先说结论这是一个适合 MATLAB 课程设计、毕业设计和 PCA 入门学习的人脸识别源码项目核心算法是 PCA主成分分析也叫特征脸方法不依赖 GPU普通 CPU 就能跑。你不需要懂深度学习也不需要装一堆 Python 环境只要是 MATLAB 能正常打开的机器基本都能运行。这个项目的重点不是模型有多深而是把“人脸识别”这件事用 PCA 降维讲清楚训练集里的人脸怎么转成向量、怎么算平均脸、怎么提取特征脸、怎么把测试图片投影到特征空间最后通过最近邻分类判断它属于哪个人。整套流程跑通之后你可以把原始代码改成自己的数据集也可以进一步加 GUI 界面、批量识别、准确率统计甚至把识别函数封装成接口丢到其他程序里调用。这篇文章会带你完成三件事第一理解 PCA 人脸识别的完整原理和代码结构第二在 MATLAB 中把训练、测试、识别流程跑通并且学会用 ORL 这类公开人脸数据集做验证第三掌握换数据集、调特征数、批量识别、接口封装和常见报错排查的方法。如果你拿到这套源码后不知道从哪下手或者想改造成自己课程设计的版本这篇文章可以直接作为操作手册用。1. 核心能力速览能力项说明项目类型MATLAB 教学/课程设计/毕设级人脸识别系统核心算法PCA 主成分分析基于特征脸Eigenface输入数据灰度人脸图像推荐提前统一尺寸训练方式读取训练集人脸计算平均脸和特征脸保存投影权重识别方式测试图像投影到特征空间最近邻距离分类输出结果识别标签、归一化距离、训练准确率、特征脸可视化运行环境MATLABCPU 即可无 GPU 依赖数据集适配支持 ORL、Yale 等公开数据集也支持自建人脸文件夹批量任务可脚本化批量识别目录内所有测试图片自动统计准确率接口能力原生脚本可封装为函数借助 MATLAB Compiler 可打包为独立程序定制扩展支持改特征数、改距离度量、改图像预处理、加 GUI 界面适合场景机器学习课程作业、毕业设计、PCA 算法演示、人脸识别入门这里要先说明PCA 人脸识别不是深度学习方案它属于经典统计学习优点是代码量小、原理清晰、训练速度快适合作为算法入门和教学演示。缺点也很明显它对光照、角度、表情变化比较敏感不适合在复杂实际场景中做高精度识别。所以拿到源码后第一个心态要摆正——这是很好的学习项目和演示系统但不是生产级安防识别系统。2. 这套系统到底能做什么从功能上拆解这套源码至少覆盖了这几块内容**人脸训练。**把训练集中所有人的图片读进来统一灰度化、统一尺寸接着把每张二维图片拉成一维向量组成样本矩阵。所谓“训练”在这里并不是像神经网络那样做反向传播而是计算一个所有人脸共享的“平均脸”再通过 PCA 提取出最能代表人脸差异的一组特征向量也就是“特征脸”。训练完成后每一张训练人脸都可以用一组低维权重表示。**人脸识别。**当输入一张新的测试人脸时系统会先对它做和训练阶段完全相同的预处理然后把它投影到特征脸空间得到测试人脸的权重向量。接下来计算这个权重向量和所有训练人脸权重向量之间的距离距离最小的那个标签就是识别结果。最常见的是欧氏距离也可以换成余弦距离、曼哈顿距离。**准确率验证。**好的源码不会只给出识别结果还会把测试集里的图片逐张识别一遍统计正确识别的比例。很多课程设计版本还会输出混淆矩阵或者识别错误的人员编号方便你分析哪些人容易被认错。**可视化演示。**这是 MATLAB 项目的常见加分项把平均脸显示出来把前若干个特征脸以图片形式排列展示把训练样本在二维 PCA 坐标空间的分布图画出来。这些图形不仅让答辩更直观也能帮助理解“降维”到底把数据变成了什么样。从源码结构看核心文件通常包括训练脚本、识别脚本、主程序入口、图片预处理函数和显示函数。拿到源码之后第一步不是急着运行而是先看目录结构弄清楚哪几个文件是训练用的、哪几个是测试用的、主入口在哪里。3. PCA 人脸识别原理与数学思路PCA 人脸识别的基本思想是把高维人脸图像映射到低维子空间。假设每张图片是 112×92 像素那么按行拉直后就是一个 10304 维的向量。直接用这个维度做分类计算量大且容易受到噪声干扰。PCA 要做的就是找到一组正交基让所有训练人脸在这些基方向上的投影方差最大这样在保留主要信息的同时降掉冗余维度。训练阶段的数学流程如下设训练集有m张人脸每张人脸拉直成n维向量组成矩阵X所以X的形状是m×n。计算平均脸meanFace mean(X, 1)对所有训练样本求均值。中心化Xc X - meanFace让每个样本减去平均脸。计算协方差矩阵并做特征值分解。标准做法是求Xc * Xc的特征值和特征向量但实际代码里经常用一个小技巧如果样本数m远小于图片维度n可以先求Xc * Xc的特征向量再映射回原空间这样矩阵规模从n×n降到m×m计算速度快得多。