情况差异很大手工特征稍微换一批数据就失灵。CNN通过局部感受野自动学习视觉特征第一层卷积学边缘和纹理中间层学局部形状高层学整体结构整个过程不需要人工设计特征。同时CNN的权重共享机制大幅减少了参数量牙齿图片数据集通常只有几百到几千张足够训练一个轻量级模型。另一个对比对象是全连接网络。如果直接把224×224×3的像素拉平输入维度超过15万第一层全连接的参数量就达到千万级别训练数据量根本喂不饱过拟合几乎必然发生。CNN用3×3或5×5的卷积核在局部滑动一个卷积核的参数量只有几十全连接层只放在最后的分类头部分整体参数量被压到极小。3.2 模型结构设计四层卷积加自适应平均池化我常用的结构是四层卷积加全局平均池化的组合。这样设计的好处是不管输入图片被Resize成224还是256AdaptiveAvgPool2d都能把特征图压成固定长度最后的全连接层输入维度恒定模型不用改代码也能适配不同输入尺寸。import torch.nn as nn class ToothCNN(nn.Module): def __init__(self, num_classes2): super().__init__() self.features nn.Sequential( nn.Conv2d(3, 32, kernel_size3, padding1), # 输出 32x224x224 nn.ReLU(inplaceTrue), nn.MaxPool2d(2), # 输出 32x112x112 nn.Conv2d(32, 64, kernel_size3, padding1), # 输出 64x112x112 nn.ReLU(inplaceTrue), nn.MaxPool2d(2), # 输出 64x56x56 nn.Conv2d(64, 128, kernel_size3, padding1), # 输出 128x56x56 nn.ReLU(inplaceTrue), nn.MaxPool2d(2), # 输出 128x28x28 nn.Conv2d(128, 128, kernel_size3, padding1), nn.ReLU(inplaceTrue), nn.MaxPool2d(2), # 输出 128x14x14 ) self.classifier nn.Sequential( nn.AdaptiveAvgPool2d(1), # 任意输入尺寸 - 1x1 nn.Flatten(), # 128 维 nn.Dropout(0.5), # 防止过拟合 nn.Linear(128, 256), nn.ReLU(inplaceTrue), nn.Linear(256, num_classes) # 输出健康/不健康两类logit ) def forward(self, x): return self.classifier(self.features(x))模型每一层的参数设置如下表方便你按需调整层输出尺寸参数量设计意图输入3×224×2240标准图像输入Conv2d-132×224×224896提取低层边缘纹理MaxPool2d32×112×1120降低分辨率扩大感受野Conv2d-264×112×11218496提取局部形状特征MaxPool2d64×56×560下采样Conv2d-3128×56×5673856提取高频纹理与病变特征MaxPool2d128×28×280下采样Conv2d-4128×14×14147584加深抽象特征MaxPool2d128×7×70下采样AdaptiveAvgPool128×1×10全局特征压缩Linear25633024特征到类别映射Linear2514二分类输出整套模型参数量约27万约为ResNet18的六十分之一。Dropout层放在分类头之前训练时随机丢弃一半神经元配合weight_decay能有效抑制过拟合。如果你觉得这个结构偏深删掉最后一个Conv2d和对应池化层也能工作只是准确率会稍微下降适合数据量极小的情况。3.3 训练配置CrossEntropyLoss、Adam与学习率调度模型定义好之后训练配置决定它能否快速收敛。分类任务的标配是交叉熵损失优化器用Adam初始学习率0.001这是经过大量项目验证的稳妥组合。牙齿数据集通常只有几百张图batch size设32或64即可太大容易让梯度方向过于平滑太小则训练不稳定。import torch import torch.optim as optim from torch.optim.lr_scheduler import StepLR model ToothCNN(num_classes2) criterion nn.CrossEntropyLoss() optimizer optim.Adam(model.parameters(), lr0.001, weight_decay1e-4) scheduler StepLR(optimizer, step_size8, gamma0.1) epochs 40 best_val_acc 0.0 for epoch in range(epochs): model.train() running_loss 0.0 for images, labels in train_loader: optimizer.zero_grad() outputs model(images) loss criterion(outputs, labels) loss.backward() optimizer.step() running_loss loss.item() # 每个epoch在验证集上评估 model.eval() correct, total 0, 0 with torch.no_grad(): for images, labels in val_loader: outputs model(images) _, predicted torch.max(outputs, 1) total labels.size(0) correct (predicted labels).sum().item() val_acc correct / total scheduler.step() if val_acc best_val_acc: best_val_acc val_acc torch.save(model.state_dict(), tooth_model.pth) print(fEpoch {epoch1:02d} | Loss {running_loss/len(train_loader):.4f} | Val Acc {val_acc:.4f})这里的关键点有三个。