图像分类任务

图像分类用于识别输入图像的视觉内容，并将其划分到预先定义好的类别中。图像分类任务通常遵循“数据准备 - 模型训练 - 模型预测”的流程：先按类别整理图像数据；再通过预训练模型进行迁移学习，或从零开始训练神经网络，让模型学习不同类别的视觉特征；最后使用训练完成的模型，对新的图像进行类别预测并输出分类结果。

本次使用的数据集为工业零件表面缺陷样本，包含bent（弯曲）、flip（翻转）、good（合格）、scratch（划痕）四类，样本以类别文件夹区分，将这些类别文件夹整体打包为 ZIP 格式，即可直接导入平台用于后续训练。

图像数据上传

进入已创建的项目，在流程界面点击【导入数据】，然后选择【文件夹】。

选择导入文件夹

在弹出的【新增文件夹】窗口中，选择待训练的图像数据集压缩包（ZIP 格式）。

导入训练图像压缩包

转换文件列表

在流程界面选中已导入的图像文件夹节点（如 train_augment），在右侧【通用方法】中点击【获取文件列表】。

选择获取文件列表算子

在弹出的窗口中确认输入文件夹，设置输出数据集名称和格式（如 CSV），然后点击【确认】进入配置页面。

配置文件列表输出数据集

在【获取文件列表】配置页面，由于本示例的分类标签位于文件夹的第二层级，点击【添加层级】，将层级设置为 2，列名设置为 class。运行后，生成的文件列表会新增 class 列，用于后续模型训练。

配置文件夹层级与分类标签列

完成配置后，点击【运行】。流程画布中会生成文件列表数据集节点。

生成文件列表数据集

双击流程画布中生成的文件列表节点，即可打开对应数据集，查看结构化后的图像文件明细数据，包括文件路径、文件名称、扩展名、文件大小、最后修改时间和分类标签（class）。确认 class 列能正确显示类别后，即可用于后续图像分类训练。

查看生成的图像文件列表

图像分类模型训练

在流程画布中选中train_augment文件列表数据集节点，在右侧「机器学习」分类下点击【图像分类】算子，即可创建图像分类训练任务。在弹出的配置窗口中，完成参数关联：选择输入数据集、指定分类标签列（如class）、关联原始图像文件夹，确认配置后进行图像分类配置和训练。

选择图像分类算子

配置图像分类初始参数

进入项目「实验」模块的图像分类训练界面，可进行具体参数的配置，核心基础配置包含数据源、配置参数、评价指标等。

数据源配置，需手动指定分类标签列、存储图像文件路径的列，并关联原始图像的存储目录，完成训练数据的关联与校验，界面右侧同步展示样本预览图与各类别占比，用于快速校验数据完整性与类别分布合理性。

配置图像分类训练数据源

训练集/测试集分为测试集拆分与模型训练两类参数，测试集拆分可自定义分割方法、训练集占比与随机种子，固定拆分结果以保证实验可复现。

配置训练集和测试集

配置参数，模型训练参数支持选择 EfficientNet-B4 等主流预训练模型，自定义微调层数、优化器、初始学习率、学习率调度器、批量大小与训练轮数，支持早停，可灵活适配不同数据集与任务需求。本案例将【微调层数】设置为2，取消【早停】。

配置图像分类训练参数

配置图像分类模型参数

评价指标配置，可按需勾选 ROC AUC、精确率、召回率、F1 Score、准确率、对数损失等多维度评估指标，用于训练后全面衡量模型分类效果。

配置图像分类评价指标

数据增强中可以选择是否启用随机翻转、随机旋转、随机裁剪、颜色扭曲和高斯模糊。

在高级配置中选择相应的运行环境。

所有参数配置完成后，点击【训练】按钮，系统将弹出训练配置弹窗。在弹窗中可选择是否启用 GPU 加速训练，填写任务名称（必填）与任务描述，确认训练集、测试集数据量无误后，再次点击【训练】，即可启动图像分类模型的训练任务。

启动图像分类训练

点击【训练】启动任务后，系统自动跳转至「训练结果」页面，界面将实时更新训练进度与模型性能变化。页面左侧展示历史训练任务列表，右侧核心区域通过 ROC-AUC 曲线、Loss 曲线动态呈现训练集与验证集的模型性能随 Epoch 的迭代过程，同步展示训练进度圆环、实时评估得分；训练完成后，页面将完整呈现最终评估结果、训练集 / 测试集数据量与总训练时长。

查看图像分类训练结果