对特征值降序排列取前k个特征值对应的特征向量组成“特征脸矩阵”。将每张训练人脸投影到特征脸空间得到训练权重矩阵trainWeights。保存meanFace、特征脸矩阵、训练权重和训练标签测试阶段直接加载这些参数使用。测试阶段的数学流程与之对应读取测试图片灰度化并缩放到相同尺寸。拉直成向量减去平均脸。投影到特征脸空间得到测试权重。计算测试权重与所有训练权重之间的距离取距离最近的类别作为结果。这个流程看起来简单但有两个关键点。第一是特征数的选择k太小可能丢掉了区分不同人所需的重要信息k太大又可能把噪声和光照变化也保留下来导致过拟合。常见做法是设置一个累计贡献率阈值比如取前若干个特征向量使累计方差贡献率达到 95%。第二是图像预处理训练和测试阶段必须使用完全相同的处理方式包括是否灰度化、是否缩放为固定尺寸任何不一致都会导致识别率明显下降。4. 环境准备与数据集选择4.1 MATLAB 环境这套系统对 MATLAB 版本要求不算苛刻常见做法是在 R2018a 到 R2023b 之间运行。如果你的版本比较新R2024a、R2025a 问题也不大核心函数都是 MATLAB 长期稳定的基础功能。需要注意的是尽量不要用太老的版本比如 R2014a 之前的版本因为部分图像处理函数或语法可能与源码不兼容。需要安装的工具箱方面最理想的配置是包含 Image Processing Toolbox这样可以直接使用rgb2gray、imresize等图像处理函数。但实际上如果源码里的图像读取和缩放都是用基础函数实现的即使没有图像处理工具箱单纯用矩阵运算也能完成大部分流程。保险起见建议直接安装完整版 MATLAB避免因为缺少工具箱而报“未定义函数”的错误。4.2 数据集准备人脸识别源码最常见的配套数据集是 ORL 人脸库。ORL 是英国剑桥 Olivetti 实验室公开的人脸数据集包含 40 个人每人 10 张照片图片尺寸为 92×112灰度图像。这个数据集样本量小、类别多、姿势和表情变化适中非常适合 PCA 课程设计演示。在 MATLAB 中组织数据集的推荐方式如下dataset/ train/ class01/ 1.pgm 2.pgm ... class02/ ... test/ class01/ ...你可以把每个人的前 5 张图片放到train对应子文件夹后 5 张放到test对应子文件夹。也可以不按人名分子文件夹而是用文件名前缀区分人员编号比如subject01_01.pgm、subject01_02.pgm。源码的读图逻辑会直接影响数据集组织方式所以在安排目录前先打开源码看它调用的是dir加子文件夹遍历还是直接读取一个图片列表。如果使用自建人脸数据需要注意几个问题图片尽量使用统一背景减少光照变化。人脸区域尽量位于画面中央眼睛大致处于同一水平线。所有图片统一缩放到相同尺寸例如 112×92 或 64×64不要随意混用不同尺寸。图片格式推荐 JPG、PNG、PGM避免使用带图层的 TIF 文件。自建数据集时还有一个隐私问题要特别注意人脸图像属于敏感个人信息如果使用的是自己采集的照片或者实验室拍摄的数据必须确保被拍摄者知情同意并且不能随意公开传播。公开发布源码和测试结果时应优先使用 ORL 这类公开授权的人脸数据集。5. 核心代码流程与实现说明下面给出一套典型的 PCA 人脸识别代码结构方便你对照自己的源码理解。不同版本的源码在变量命名和函数组织上会有差异但总体流程基本一致。5.1 训练阶段% train_pca.m % 训练 PCA 人脸识别模型 clear; clc; close all; % 参数设置 trainDir dataset/train; imgSize [112, 92]; numComponents 40; % 保留的特征脸数量可按需调整 % 读取训练集 files dir(fullfile(trainDir, **, *.pgm)); numTrain numel(files); if numTrain 0 files dir(fullfile(trainDir, **, *.jpg)); numTrain numel(files); end X zeros(numTrain, prod(imgSize)); trainLabels zeros(numTrain, 1); for i 1:numTrain img imread(fullfile(files(i).folder, files(i).name)); if size(img, 3) 3 img rgb2gray(img); end img