一是model.train()和model.eval()必须成对出现前者启用Dropout和BatchNorm的训练行为后者关闭它们漏掉eval模式会导致推理结果不稳定。二是Adam的weight_decay建议设1e-4而不是0对正则化有明显帮助StepLR每8个epoch把学习率乘0.1让模型在训练后期用更小的步长精细调整权重。三是只保存验证集准确率最高的权重而不是最后一个epoch的权重因为训练末尾往往已经过拟合了。训练过程中如果发现loss下降极慢第一件事不是改模型结构而是检查数据加载器是否正常工作。打印一批images和labels确认图片张量范围在0-1、标签只有0和1两种取值。数据没喂对调多少超参数都是白费。4. 前端HTML对接Flask后端让模型在浏览器里跑起来的完整链路训练完的模型只是个黑匣子必须给它包一层交互界面才算真正落地。这里的方案是Flask做后端、HTML页面做前端浏览器上传图片后端调用PyTorch模型推理返回JSON结果给页面渲染。4.1 HTML页面图片上传、本地预览与结果展示前端页面不需要花哨的框架原生HTML加一个fetch请求就能完成。核心交互是三块一个file input接收图片一个img标签做本地预览一个div展示识别结果。重点是把上传的图片用FormData封装别用JSON格式传二进制后端解析麻烦还容易出错。!DOCTYPE html html langzh-cn head meta charsetutf-8 meta nameviewport contentwidthdevice-width, initial-scale1 title牙齿健康识别系统/title style body { font-family: sans-serif; max-width: 640px; margin: 40px auto; padding: 0 16px; } #preview { max-width: 320px; display: none; margin: 16px 0; border-radius: 8px; } .result-box { margin-top: 16px; padding: 16px; border-radius: 8px; } .healthy { background: #e6f4ea; color: #1e7b34; } .unhealthy { background: #fce8e6; color: #c5221f; } /style /head body h2牙齿健康识别/h2 p上传一张清晰的牙齿照片模型将判断为健康或不健康。/p input typefile idimageInput acceptimage/* br img idpreview alt图片预览 br button idpredictBtn开始识别/button div idresult/div script const input document.getElementById(imageInput); const preview document.getElementById(preview); const btn document.getElementById(predictBtn); const result document.getElementById(result); input.addEventListener(change, function () { const file this.files[0]; if (!file) return; preview.src URL.createObjectURL(file); preview.style.display block; result.innerHTML ; }); btn.addEventListener(click, async function () { const file input.files[0]; if (!file) { result.innerHTML p请先选择图片/p; return; } const formData new FormData(); formData.append(image, file); const resp await fetch(/predict, { method: POST, body: formData }); const data await resp.json(); if (data.error) { result.innerHTML p识别失败 data.error /p; return; } const label data.label healthy ? 健康 : 不健康; const cls data.label healthy ? healthy : unhealthy; result.className result-box cls; result.innerHTML strong label /strong置信度 (data.probability * 100).toFixed(2) %; }); /script /body /html这段代码的逻辑很直接用户选择图片后URL.createObjectURL生成一个本地预览地址图片不用上传就能显示点击识别按钮后FormData携带文件通过fetch发到后端的/predict接口response.json()解析后端返回值。