# fog pollution

**Repository Path**: qyp2025/fog-pollution

## Basic Information

- **Project Name**: fog pollution
- **Description**: 图像处理课程设计
- **Primary Language**: Unknown
- **License**: Not specified
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 0
- **Created**: 2026-06-23
- **Last Updated**: 2026-06-23

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# 雾霾图像二分类检测系统

## 项目简介

本项目基于PyTorch深度学习框架，采用轻量化ResNet18残差网络实现户外实景图片**有无雾霾二分类识别**。项目完整包含数据集加载、数据增强、迁移学习模型训练、单张图片交互式预测、测试集批量统计验证全套功能，自动适配CPU/NVIDIA GPU运行，适用于物联网图像识别课程设计。

## 项目目录结构
![输入图片说明](https://foruda.gitee.com/images/1782211108075358626/c7eb4e6c_16226379.png "屏幕截图")


## 运行环境与依赖安装

### 基础要求

- Python 3.8 ~ 3.11
- Windows 操作系统，支持NVIDIA GPU加速（无显卡自动使用CPU）

### 一键安装依赖

打开终端/CMD，进入项目根目录执行：

```bash
pip install torch torchvision pillow tqdm numpy
```

若使用项目内venv虚拟环境，需先激活虚拟环境再执行安装命令。

## 数据集规范

1. 数据集存放于 fog_dataset 文件夹，层级不可修改；

2. train 文件夹必须划分两类子文件夹：

   no_smog：存放通透无雾霾户外图片

   smog：存放薄雾、浓雾等含雾霾场景图片

3. test 文件夹直接放入任意待检测图片，无需分类；

4. 支持图片格式：.jpg、.png、.jpeg。

### 脚本使用流程（必须按顺序执行）

#### 模型训练（第一步优先运行）

`python main.py`

核心功能：

1. 加载训练集，使用随机翻转、旋转、色彩抖动做数据增强，缓解过拟合；
2. 基于 ImageNet 预训练 ResNet18 迁移学习，替换输出层适配 2 分类任务；
3. 优化器选用 Adam，损失函数为交叉熵 CrossEntropyLoss；
4. 每 3 轮自动在 test 数据集验证精度，自动保存全局最优权重 smog_classify.pth；
5. 自动检测 CUDA 显卡，有 GPU 则开启硬件加速，无显卡切换 CPU 训练；
6. 自动过滤损坏、无法读取的图片，不会中断训练流程。

#### 单张图片交互式预测



- 训练生成smog_classify.pth权重文件后执行：
`python predict.py`
- 运行逻辑：
控制台输入图片本地路径，程序输出预测类别与置信度百分比；
输入 q / quit / exit 即可退出交互预测模式。







#### 测试集批量自动验证

`python verify_test.py`
自动遍历fog_dataset/test内全部图片批量推理，输出完整统计信息：

- 测试集总图片数量
- 有雾霾 / 无雾霾样本数量与占比
- 每张图片文件名、预测类别、置信度明细汇总表格

## 模型核心超参数

| 参数项             | 配置值                  |
| ------------------ | ----------------------- |
| 骨干网络           | ResNet18                |
| 输入图像尺寸       | 224 × 224               |
| 批次大小 BatchSize | 16                      |
| 总训练轮数 EPOCHS  | 15                      |
| 初始学习率         | 1e-4                    |
| 学习率衰减周期     | 每 5 轮衰减 50%         |
| 损失函数           | 交叉熵 CrossEntropyLoss |
| 优化器             | Adam 自适应优化器       |

## 文件夹说明


- .idea：PyCharm 生成的工程配置文件，无代码逻辑；
- venv：本地 Python 虚拟环境文件夹，体积较大，代码打包提交时可删除，运行时重新安装依赖即可；
- smog_classify.pth：训练产出的模型权重，保留用于预测。


### 常见运行问题排查

1. 报错找不到 fog_dataset 文件夹

   确认根目录下文件夹名称为fog_dataset，大小写、拼写无错误；

2. 预测提示不存在 smog_classify.pth

   先运行main.py完成训练，等待权重文件自动生成；

3. CPU 训练速度极慢

   电脑配备 NVIDIA 独立显卡，安装 CUDA 版本 PyTorch 后程序自动启用 GPU 加速；

4. 预测置信度普遍偏低

   扩充训练数据集，增加不同光照、不同雾霾浓度的实景样本；

5. 读取图片时报错损坏

   程序内置容错机制，会自动跳过损坏图片，不中断训练 / 预测。