imresize(img, imgSize); X(i, :) reshape(img, 1, []); % 从文件夹名提取标签例如 dataset/train/class01/ [~, folderName] fileparts(files(i).folder); trainLabels(i) str2double(regexp(folderName, \d, match, once)); end % 平均脸 meanFace mean(X, 1); % 中心化 Xc X - meanFace; % 小样本技巧先算 Xc * Xc 的特征分解 [U, D] eig(Xc * Xc); d diag(D); [~, idx] sort(d, descend); U U(:, idx); % 映射回原空间得到特征脸 eigFaces Xc * U; eigFaces eigFaces ./ sqrt(sum(eigFaces.^2, 1)); % 只保留前 numComponents 个主成分 eigFaces eigFaces(:, 1:numComponents); % 训练样本投影到特征空间 trainWeights Xc * eigFaces; % 保存模型 save(pca_model.mat, meanFace, eigFaces, trainWeights, trainLabels); disp(PCA model trained and saved.);这段代码有几个值得注意的地方。dir(fullfile(trainDir, **, *.pgm))在较新版 MATLAB 中支持递归遍历子文件夹如果你的 MATLAB 版本较旧可能需要改成genpath配合dir的写法。标签提取方式依赖文件夹命名规则如果你手里的源码用的是图片文件名提取标签需要相应调整。特征脸数量numComponents不能超过训练样本数否则后续索引会越界。5.2 识别阶段% recognize_face.m % 对单张测试图片进行识别 function label recognize_face(img, modelFile) load(modelFile, meanFace, eigFaces, trainWeights, trainLabels); if size(img, 3) 3 img rgb2gray(img); end img imresize(img, size(meanFace)); vec reshape(img, 1, []); w (vec - meanFace) * eigFaces; % 欧氏距离最近邻 dist sum((trainWeights - w).^2, 2); [~, minIdx] min(dist); label trainLabels(minIdx); end这个函数把识别流程封装成了单一入口输入是测试图像和模型文件路径输出是识别到的类别标签。封装成函数的好处是方便后续批量调用你不用每次重复写投影和距离计算的代码。如果某个版本源码里没有独立函数而是把这段逻辑写进了主脚本你也可以照着这个思路重构不会影响原有功能。5.3 批量测试与准确率统计% evaluate_pca.m % 遍历 test 目录批量识别并统计准确率 testDir dataset/test; files dir(fullfile(testDir, **, *.pgm)); numTest numel(files); correct 0; results []; for i 1:numTest img imread(fullfile(files(i).folder, files(i).name)); predLabel recognize_face(img, pca_model.mat); [~, folderName] fileparts(files(i).folder); trueLabel str2double(regexp(folderName, \d, match, once)); results [results; trueLabel, predLabel]; if predLabel trueLabel correct correct 1; end end accuracy correct / numTest; fprintf(识别准确率: %.2f%%\n, accuracy * 100);这一段其实就是“批量任务”的核心思路把单张测试封装成函数之后循环遍历文件夹里的所有图片逐个识别并记录结果最后统计准确率。