这里有个细节preview.src用对象URL之后最好在下次选择图片时手动释放也就是URL.revokeObjectURL否则连续操作多张图片浏览器内存会有小幅度泄漏。页面样式里用了颜色区分结果绿色代表健康、红色代表不健康比纯文字直观得多。4.2 Flask后端图片接收、预处理、推理与JSON返回后端是整个链路的调度中心。它要做四件事接收上传的文件流、把图片解码并转换为模型输入格式、调用模型前向传播、把结果序列化成JSON返回。要注意的是Flask默认只处理文本表单接收文件必须用request.files而不是request.get_json()。import io import torch from PIL import Image from flask import Flask, request, jsonify, render_template from torchvision import transforms app Flask(__name__) model ToothCNN(num_classes2) model.load_state_dict(torch.load(tooth_model.pth, map_locationcpu)) model.eval() inference_transforms transforms.Compose([ transforms.Resize((224, 224)), transforms.ToTensor(), transforms.Normalize(mean[0.485, 0.456, 0.406], std[0.229, 0.224, 0.225]) ]) app.route(/, methods[GET]) def index(): return render_template(index.html) app.route(/predict, methods[POST]) def predict(): try: file request.files.get(image) if file is None or file.filename : return jsonify({error: 未接收到图片文件}), 400 # 统一转成RGB避免PNG带alpha通道导致维度不匹配 img Image.open(file.stream).convert(RGB) tensor inference_transforms(img).unsqueeze(0) # 增加batch维度 with torch.no_grad(): outputs model(tensor) probabilities torch.softmax(outputs, dim1) max_prob, pred torch.max(probabilities, dim1) label healthy if pred.item() 0 else unhealthy return jsonify({ label: label, prediction: int(pred.item()), probability: float(max_prob.item()) }) except Exception as e: return jsonify({error: str(e)}), 500 if __name__ __main__: app.run(host0.0.0.0, port5000, debugFalse)代码里有三个值得细说的参数。一是torch.load的map_location指定为cpu确保服务器没有CUDA也能加载权重如果训练时是在GPU上保存的不写这个参数在无GPU机器上会直接报错。二是inference_transforms必须和训练时的验证集预处理完全一致特别是Normalize的均值和方差差一个数模型输出概率就会明显偏移。三是推理阶段用softmax把logits转成概率再取最大值这样既能拿到预测类别又能拿到置信度前端的百分比展示依赖这一步。还有一个容易被忽略的问题img Image.open(file.stream)不会直接读取完整数据PIL是惰性解码的实际像素在调用convert或transforms时才真正加载。因此务必在文件流关闭之前完成转换别把file.stream传到别的地方再去读图片。上面代码里先convert(RGB)已经触发了完整解码后续操作都安全。4.3 本地启动与联调最小命令和三个环境变量部署到本机运行只需要安装四个依赖flask、pillow、torch、torchvision。torch的CPU版安装包约200MB如果不想下载完整CUDA版可以在PyTorch官网选CPU版本安装体积小一半推理速度对本项目来说足够。# 安装依赖CPU版PyTorch更省空间 pip install flask pillow torch torchvision # 启动服务 python app.py启动后浏览器访问http://127.0.0.1:5000看到页面即表示部署成功。这里有几个常见问题提前说一是如果5000端口被其他进程占用把app.run中的port改成5001同时浏览器访问对应端口二是务必通过Flask提供的地址访问页面不要直接双击HTML文件用file://协议打开再调后端浏览器会因跨域策略拦截fetch请求报错信息是CORS相关的三是Flask的debugTrue适合开发阶段正式给人演示时改成False避免异常堆栈直接暴露在页面上。联调阶段如果前端报错先在浏览器开发者工具里看Network面板。选中上传请求检查状态码是不是200响应内容的JSON是否包含label和probability字段。后端报错会以500状态码返回开发者工具的Console面板会显示错误堆栈这是定位问题最直接的入口。5. 常见问题排查训练翻车与网页报错的五个真实案例这个项目从数据到部署每一步都有经典坑位。我按训练和部署两个阶段把最常遇到的五个问题整理成“现象-原因-解决”的格式你对照自己的情况排查会快很多。