第一幕 · 认识参赛选手
这是小蓝，一名
普通的大一新生
他看到“人工智能模型训练赛”几个字，第一反应不是兴奋，而是有点害怕。
🧑🏻💻
“我没学过 AI，也没做过项目，真的能参加吗？”
比赛说明
不需要从头造模型
☀️☁️🌧️❄️
✓ 主办方提供现成的基础模型
✓ 提供可以直接运行的示例代码
✓ 先完成基础流程，再逐步提高成绩
AI 人工智能图像分类模型训练赛
01 / 12
这是小蓝，一名
第二幕 · 比赛开始
所有选手拿到完全相同的比赛材料
不需要自己准备模型，也不需要高性能电脑。隐藏测试集由比赛系统保管。
基础模型已经具备基础识图能力
4000张训练图片每张图片都带有正确答案
简短示例代码基础流程已经提前写好
验证集用于查看修改后的模型效果
第三幕 · 第一次训练
小蓝紧张地打开代码，
却发现基础流程很短
1 读取训练图片
2 载入主办方提供的基础模型
3 开始训练
4 查看验证集成绩
5 保存训练好的模型
2 载入主办方提供的基础模型
3 开始训练
4 查看验证集成绩
5 保存训练好的模型
😮
“原来不用写一大堆代码，先运行起来就可以！”
第一次训练结果
62
基础成绩验证集成绩：会运行不难，但62分还不够。
第四幕 · 观察结果
小蓝查看验证集：模型为什么会认错？
☁️阴天
被认成晴天×
被认成晴天×
🌧️雨后道路
被认成阴天×
被认成阴天×
❄️夜间雪景
图片太暗×
图片太暗×
☀️倾斜图片
角度不同×
角度不同×
🧑🏻💻
💡
“真实图片不会
永远这么标准！”
“那我增加一些不那么标准的训练图片，让模型提前见过这些情况。”
第五幕 · 先验证自己的想法
小蓝手动修改了50张训练图片
他把部分图片翻转、裁剪、变暗或轻微模糊，再交给模型学习。
🏔️
手动处理训练图片50张已处理
3950张未处理
🏔️
左右翻转🏔️
局部裁剪🏔️
变暗🏔️
轻微模糊🏔️
透明叠加🏔️
轻微旋转🖼️🖼️🖼️
🤖
交给模型训练验证成绩：62 → 65
方法确实有效，但手动处理效率太低。手动处理的现实问题才处理50张，
才处理50张，
小蓝已经累坏了
🖼️🖼️🖼️🖼️
手动修改能够提高成绩，但剩下还有3950张图片，比赛时间根本不够。
😫 又慢又累
小蓝想起 Python 课
让程序自动处理，
不用手动改每一张
🧑🏻💻
💡
老师上课讲过：
可以用 Python 批量处理图片
可以用 Python 批量处理图片
翻转概率 = 0.5
旋转角度 = 10
亮度变化 = 0.2
模糊概率 = 0.1
旋转角度 = 10
亮度变化 = 0.2
模糊概率 = 0.1
✅ 修改少量设置
✅ 程序自动生成图片变化
✅ 只处理训练图片
第七幕 · 成绩反而下降
小蓝发现：变化不是越多越好
第一次让程序自动处理后，验证集成绩从65分下降到了58分。
🖼️
自动处理图片
自动处理图片
🤖
训练模型
训练模型
📉
验证成绩下降
验证成绩下降
🔍
先思考原因
先思考原因
↻
成绩为什么下降？
手动处理65
变化太多58
小蓝想到：是不是有些图片变得太模糊，已经失去了原本的内容？
小蓝的判断有些图片已经太模糊，
有些图片已经太模糊，
看不清原来的内容
🏔️🏔️🏔️
这样的图片继续加入训练，可能只会干扰模型，而不是帮助模型。
“我先减少模糊图片，再看看验证成绩。”
第八幕 · 重新处理训练图片
减少没有意义的变化
✅ 保留清晰的原始图片
✅ 降低模糊出现的概率
✅ 保留适度的翻转和明暗变化
✅ 再次训练模型
只处理训练图片，验证集继续用来观察效果。
重新训练后的验证成绩
83
成绩提高
从58分回到83分。
第九幕 · 找到合适的平衡
图片有变化，
但仍然保留真实内容
🧑🏻💻
🤖
小蓝发现，训练不是变化越多越好，而是要让模型看到合理、真实的不同情况。
验证集成绩基本稳定
☀️🌧️☁️❄️
☁️☀️❄️🌧️
小蓝又尝试了几次，成绩已经没有明显提高。
第十幕 · 比赛最后阶段
🧑🏻💻
→🤖
准确度差不多了，准备提交模型
小蓝检查训练好的模型和程序，确认文件可以正常运行。
第十一幕 · 提交完成
🧑🏻💻
→🤖
模型和程序已经提交
小蓝看不到最终测试图片，也看不到测试答案。
✓ 等待系统统一评测
系统保管的隐藏测试集
🔒🔒🔒🔒
🔒🔒🔒🔒
系统在后台调用每位选手的模型，用同一批隐藏测试图片统一评分。
隐藏测试集识别正确 850 / 1000
85
最终成绩
数天后，比赛结束，系统公布最终成绩。
🧑🏻💻
🤖
第十二幕 · 赛后公布
同一套比赛方式，
还可以不断更换主题
♻️垃圾分类
🌿病虫害识别
🚦交通场景识别
⚙️工业缺陷识别
会运行不难，做得更准有挑战。