实际做课程设计时还可以把错误样本的图片路径打印出来方便排查具体是哪一类容易被误判。6. 运行测试与效果验证拿到源码后我建议按照下面的顺序做一轮完整测试每完成一步就确认一次结果避免最后一次性运行一堆代码报错后无从排查。6.1 第一步先跑通单张图片识别用训练集里的一张图片作为输入调用识别函数看返回标签是否正确。这一步的目的是验证“训练-加载模型-投影-查最近邻”这条链路是否通畅。如果单张识别标签正确说明代码主体逻辑没有大问题。6.2 第二步跑完整测试集并统计准确率运行批量测试脚本观察最终准确率。在 ORL 数据集、每人 5 张训练 5 张测试、保留 20~40 个特征数的常见配置下准确率通常能达到 85%~95% 左右。如果你的结果明显低于这个区间优先检查以下几点训练集和测试集是否重叠有没有同一张图片既参与训练又参与测试。训练和测试的预处理是否一致比如训练时缩放到 112×92测试时也必须是 112×92。每个人训练图片数量是否过少如果每人只有 1~2 张识别率会明显下降。特征数是否太小比如只保留 5 个特征信息量可能不够。图片对齐情况是否理想如果人脸位置和角度差异较大识别率会受影响。6.3 第三步可视化验证通过显示平均脸和特征脸可以直观判断 PCA 是否正常工作。平均脸应该是一张轮廓模糊、五官位置相对居中的“合成人脸”。前几个特征脸会呈现不同的明暗分布有的偏向光照方向变化有的偏向面部轮廓变化。你可以用下面的代码查看前 N 个特征脸load(pca_model.mat, eigFaces, meanFace); figure; numShow min(10, size(eigFaces, 2)); for i 1:numShow subplot(2, 5, i); faceVec meanFace eigFaces(:, i) * 3; % 放大差异 imshow(uint8(reshape(faceVec, 112, 92)), []); title(sprintf(特征脸 %d, i)); end注意这里把特征脸乘以一个系数再显示是为了放大差异否则特征脸图像可能对比度很低看起来像一片灰色噪声。6.4 第四步特征数对准确率的影响实验这是课程设计和毕业设计经常要求做的实验。依次设置numComponents为 5、10、20、30、40、50分别训练模型并统计测试准确率最后画出“特征数-准确率”曲线。你会发现开始时准确率随特征数快速上升到某个值后趋于平缓甚至因为保留过多噪声而轻微下降。这个实验能证明你对 PCA 降维原理的理解是答辩时的加分项。7. 系统定制与扩展7.1 换成自己的数据集换数据集时不仅要换图片文件还要检查标签提取逻辑。如果源码用文件夹名作为人员编号你的自建数据集也必须遵循同样的目录组织方式。如果不想改目录结构可以保持文件夹名不变只替换里面的图片内容。这是最省事的方案。如果是用人脸检测算法先把原始照片里的人脸区域裁剪出来再统一缩放PCA 的识别效果会更好。这里要注意裁剪人脸区域时需要保证测试阶段使用相同的裁剪规则否则人脸位置偏移会严重影响特征脸投影结果。7.2 调整距离度量欧氏距离是最常见的分类度量但你可以尝试余弦距离cosDist 1 - (trainWeights * w) ./ (vecnorm(trainWeights, 2, 2) * norm(w));如果训练样本权重已经做过归一化余弦距离等价于归一化后的欧氏距离结果差异不大。但在光照变化较明显的数据集上余弦距离有时比欧氏距离更稳定。你可以把距离函数抽出来做成一个可切换的配置项方便实验对比。7.3 增加 GUI 界面MATLAB 课程设计里如果只是脚本运行展示效果相对单薄。加一个 GUI 界面用uifigure或传统figure加按钮控件可以让系统看起来更完整。典型布局是一个“选择测试图片”按钮一个显示图片的坐标区一个显示识别结果的文本框再加一个“开始识别”按钮。核心逻辑还是调用recognize_face函数GUI 只负责交互和数据传递。7.4 封装函数接口与批量调用如果你希望把这套识别能力集成到其他 MATLAB 脚本中建议把所有逻辑收敛成三个函数trainPcaModel(trainDir, numComponents, modelFile)recognizePca(img, modelFile)evaluatePcaDataset(testDir, modelFile)这样外部调用者不需要关心内部 PCA 流程只要传入图片路径就能拿到识别结果。后续如果要接到实时摄像头也可以把相机采集的画面逐帧传入recognizePca实现实时识别雏形。