5.1 训练阶段样本不均衡、归一化错位与过拟合坑一loss正常下降但验证集准确率始终停在60%左右怎么看都像在“猜”。原因是分类数据集中不健康样本数量远少于健康样本模型学到的决策边界偏向多数类几乎把所有图片都判成健康。解决方法是给少数类加权。最常见的做法是在CrossEntropyLoss里传weight参数让少数类的梯度贡献更大class_weights torch.tensor([1.0, 3.0]) # healthy权重低unhealthy权重高 criterion nn.CrossEntropyLoss(weightclass_weights)权重怎么定先统计两类样本数比如healthy有800张、unhealthy有300张权重比例大致设为1.0对2.5左右。更精细的做法是用sklearn的compute_class_weight自动计算。除了改损失函数也可以用WeightedRandomSampler在采样阶段平衡数据但实现稍复杂新手优先改weight参数。坑二训练时准确率95%以上保存模型后单张图片测试却几乎全错。原因是训练pipeline和推理pipeline的预处理不一致。最常见的是训练时用了normalize推理时忘了或者推理时归一化用了不同的均值和方差。模型在训练时看到的是标准化后的张量推理给的是0-1原始像素值分布完全错位输出自然不可信。解决方法是把验证集用的transforms定义在公共文件里训练脚本和部署脚本都从同一个地方导入而不是各写一份。坑三训练loss降到0.01验证集loss却在第20个epoch开始反弹。这是典型的过拟合模型把训练样本的特征背了下来却学不到可泛化的模式。牙齿数据集通常只有几百张图片模型加深后更容易陷入这种状态。解决手段有三个层面数据层面用更强的数据增强比如增加RandomResizedCrop模拟不同拍摄距离模型层面加大Dropout比例到0.6减少全连接层宽度训练层面把weight_decay从1e-4调到1e-3并且在验证集准确率连续5个epoch不提升时触发早停。早停逻辑写起来很简单在训练循环里维护一个best_acc计数器即可。5.2 部署阶段请求路径404、RGBA通道与JSON类型错误坑四页面正常打开点击识别按钮后网络请求返回404控制台显示POST /predict not found。原因是表单或fetch的请求路径与Flask路由不匹配。比如前端写的是/predict后端装饰器是app.route(/predict/, methods[POST])多了一个斜杠Flask就找不到对应路由。还有一种情况是前端写成相对路径predict而当前页面URL带了子路径导致请求发到了错误地址。解决方法是统一用绝对路径/predict并确保前后端的methods都包含POST同时检查Flask应用是否真的加载了包含decode路由的模块——有些项目把模型推理写在另一个文件里忘记import这个文件路由自然不存在。坑五上传PNG图片报错提示通道数不对、或JSON返回TypeError: Object of type float32 is not JSON serializable。PNG图片可能带alpha透明通道形状是H×W×4而模型第一层卷积期望3通道输入。虽然代码里写了convert(RGB)但如果这个转换是条件判断里漏掉的或者某些特殊PNG格式没有触发标准解码就会出问题。JSON序列化报错则是概率值类型为torch.float32Flask的jsonify不认识这种类型。解决方案是在后端固定写死img.convert(RGB)并在返回前用float()包裹概率值、int()包裹类别索引确保输出全是Python原生类型。这两个坑通常会同时出现排查时先看PIL是否成功打开了图片再看返回值的类型。6. 用混淆矩阵和单图验证验收模型把误判样本变成下一轮训练数据训练结束不代表事情结束验收才是真正决定这个方案可不可信的关键环节。只看准确率远远不够——如果数据不均衡准确率会骗人。我一般会对测试集跑一次完整的混淆矩阵再随机挑几张单图做手动验证把误判样本单独收集起来。import torch from sklearn.metrics import confusion_matrix, classification_report model.eval() all_preds, all_labels [], [] with torch.no_grad(): for images, labels in test_loader: outputs model(images) _, preds torch.max(outputs, 1) all_preds.extend(preds.tolist()) all_labels.extend(labels.tolist()) cm confusion_matrix(all_labels, all_preds) tn, fp, fn, tp cm.ravel() print(f真健康:{tn} 假不健康:{fp} 漏检:{fn} 真不健康:{tp})看混淆矩阵时有三个数字值得盯紧漏检数fn把不健康牙齿判成健康这是医疗辅助场景最不能接受的假阳性数fp把健康判成不健康会造成不必要的复查以及每个类别的精确率和召回率。如果漏检数偏高说明模型对早期龋齿这类特征不够明显的病变不敏感需要补充这类样本或调整损失权重。把这些误判样本收集到一个misclassified目录和原始数据集放在一起下一轮训练直接加入模型的短板会逐步补齐。单图验证则是模拟真实使用场景从测试集外拿一张照片走一遍Flask的推理链路看页面返回结果是否符合直觉。这一步能同时验证预处理代码、模型加载和前端展示三个环节是否稳定。我第一次做这个项目时就是跳过这一步直接给同事演示结果模型把一张牙冠修复后的照片判定为不健康现场尴尬了三秒。后来总结的教训是任何AI辅助方案在正式使用前至少要拿20张没参与训练的照片做模拟验证并记录置信度分布低于0.75的预测结果宁可不显示也不要给用户一个错误的确定性答案。希望这套经验能帮你在牙齿健康识别这个方向上少走几步弯路直接落到能复现、能交付的状态。本文还有配套的精品资源点击获取
