summary_report_final.txt

四川传媒学院实验（训）总结报告
姓名                            学号
专业.年级.班级   2024级计算机科学与技术本科01班
课程名称   人工智能应用实践        成绩
报告内容：【1.主要内容    2.完成情况   3.心得体会】

1. 主要内容
本学期《人工智能应用实践》课程围绕“乐高积木图像识别项目”展开，整体工作按照“项目规划与数据准备—模型设计与训练—应用开发与优化”三条主线逐步推进。我在项目实施过程中，综合使用了 Trae IDE、Codex、Git、Python、PyTorch、Streamlit、Plotly 等工具，完成了从需求分析、数据处理、模型训练到 Web 应用部署的完整实践流程。

在项目规划与数据准备阶段，重点完成了项目需求分析、目录结构设计、依赖环境配置、Git 仓库初始化、数据质量检查、统一命名、尺寸预处理和训练集/验证集/测试集划分等工作。通过这一阶段的实践，我建立了较为完整的 AI 辅助开发工作流，并理解了规范数据集对于后续模型训练和部署的重要意义。

在模型设计与训练阶段，完成了自定义 LegoDataset、DataLoader、卷积神经网络模型、前向传播验证、参数统计、批量可视化以及多组超参数对比实验。结合 batch size、learning rate、epoch、dropout、优化器、模型宽度与深度等实验结果，最终确定了以 4 组“卷积—池化”循环为核心的 baseline CNN 方案，并完成最佳模型保存、测试集评估以及训练过程分析。

在应用开发阶段，围绕 Streamlit 多页面应用搭建了图片识别系统，完成了模型加载、图片预处理、前向推理、Softmax 概率输出、结果解析、Plotly 概率分布图展示、示例体验页、关于页、识别历史、摄像头拍照识别以及界面样式优化等功能。同时，为提升实拍图片的稳定性，又进一步加入了抗阴影双路推理策略，对系统的鲁棒性进行了增强和验证。

2. 完成情况
（1）完成了项目整体规划、需求分析和标准化目录结构设计，建立了基于 Git 的版本管理流程，并完成依赖安装、环境配置与基础项目初始化。

（2）完成了数据集整理与预处理工作，构建了当前 7 类 Brick 数据集。根据现有统计结果，共整理图像 213 张，并完成训练集、验证集、测试集的分层划分，为模型训练提供了规范输入。

（3）完成了第二阶段模型设计与训练主线，实现了自定义数据集加载、CNN 网络搭建、可视化验证、超参数对比实验、Early Stopping、模型保存和测试集最终评估。最终保留的主力模型为 4 层卷积池化循环的 baseline CNN，在原始测试集复核中达到 87.5% 的识别准确率。

（4）完成了第三阶段 Streamlit Web 应用开发，已实现多页面导航、图片上传识别、摄像头拍照识别、Top-K 概率展示、Plotly 可视化、示例页面展示、关于页面、识别历史记录、边界情况处理以及界面样式优化等功能，具备较完整的端到端演示能力。

（5）完成了针对实拍阴影干扰问题的进一步优化。通过测试不同预处理和推理策略，最终采用“原图推理 + 抗阴影预处理推理 50/50 融合”的方法提升系统稳健性。按当前代码路径复核，应用侧测试结果达到 93.75%（30/32），相比单路推理有明显改善。

（6）完成了 GPU 训练环境切换、应用调试、前后端联调、错误修复和多轮回归测试。对于 Plate 类别扩展与 Brick+Plate 联合模型替换，已完成方案分析、流程预留与可行性验证，但后续仍可继续补充更稳定的数据采集和联合训练实验。

总体来看，本项目已经完成了课程要求中的主要实验内容，覆盖了“数据准备—模型训练—应用实现—功能优化”的完整链路，并形成了可运行、可测试、可展示的课程成果。

3. 心得体会
通过本次课程实践，我对人工智能项目的完整开发流程有了更加系统和具体的认识。以前对深度学习的理解更多停留在“训练模型”层面，而这次真正从数据准备、需求分析、代码组织、训练调参、结果验证一直做到应用部署，体会到一个项目能否落地，远不只是模型本身是否能够运行，还取决于数据质量、工程结构、调试能力以及界面交互是否完善。

在模型训练方面，我最大的收获是认识到“合适”比“复杂”更重要。实验过程中尝试过更深结构、旋转增强、二值化、阴影预处理等多种方案，但最终效果最稳定的仍然是结构清晰、参数适中的 4 层卷积池化循环 baseline 模型。这让我理解到，在样本规模较小的课程项目中，盲目增加模型复杂度不一定能提升性能，反而可能带来过拟合或分布偏移。真正有效的改进往往来自对问题本身的分析，例如识别误差到底来源于阴影、背景、视角还是类别相似度，而不是机械地堆叠更复杂的网络。

在应用开发方面，我进一步体会到“训练完成并不等于项目完成”。将模型接入 Streamlit 之后，还需要考虑上传流程、摄像头拍照、边界情况处理、概率可视化、界面样式、识别历史以及不同输入场景下的稳定性问题。尤其是在处理实拍图片时，我深刻感受到部署阶段往往暴露出训练阶段没有充分注意的问题，例如光照阴影、目标位置偏移、长条形零件的视角变形等。这些问题最终促使我尝试从推理链路角度做优化，而不是一味重训模型。

另外，AI 辅助工具在本次项目中发挥了很大作用。无论是需求梳理、代码补全、页面开发，还是错误排查、实验方案设计，AI 都有效提升了开发效率。但实践也让我认识到，AI 更像“高效助手”，而不是可以完全替代思考的“自动完成器”。很多建议需要结合实际实验结果反复验证，尤其是在模型调参与工程实现中，只有坚持查看日志、复核数据、对比实验，才能真正做出可靠结论。

总体而言，这次实验让我不仅掌握了相关工具和技术，更重要的是建立了面向真实项目的问题分析意识和工程实现思维。后续如果继续完善本项目，我希望进一步补充更规范的 Plate 数据集，完成 Brick+Plate 联合模型训练与替换，并在现有 Streamlit 应用基础上继续提升摄像头识别、移动端交互和多场景鲁棒性。