一、先明确目标与数据规模
训练图像分类器的第一步不是写模型，而是定义分类体系：每个类别要有清晰、互斥的判定标准。建议先做小规模验证——每类 100~300 张图，跑通全流程后再扩量。类别边界模糊（如"运动风"与"休闲风"）会直接导致标注噪声，模型再强也救不回来。
二、数据标注：一致性比数量更重要
常用工具：LabelImg（目标检测）、Label Studio、CVAT，纯分类任务用文件夹分目录即可。
关键实践：
- 先写标注规范：用文字定义每个类别的"包含"与"排除"，附正反例图。
- 双人交叉标注：抽 10% 样本让两人独立标注，计算一致率。若低于 90%，说明规范有歧义，先改规范再继续。
- 划分数据集：训练/验证/测试通常按 7:1.5:1.5 或 8:1:1。划分必须在标注完成后按样本随机进行，避免同一来源的相似图跨集泄漏（比如同一段视频的连续帧）。
- 测试集只碰一次：调参阶段只看验证集，最终评估才用测试集。
三、数据增强：让小数据也能泛化
增强的目的是模拟真实场景中的变化，而不是无意义地扭曲图像。
- 基础且安全：随机水平翻转、小角度旋转（±15°）、随机裁剪、亮度/对比度微调。
- 谨慎使用：垂直翻转（对自然图像通常不合理，对卫星图可能合理）、大角度旋转、强色彩抖动。
- 注意标签一致性：分类任务中翻转不改变标签；但如果类别依赖方向（如"左转箭头"），翻转会破坏标签。
在 PyTorch 中，torchvision.transforms 提供 RandomHorizontalFlip、RandomResizedCrop、ColorJitter 等，训练时开启、验证与测试时关闭（只做 resize 和归一化）。归一化参数应与预训练模型一致，例如 ImageNet 的均值 [0.485, 0.456, 0.406]、标准差 [0.229, 0.224, 0.225]。
四、训练与过拟合判断
小数据集建议用迁移学习：加载预训练骨干网络（如 ResNet 系列），替换最后的全连接层为你的类别数，先冻结骨干只训练分类头，再解冻微调。
判断是否过拟合，看三条曲线：
- 训练损失持续下降，验证损失先降后升：典型过拟合。
- 训练准确率接近 100%，验证准确率明显偏低且差距扩大：过拟合。
- 训练与验证损失都高且不降：欠拟合，应增大模型或延长训练。
应对过拟合的手段按性价比排序：
- 增加数据或更强的合理增强；
- 使用预训练权重（最有效）；
- 加入权重衰减（如 AdamW 的 weight_decay）与 Dropout；
- 早停：监控验证损失，连续若干轮不改善就停止并回滚到最佳权重；
- 降低模型容量。
五、评估与常见坑
类别不平衡时，准确率会失真，应看每类精确率/召回率和混淆矩阵。常见坑包括：
- 数据泄漏：同一物体的多张照片分到了训练和测试集；
- 增强用在验证集上，导致指标虚高；
- 只调模型不查数据，忽略标注错误。
先保证数据干净、划分正确，再谈模型结构，这是从零训练分类器最稳的路径。