如果还想脱离 MATLAB 环境运行可以借助 MATLAB Compiler 将程序打包成独立 exe 或 DLL但这一步需要额外的编译器支持而且打包体积较大。课程设计阶段通常没有必要直接提供源码加说明文档即可。8. 接口能力与批量任务说明很多人问这套 PCA 人脸识别系统能不能当接口用。从源码交付形式来看它首先是 MATLAB 脚本不是常见的 Web API。但“接口能力”可以从两个层面理解第一层MATLAB 内部函数接口。当你把训练和识别逻辑封装成trainPcaModel和recognizePca之后任何其他 MATLAB 脚本都可以通过函数调用的方式使用这套识别能力。例如你可以写一个循环批量识别 1000 张图片并对每张图片输出预测标签imgDir data/large_test; files dir(fullfile(imgDir, *.jpg)); labels zeros(length(files), 1); for i 1:length(files) img imread(fullfile(imgDir, files(i).name)); labels(i) recognizePca(img, pca_model.mat); end save(batch_results.mat, labels);第二层跨语言接口。MATLAB 可以通过 MATLAB Engine API 实现与 Python、C/C 的交互。例如在 Python 中调用matlab.engine启动 MATLAB 引擎调用封装好的识别函数。这一方案要求本机已经安装 MATLAB 和对应版本的 Engine 接口过程相对繁琐。另一种方案是使用 MATLAB Compiler SDK 将函数编译成 Java JAR 包或 Python 包让外部程序调用。这两种方案都不适合新手课程设计阶段建议先把 MATLAB 内部的函数封装做好跨语言集成本身已经超出 PCA 人脸识别源码的核心范围。关于批量任务有几个经验值得参考批量识别前先做一次单张测试确认模型加载和识别流程正常。批量识别中不要反复加载pca_model.mat最好在主脚本开始位置加载一次把meanFace、eigFaces、trainWeights、trainLabels作为变量传递。如果图片数量很大比如几千张可以在循环里加入进度输出用fprintf或waitbar显示进度。MATLAB 的parfor可以并行加速批量识别但要注意parfor循环体内不能有依赖前一次循环结果的变量而且模型变量需要作为广播变量处理。parfor i 1:numTest img imread(...); predLabel(i) recognizePca(img, pca_model.mat); end不过 ORL 数据集规模很小几十到几百张图片用普通for循环就够了没必要刻意用并行反而增加调试复杂度。9. 资源占用与性能观察PCA 人脸识别属于典型的轻量级计算任务不需要 GPU。整个训练过程的核心计算是特征值分解矩阵规模取决于训练样本数和图片维度。在 ORL 数据集 40 类、每人 5 张训练、共 200 张训练图片、每张 112×92 的场景下数据矩阵是 200×10304。如果使用Xc * Xc的优化做法实际分解的矩阵是 200×200规模很小普通 CPU 上训练时间通常在一秒以内加上图片读取和预处理整体也就几秒。显存方面这个项目完全不涉及 GPU 显存。如果你的同学在讨论“几 GB 显存能跑”那是在说深度学习人脸识别和 PCA 不是一回事。PCA 人脸识别更依赖 CPU 单核性能和内存大小内存需求通常在几百 MB 到一两 GB 之间和 MATLAB 软件本身的占用相当。性能观察时主要看几个指标训练脚本的耗时用tic和toc包裹训练过程记录耗时。批量测试的总耗时用tic和toc包裹整个循环计算平均单张识别耗时。每一轮特征数实验的训练和识别耗时变化。如果你把图片放大到 224×224 甚至更高图像向量维度会显著增长但特征分解因为使用了小样本技巧矩阵规模仍然只受训练样本数影响所以计算时间不会有特别明显的上升。真正变慢的反而是图片读取、缩放和矩阵乘法因为每个样本的维度变大了。实际项目中建议保持 64×64 到 112×92 之间的分辨率既保留足够的人脸信息又不会让文件体积和预处理时间失控。10. 常见问题与排查方法问题现象可能原因排查方式解决方案运行训练脚本报错“未定义函数或变量”路径未设置、缺少工具箱、函数文件未加入路径检查函数名是否拼写正确运行which 函数名查看路径将源码文件夹加入 MATLAB 路径或cd到源码目录读取图片返回 0 个文件文件夹路径不对或dir递归匹配不支持**在命令窗口打印files数量检查路径是否存在改用genpath遍历子文件夹或把图片统一放到一个目录dir递归遍历在旧版 MATLAB 中无效MATLAB 版本较旧不支持**通配符查看 MATLAB 版本运行version改为dir(fullfile(trainDir, *.pgm))配合手动遍历子目录特征值出现复数协方差矩阵非对称或数值精度问题检查Xc是否为double类型打印特征值虚部使用[V, D] eig((A A) / 2)强制对称化识别准确率非常低标签提取错误、训练测试预处理不一致、特征数太小打印前 5 个样本预测标签和真实标签对比预处理代码统一预处理流程调整特征数检查标签提取规则提示“索引超出数组元素数目”numComponents大于训练样本数打印size(eigFaces, 2)和numComponents将numComponents设为不超过训练样本数的值训练图片读取顺序乱dir返回的文件顺序不是按名字排序打印files名称列表观察排序用natsortfiles或按照数字排序后再读取内存不足或运行缓慢图片尺寸过大、样本数过多、MATLAB 占用过高使用memory查看内存状态缩小图片尺寸减少同时加载的图片数量中文路径导致读图失败MATLAB 对中文路径兼容性不佳打印files(i).folder确认是否包含中文字符将数据集放到纯英文路径下例如D:\face_data\train批量识别结果全为同一类最近邻距离计算写错权重矩阵维度不对打印size(trainWeights)和size(w)检查维度是否匹配确保w是 1×ktrainWeights是 m×kGUI 中图片显示为空白图像矩阵被转换为 double 后未做归一化检查imshow之前的数据类型和范围使用imshow(uint8(img))或imshow(img, [])大部分报错都集中在路径、数据类型和矩阵维度这三个方面。遇到问题先看变量维度再看数据类型最后看路径。MATLAB 报错信息虽然有时不够直观但它会直接告诉你出错的代码行顺着报错行往前查变量通常能快速定位。11. 使用边界与合规提醒人脸识别系统涉及人脸图像这种敏感数据使用边界问题必须说清楚。数据集授权。ORL、Yale、CelebA 等公开人脸数据集各有不同的使用许可学术用途通常允许但有些数据集禁止商业使用。在自己的论文、博客或课程设计报告中引用数据集的图片时要标明数据集来源遵守数据集的使用条款。如果数据集声明“仅限非商业研究使用”那就不能把它打包进商业产品发布。自采人脸数据。如果你自己拍摄或收集他人人脸照片作为训练数据必须获得被拍摄人的明确同意并明确告知数据用途、存储方式和保留期限。未经授权采集和使用人脸数据可能违反个人信息保护法这不是可以忽视的条款。结果展示。在博客或答辩演示中展示识别结果时尽量使用公开数据集的图片或者使用经过脱敏处理的合成人脸不建议直接展示真实人员的姓名、照片和识别结果的对应关系。模型能力边界。PCA 人脸识别不等于安全身份认证。它虽然能完成基础分类但在实际场景中很容易被角度、光照、遮挡影响也不具备活体检测能力。不要把它描述成“可用于安防级别的人脸验证系统”也不要用于未经授权的身份识别场景。做一个课程设计和算法演示工具是这套源码最合适的定位。12. 总结与下一步这个项目最值得尝试的点在于用很短的代码量把 PCA 从公式变成可运行的系统。你不需要搭建复杂的深度学习框架也不需要准备大规模数据集只要一套 MATLAB、一个公开人脸数据集就能完整体验“训练-特征提取-分类识别”的经典机器学习流程。对刚接触人脸识别或者正在做课程设计的同学来说这是低成本、高收益的入门项目。拿到源码后最先应该验证的功能是单张图片识别和测试集准确率统计。先确认主流程能跑通再去做特征数实验和 GUI 扩展。最容易踩的坑就是训练集与测试集数据目录不一致、图片预处理方式不统一以及 MATLAB 递归读取文件的兼容性问题。这三类问题占了新手报错的大半。后续可以继续扩展的方向比较明确一是把 PCA 换成 LDA线性判别分析做基于 Fisherface 的识别对比实验二是引入直方图均衡化或光照归一化预处理提升在光照变化下的表现三是把人脸检测器加进来实现“检测-对齐-识别”的完整流程四是把识别函数封装成 Python 可调用接口做跨语言演示。每一步扩展都不需要重构现有源码在这个项目的基础上叠加即可。建议先把源码完整跑通再动手改代码。运行时注意把数据集、模型文件和输出结果分目录存放模型每次重新训练后覆盖更新批量测试结果单独保存。这样即使后续改乱了也可以随时恢复到稳定版本。如果这篇文章对你有帮助建议收藏备用后面做课程设计或毕业设计时直接对照操作。